摘 要： 用戶描述圖像的高層抽象語(yǔ)義與圖像內(nèi)在的底層特征之間存在差異，此時(shí)僅依靠圖像內(nèi)容特征進(jìn)行檢索的系統(tǒng)無(wú)法準(zhǔn)確完成用戶的檢索任務(wù)。針對(duì)以上問(wèn)題，提出了使用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像的匹配計(jì)算方法，通過(guò)樣例自動(dòng)學(xué)習(xí)和用戶反饋學(xué)習(xí)兩種學(xué)習(xí)方式，形成圖像底層特征到圖像分類(lèi)的正確映射，學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)可以進(jìn)行圖像的自動(dòng)分類(lèi)及檢索。該方法結(jié)合了圖像的底層特征描述及用戶的高層語(yǔ)義反饋，有效地彌補(bǔ)了語(yǔ)義鴻溝。最后，系統(tǒng)通過(guò)整合Web前端、圖像提取模塊、神經(jīng)網(wǎng)絡(luò)模塊及數(shù)據(jù)庫(kù)模塊，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)及圖像檢索的完整流程。

關(guān)鍵詞： 圖像檢索； 特征提??； 神經(jīng)網(wǎng)絡(luò)； 機(jī)器學(xué)習(xí)； 相關(guān)反饋

中圖分類(lèi)號(hào)： TN711?34； TM417 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）21?0078?05

Design and development of image retrieval platform based on artificial neural network

ZHANG Weihua， GAO Ang

（Department of Information Engineering， Zhengzhou Chenggong University of Finance and Economics， Gongyi 451200， China）

Abstract： Since the difference exists between the high?level abstract semantics and underlying feature of the user?description image， the retrieval system based on the image content feature can′t accurately accomplish the user′s retriecal task. To solve the above problem， an image matching calculation method based on neural network is proposed. The correct mapping from image low?level feature to image classification is formed by means of sample automatic learning and user feedback learning. The neural network after learning can classify and retrieve the image automatically. This method is combined with the image low?layer feature description and user high?level semantics feedback to effectively recover the semantic gap. The whole process of neural network learning and image retrieval was realized by integrating the Web front end， image extraction module， neural network module and database module.

Keywords： image retrieval； feature extraction； neural network； machine learning； relevance feedback

在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像檢索的過(guò)程中，圖像的大小、精度及細(xì)節(jié)越來(lái)越豐富，信息含量相應(yīng)的也越來(lái)愈多，當(dāng)使用大量的信息進(jìn)行神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練時(shí)，所需的時(shí)間和成本都大大增加，并且神經(jīng)網(wǎng)絡(luò)的檢索效率也會(huì)降低，這就使得其滿足不了用戶準(zhǔn)確搜索圖像的需求[1]。同時(shí)，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，可以利用各種改進(jìn)技術(shù)提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和預(yù)測(cè)準(zhǔn)確率，使得利用神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦對(duì)圖像的分類(lèi)和檢索可以得到更好的效果。

1 圖像特征的提取

系統(tǒng)使用圖像分割方法對(duì)圖像的形狀特征進(jìn)行描述，提取圖像中各個(gè)部分的形狀特征。

1.1 形狀特征的提取

使用K?均值聚類(lèi)分割算法進(jìn)行圖像的分割。將圖像分割后，由于每個(gè)簇中的像素在視覺(jué)特征上具有很強(qiáng)的相似性，因此對(duì)每一區(qū)域的特征進(jìn)行簡(jiǎn)單的描述，提取相應(yīng)的圖像特征然后保存結(jié)果，并將其作為圖像檢索系統(tǒng)的區(qū)域特征庫(kù)。系統(tǒng)針對(duì)不同的圖像特征選取不同的方法進(jìn)行描述：

（1） 區(qū)域顏色特征，提取該區(qū)域中像素點(diǎn)在Lab顏色空間中的均值來(lái)描述。

（2） 區(qū)域位置特征，提取該區(qū)域中像素點(diǎn)在二維空間中的坐標(biāo)的平均值來(lái)描述。

（3） 區(qū)域紋理特征，提取該區(qū)域中像素的平均對(duì)比度及平均各向異性來(lái)描述。

（4） 區(qū)域形狀特征，提取該區(qū)域的封閉輪廓，并將其分解為可由若干橢圓重構(gòu)的由橢圓參數(shù)組成的序列，然后通過(guò)傅里葉描述符來(lái)描述該封閉曲線[2]。

1.2 顏色特征的提取

由于顏色直方圖的限制，選擇顏色相關(guān)圖進(jìn)行圖像顏色的提取。圖像的顏色相關(guān)圖就是由所有顏色對(duì)進(jìn)行索引的表，在表中[（i， j）]的第[m]個(gè)條目表示找到與顏色為[i]的一個(gè)像素點(diǎn)距離為[m]的顏色為[j]的一個(gè)像素點(diǎn)的幾率。在計(jì)算顏色相關(guān)圖時(shí)需采用一些并行計(jì)算，這樣可以提高計(jì)算效率。

1.3 紋理特征的提取

通過(guò)對(duì)比基于Tamura紋理特征算法的檢索程序、基于灰度?梯度共生矩陣算法的檢索程序和基于Gabor小波變換算法，基于Tamura紋理特征提取算法的檢索程序的查詢準(zhǔn)確率要比后兩者都高，且其查詢使用的時(shí)間也要少很多，因此系統(tǒng)選擇采用Tamura紋理特征提取算法。

2 BP神經(jīng)網(wǎng)絡(luò)模型的搭建

2.1 BP神經(jīng)網(wǎng)絡(luò)特點(diǎn)

選擇BP神經(jīng)網(wǎng)絡(luò)作為圖像的神經(jīng)網(wǎng)絡(luò)分類(lèi)器，其將[n]維圖像底層視覺(jué)特征映射為圖像的分類(lèi)。通過(guò)實(shí)驗(yàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行一些改進(jìn)和優(yōu)化，使其能有效地完成圖像檢索的任務(wù)。典型樣本集的選擇、學(xué)習(xí)復(fù)雜性、網(wǎng)絡(luò)結(jié)構(gòu)的選擇、輸入特征向量的選擇、預(yù)測(cè)能力的極限都是需要在搭建BP神經(jīng)網(wǎng)絡(luò)時(shí)需要考慮的問(wèn)題[3]。

2.2 BP神經(jīng)網(wǎng)絡(luò)的原理及拓?fù)浣Y(jié)構(gòu)

基于BP神經(jīng)網(wǎng)絡(luò)相關(guān)原理的學(xué)習(xí)與分析，確定了系統(tǒng)中BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和構(gòu)建過(guò)程：首先定義輸入層、隱含層和輸出層的神經(jīng)元數(shù)目分別為[n，l]和[m，]則[（x1，x2，…，xn）]為網(wǎng)絡(luò)的輸入矢量，[（h1，h2，…，hl）]為隱含層神經(jīng)元的輸出矢量，[（y1，y2，…，ym）]為網(wǎng)絡(luò)的實(shí)際輸出矢量，同時(shí)定義[（d1，d2，…，dm）]為訓(xùn)練樣本所對(duì)應(yīng)的預(yù)期輸出矢量。然后定義輸出層神經(jīng)元[i]與隱含層神經(jīng)元[j]的連接權(quán)值為[Vij，]隱含層神經(jīng)元[j]與輸出層神經(jīng)元[k]的連接權(quán)值為[Wjk，]隱含層神經(jīng)元[j]的閾值為[b，]輸出層神經(jīng)元[k]的閾值為[c。]由于傳遞函數(shù)需要表示具有線性特性的輸入信號(hào)與輸出信號(hào)的聯(lián)系，又根據(jù)BP神經(jīng)網(wǎng)絡(luò)要求傳遞函數(shù)必須連續(xù)可導(dǎo)，因此其一般使用在（0，1）之間連續(xù)并可導(dǎo)的Sigmoid函數(shù)作為傳遞函數(shù)，該函數(shù)公式為：

[f（x）=11-e-x] （1）

實(shí)際輸出矢量與預(yù)期輸出矢量的誤差計(jì)算公式為：

[E=12j=1m（dk-yk）2] （2）

隱含層神經(jīng)元輸出矢量的計(jì)算公式為：

[hj=fj=1N-1Vijxi+?j] （3）

輸出層神經(jīng)元輸出矢量的計(jì)算公式為：

[yk=fj=0L-1Wjkhj+θk] （4）

BP神經(jīng)網(wǎng)絡(luò)通過(guò)反向傳播算法調(diào)整權(quán)值，其權(quán)值修正公式為：

[Wij（n+1）=Wij（n）+ηδjx′i] （5）

在式（5）中，[Wij（n）]表示第[n]次學(xué)習(xí)后的神經(jīng)元[i]與神經(jīng)元[j]之間的連接權(quán)值，信號(hào)輸出的神經(jīng)元為[i，]信號(hào)輸入的神經(jīng)元為[j，][Xi]為神經(jīng)元[i]的實(shí)際輸出，[η]為網(wǎng)絡(luò)的學(xué)習(xí)速率，[δj]為神經(jīng)元[j]的學(xué)習(xí)誤差。

系統(tǒng)中BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建流程如下：

（1） 初始化網(wǎng)絡(luò)的連接權(quán)值和閾值，其值為均勻分布的隨機(jī)數(shù)。

（2） 對(duì)網(wǎng)絡(luò)使用一組樣例數(shù)據(jù)進(jìn)行訓(xùn)練。

（3） 網(wǎng)絡(luò)搭建完成，將輸入矢量輸入網(wǎng)絡(luò)可仿真輸出符合預(yù)期的輸出矢量[4]。

2.3 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程

通過(guò)對(duì)相關(guān)反饋算法的學(xué)習(xí)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)的圖像檢索方法，它包含兩種學(xué)習(xí)過(guò)程：

（1） 自動(dòng)樣例學(xué)習(xí)，首先通過(guò)包含高層語(yǔ)義標(biāo)注的樣例圖像的學(xué)習(xí)構(gòu)建圖像高層語(yǔ)義的分類(lèi)器，其中對(duì)于圖像的每種語(yǔ)義分別構(gòu)造一個(gè)分類(lèi)器，輸入樣例圖像后使系統(tǒng)提取圖像的底層特征作為神經(jīng)網(wǎng)絡(luò)的輸入，然后經(jīng)過(guò)一定時(shí)間的學(xué)習(xí)可以得到網(wǎng)絡(luò)的解，使分類(lèi)器能夠初步完成分類(lèi)任務(wù)；

（2） 用戶交互學(xué)習(xí)，首先通過(guò)用戶的指導(dǎo)，將初步檢索結(jié)果進(jìn)行分類(lèi)，然后系統(tǒng)將用戶的反饋整理為學(xué)習(xí)樣本，同樣使用自動(dòng)樣例學(xué)習(xí)過(guò)程進(jìn)行學(xué)習(xí)，最后得出網(wǎng)絡(luò)最新的解，使分類(lèi)器能更精確地完成分類(lèi)任務(wù)。系統(tǒng)中BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程如圖1所示。

2.4 BP算法的改進(jìn)

使用附加動(dòng)量法可以使網(wǎng)絡(luò)在修正連接權(quán)值時(shí)，不只考慮誤差在其梯度上的變化趨勢(shì)，還考慮誤差在其曲面上的變化趨勢(shì)。在沒(méi)有附加動(dòng)量的情況中，網(wǎng)絡(luò)在訓(xùn)練過(guò)程中有可能陷入局部極小狀態(tài)，通過(guò)使用附加動(dòng)量則可以在一定程度上繞過(guò)這些極小值，避免進(jìn)入極小狀態(tài)[5]。附加動(dòng)量法在反向傳播過(guò)程中，在每一個(gè)神經(jīng)元的連接權(quán)值及閾值的當(dāng)次訓(xùn)練的變化量上附加一個(gè)正比于上次訓(xùn)練后的連接權(quán)值及閾值的變化量的項(xiàng)，根據(jù)新的變化量計(jì)算出新的連接權(quán)值及閾值。添加了附加動(dòng)量因子的連接權(quán)值和閾值的變化量計(jì)算公式分別為：

[Δwij（k+1）=（1-mc）ηδjpj+mcΔwij（k）] （6）

[Δbj（k+1）=（1-mc）ηδj+mcΔbij（k）] （7）

式中：[k]表示第[k]次訓(xùn)練；[mc]表示動(dòng)量因子，[mc]的取值一般在0.95附近。

在結(jié)合附加動(dòng)量法的網(wǎng)絡(luò)訓(xùn)練過(guò)程中，需要根據(jù)不同條件判斷何時(shí)使用動(dòng)量因子來(lái)修正權(quán)值，其判斷條件為：

[mc=0，E（k）>E（k-1）×1.040.95，E（k）

式中[E（k）]為第[k]步的誤差平方和。

自適應(yīng)學(xué)習(xí)速率的調(diào)整公式為：

[η（k+1）=1.05η（k），E（k+1）E（k）×1.04η（k），etc] （9）

式中[E（k）]為第[k]步的誤差平方和。

動(dòng)量法可以幫助BP算法正確找到全局最優(yōu)解，自適應(yīng)學(xué)習(xí)速率法可以幫助BP算法縮短訓(xùn)練時(shí)間，通過(guò)這兩種方法的使用，可以有效地提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果。

2.5 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)?zāi)康臑榇_定系統(tǒng)中BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的隱含層神經(jīng)元數(shù)目。首先根據(jù)研究獲得的圖像特征向量的元素個(gè)數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)分類(lèi)器的學(xué)習(xí)樣例，此處每個(gè)樣例的輸入向量的元素個(gè)數(shù)為165個(gè)，因此構(gòu)建16組含有165個(gè)元素的輸入向量，4個(gè)一組劃分為一種類(lèi)別，最終形成含有4種類(lèi)別的16組訓(xùn)練樣本，以此方法再生成該4種類(lèi)別的4組測(cè)試樣本。然后根據(jù)經(jīng)驗(yàn)公式獲得合適隱含層神經(jīng)元數(shù)目的取值范圍，此處為9～17個(gè)。最后將訓(xùn)練樣本及測(cè)試樣本先后輸入隱含層神經(jīng)元數(shù)目不同的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和測(cè)試，記錄數(shù)據(jù)。

表1記錄了隱含層神經(jīng)元數(shù)目及對(duì)應(yīng)的訓(xùn)練誤差和測(cè)試誤差的數(shù)據(jù)，由其數(shù)據(jù)可以看出，隨著隱含層神經(jīng)元數(shù)目的增加訓(xùn)練誤差總體上逐漸減小，當(dāng)個(gè)數(shù)超過(guò)15后訓(xùn)練誤差出現(xiàn)一定程度的波動(dòng)，出現(xiàn)小幅的增加，雖然不影響網(wǎng)絡(luò)的學(xué)習(xí)效果，但是過(guò)多的神經(jīng)元個(gè)數(shù)會(huì)增加學(xué)習(xí)時(shí)間，而此時(shí)測(cè)試誤差還是處于降低的趨勢(shì)。綜合分析實(shí)驗(yàn)結(jié)果，本系統(tǒng)確定采用較合適的15個(gè)隱含層神經(jīng)元。

3 檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

3.1 系統(tǒng)結(jié)構(gòu)分析

3.1.1 系統(tǒng)結(jié)構(gòu)

系統(tǒng)的結(jié)構(gòu)如圖2所示，圖中除了與用戶交互的Web前端，其余的圖像特征提取模塊、神經(jīng)網(wǎng)絡(luò)模塊及數(shù)據(jù)庫(kù)都在服務(wù)器端，這種瀏覽器?服務(wù)器結(jié)構(gòu)平臺(tái)搭建后，用戶可以通過(guò)不同客戶端的Web瀏覽器進(jìn)行圖像檢索的功能，而不必安裝本地應(yīng)用程序，同時(shí)將主要的核心功能集中到服務(wù)器上，不僅大大簡(jiǎn)化了系統(tǒng)的開(kāi)發(fā)和維護(hù)流程，降低了成本，還增強(qiáng)了系統(tǒng)的擴(kuò)展性。

3.1.2 系統(tǒng)流程

系統(tǒng)針對(duì)不同的功能需求設(shè)計(jì)了相應(yīng)的不同流程，這些流程包括系統(tǒng)樣例學(xué)習(xí)流程、用戶反饋學(xué)習(xí)流程、用戶查詢流程。

如圖3所示，在系統(tǒng)的樣例學(xué)習(xí)過(guò)程中，系統(tǒng)接收到樣例數(shù)據(jù)后會(huì)先對(duì)數(shù)據(jù)進(jìn)行分析，然后交給神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，最終生成對(duì)應(yīng)類(lèi)別的分類(lèi)器，這些分類(lèi)器會(huì)在用戶檢索時(shí)對(duì)數(shù)據(jù)庫(kù)中的圖像進(jìn)行分類(lèi)，查找到符合用戶需求的圖像[6]。樣例學(xué)習(xí)的流程是本系統(tǒng)學(xué)習(xí)分類(lèi)知識(shí)的關(guān)鍵步驟，在該步驟中用戶并不參與系統(tǒng)的學(xué)習(xí)過(guò)程，整個(gè)學(xué)習(xí)過(guò)程均為系統(tǒng)自動(dòng)進(jìn)行，因此需提供大量被正確標(biāo)注的清晰圖像樣例，通過(guò)對(duì)這些優(yōu)質(zhì)樣例的學(xué)習(xí)，系統(tǒng)會(huì)自動(dòng)生成針對(duì)圖像各種分類(lèi)所對(duì)應(yīng)的分類(lèi)器，且經(jīng)過(guò)長(zhǎng)時(shí)間的學(xué)習(xí)，這些分類(lèi)器的準(zhǔn)確率會(huì)不斷上升，最終使查詢結(jié)果更符合用戶需求。

如圖4所示，在系統(tǒng)的用戶查詢流程中，用戶的查詢條件為圖像特征的語(yǔ)義描述，系統(tǒng)最終返回為包含該描述特征的圖像集，這個(gè)過(guò)程利用神經(jīng)網(wǎng)絡(luò)分類(lèi)器學(xué)習(xí)的高層描述語(yǔ)義與低層圖像特征之間的映射，因此隨著神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間的增大，這種映射也就越精確，系統(tǒng)完成的查詢也就越符合用戶要求。

3.1.3 圖像特征提取模塊

如圖5所示，當(dāng)圖像輸入到圖像特征提取模塊中時(shí)，圖像會(huì)進(jìn)行K?均值聚類(lèi)分割算法處理、顏色相關(guān)圖算法處理及Tamura紋理特征算法處理，這三個(gè)處理過(guò)程并行進(jìn)行。

經(jīng)過(guò)K?均值聚類(lèi)分割算法處理，圖像被分割為若干塊區(qū)域，每個(gè)區(qū)域中的像素都具有相似的屬性，對(duì)于每個(gè)區(qū)域，會(huì)提取其簡(jiǎn)單的區(qū)域特征，如顏色特征、位置特征、紋理特征及形狀特征等；經(jīng)過(guò)顏色相關(guān)圖算法處理，生成當(dāng)前圖像的顏色自相關(guān)圖；經(jīng)過(guò)Tamura紋理特征算法處理，計(jì)算出圖像的粗糙度、對(duì)比度、方向度、線性度等數(shù)值。將經(jīng)過(guò)三個(gè)算法處理后得到的數(shù)值整理后得到圖像的特征向量[7]。

3.1.4 神經(jīng)網(wǎng)絡(luò)模塊

系統(tǒng)中的圖像神經(jīng)網(wǎng)絡(luò)分類(lèi)器由三層組成，分別為輸入層、隱含層及輸出層，其中輸入層的神經(jīng)元個(gè)數(shù)與歸一化后的圖像特征向量的個(gè)數(shù)相同，為固定值；隱含層的神經(jīng)元個(gè)數(shù)通過(guò)前文中的實(shí)驗(yàn)得出，適合于本系統(tǒng)中神經(jīng)網(wǎng)絡(luò)的要求；輸出層只有一個(gè)神經(jīng)元進(jìn)行分類(lèi)，設(shè)定1為屬于該分類(lèi)的學(xué)習(xí)期望，設(shè)定0為不屬于該分類(lèi)的學(xué)習(xí)期望，但是實(shí)際運(yùn)行時(shí)需要設(shè)定1為0.9，0為0.1，這是因?yàn)镾igmoid函數(shù)無(wú)法經(jīng)過(guò)有限的連接權(quán)值計(jì)算得到1與0的值[8]。

3.1.5 Web 平臺(tái)模塊

系統(tǒng)的Web界面包括用戶查詢輸入框、用戶圖像上傳框、查詢結(jié)果瀏覽框等。

3.2 實(shí)驗(yàn)結(jié)果分析

為了檢驗(yàn)圖像檢索平臺(tái)的性能，首先將系統(tǒng)設(shè)置為學(xué)習(xí)模式，然后從圖像庫(kù)中選取1 000幅已進(jìn)行人工標(biāo)注的樣例集輸入系統(tǒng)，最后當(dāng)系統(tǒng)發(fā)出已訓(xùn)練完畢信號(hào)后，對(duì)系統(tǒng)已學(xué)習(xí)的分類(lèi)當(dāng)作查詢輸入系統(tǒng)進(jìn)行檢索，記錄系統(tǒng)檢索結(jié)果。

檢索結(jié)果可知經(jīng)過(guò)人工指導(dǎo)學(xué)習(xí)，系統(tǒng)可以仿真模擬更符合人類(lèi)視覺(jué)感知的分類(lèi)方式，并將其記憶于相應(yīng)的神經(jīng)網(wǎng)絡(luò)分類(lèi)器中，經(jīng)過(guò)不斷的學(xué)習(xí)，系統(tǒng)可以返回更準(zhǔn)確的符合用戶需求的檢索結(jié)果。

4 結(jié) 論

本文主要研究包括基于內(nèi)容的圖像檢索技術(shù)及人工神經(jīng)網(wǎng)絡(luò)技術(shù)兩個(gè)方面。首先使用K?均值聚類(lèi)分割算法、顏色相關(guān)圖算法及Tamura紋理特征提取算法提取圖像相應(yīng)的形狀、顏色及紋理特征，通過(guò)整合形成可以完整描述圖像信息的特征向量。同時(shí)，針對(duì)基于內(nèi)容的圖像檢索系統(tǒng)中用戶高層語(yǔ)義與圖像底層特征之間存在的問(wèn)題，通過(guò)樣例自動(dòng)學(xué)習(xí)和用戶反饋學(xué)習(xí)兩種學(xué)習(xí)方式，BP神經(jīng)網(wǎng)絡(luò)通過(guò)反向傳播學(xué)習(xí)算法調(diào)節(jié)網(wǎng)絡(luò)權(quán)值，從而形成圖像底層特征到圖像分類(lèi)的正確映射，學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)通過(guò)這種映射可以進(jìn)行圖像的自動(dòng)分類(lèi)及檢索，該方法結(jié)合了圖像的底層特征描述及用戶的高層語(yǔ)義反饋，有效地彌補(bǔ)了語(yǔ)義鴻溝。

參考文獻(xiàn)

[1] KHERFI M L， ZIOU D. Relevance feedback for CBIR： a new approach based on probabilistic feature weighting with positive and negative examples [J]. IEEE transactions on image processing， 2006， 15（4）： 1017?1030.

[2] TRAINA A J M， MARQUES J. Fighting the semantic gap on CBIR systems through new relevance feedback techniques [C]// Proceedings of 2011 the 21th IEEE International Symposium on Computer?Based Medical Systems. [S.l.]： IEEE， 2006： 881?886.

[3] 周資云.基于內(nèi)容的圖像檢索系統(tǒng)研發(fā)與應(yīng)用[J].華章，2012（29）：22.

[4] 劉麗，匡綱要.圖像紋理特征提取方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2013，14（4）：622?635.

[5] KANUNGO T， MOUNT D M， NETANYAHU N S， et al. An efficient k?means clustering algorithm： analysis and implementation [J]. IEEE transactions on pattern analysis and machine intelligence， 2002， 24（7）： 881?892.

[6] WILLIAMS A， YOON P. Content?based image retrieval using joint correlograms [J]. Multimedia tools and applications， 2007， 34（2）： 239?248.

[7] PANDA S S， PRASAD M， PRASAD M N M， et al. Image compression using back propagation neural network [J]. International journal of engineering science advanced technology， 2012， 2（1）： 74?78.

[8] 李忠武，陳麗清.計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].現(xiàn)代電子技術(shù)，2014，37（10）：80?82.