实现图像检索系统大概的步骤，需要用到哪方面的知识？

我对图像检索比较感兴趣，想将毕业设计定为这个，可是不知道怎么入手，大家觉得怎么做比较好呢，大概的步骤，需要用到哪方面的知识？

.zm-item-answer"}" data-init="{"params":

{"url_token": 25833727, "pagesize": 20, "offset": 0}, "nodename":

"QuestionAnswerListV2"}" style="border-bottom-width: 1px;

border-bottom-style: solid; border-bottom-color: rgb(238, 238,

238);">

赞同2反对，不会显示你的姓名

CBIR系统的构建主要包括：

1)定义图像描述符(图像特征提取)

这一阶段，需要决定描述图像的哪一方面。图像的可描述特征很多、包括颜色、形状、纹理、能量等，而颜色有分为很多种，如颜色直方图、颜色矩等。在这一阶段，我们选定要提取的颜色特征，根据应用的不同，选取的颜色特征可以是一种或多种。

2)索引化数据集(存储)

现在有了图像描述符，接着就是将这个图像描述符应用得到数据集中的每幅图像，提取这些图像的特征，将其存储起来(如CSV文件、RDBMS、Redis数据库中)，这样后续步骤就能使用以便比较。

3)定义相似矩阵

很好，现在有了许多特征向量。但如何比较这些特征向量呢？比较常用的流行的相似性度量方式有：欧几里德距离、余弦距离、或卡方距离、巴氏距离、闵式距离、相关性等。但实际中取决于两点：①、数据集；②、提取的特征类型。

4)检索

上面步骤都完成了，剩下的就是根据输入的图片，从图像库中检索相似的图像并返回了。用户会向系统提交一幅需要搜索的图片(例如从上传窗口或通过移动App提交)，而你的任务是：1、提取这幅图像的特征；2、使用相似度函数将这幅图像的特征与已经索引化的特征进行比较。这样，只需根据相似度函数的结果，返回相关的图像就可以了。

http://blog.csdn.net/kezunhai/article/details/46417041

同样是图像检索方向的研究生，马上研三，对于这个问题，想谈谈。

图像检索这块看似小众，实则商业需求还是比较大的，从面向需求方面来看，主要有面向类别的图像检索以及针对object

retrieval_r(也作duplicate search)。

关于面向类别的图像检索，举个例子，上传一张“老虎”的图片，面向类别的图片搜索需要找到的是那些包含老虎(不管老虎是哪个品种)的图片，并将它们排在搜索结果的最前面，来个具体的：

这类针对类别的图像检索，采用CNN卷积神经网络可以解决得相当不错，因为CNN具备很强的类别泛化能力。这一类搜索主要面向图像搜索引擎。

另一类是object retrieval_r(也作duplicate

search)，这一类搜索主要是对上传的一幅图片，搜索出图片中包含有该物体的图片，举个例子：

上图中是上传的一幅某建筑的图片，后面是搜索到的包含该建筑物的图片。从技术上来说，主要用BoW词袋模型、VLAD以及Fisher向量，这一类描述子因为用的是SIFT，具有光照不变形以及一定的几何旋转不变性，所以这三类差不多是科研上做object

retrieval_r(也作duplicate

search)的主流方法(工业界不知道是不是采用的这些方法)。这一类搜索需求更广，应用空间更大，比如同款衣服(鞋子)的搜索、人脸搜索、重复样本去重等等。总之这一类应用，只要你想不到的，但它们确实很多公司有这方面的需求。

所以关于图像检索这块，个人觉得掌握了BoW、VLAD、FV以及CNN就差不多，特征融合如果也熟悉的话，更好。你学这些的时候，肯定会顺带了解了计算机视觉以及机器学习方面的很多东西。所以基础理论应该没什么问题。

再说编程语言以及数据结构方面的，这一块是笔试面试时一定会考到的东西。编程语言的话，差不多都是考C++，这个得多看多练，《C++

primer》和《剑指offfer》这两本书多拿出来看看，编程语言这东西，最终还是要落到实处，不会写代码的图像检索高手，都是花架子，因为很多东西，只有在自己去实现的时候，才会发现很多细节的东西需要注意，而这些东西，我们称之为经验。

写得比较凌乱，再次总结归纳一下：掌握图像检索的基础理论以及主流的检索模型，多多写写代码。

以上，就酱紫。

基于内容的图像检索技术( CBIＲ，contentbased

image retrieval) ［1］( 如图1 所示) 指的是用于

搜索的对象本身就是一幅图像，或者是对于图像内

容的特征描述． CBIＲ 进行检索的方式是通过提取

图像底层特征，计算比较这些特征和搜索对象之间

的距离，来度量两个图片的相似程度． 人们通常提

取颜色( ＲGB，LAB 或HSV) 、纹理、GIST［2］、尺度不

变特性转换描述子［3］ ( SIFT，scale-invariant feature

transform) 和F 方向梯度直方图特征［4］( HoG，histogram

of oriented gradients) 等手工设计的特征对图像

内容进行表示． 虽然CBIＲ 在过去的十几年中取得

了大量的科研成果并建立起了一些研究型或商用型

的图像检索系统，但大多数的图像检索性能还不能

满足人们的要求． 究其原因，主要是底层特征和高

最近，随着深度学习［6］ 的发展，卷积神经网

络［7］( CNN，convolutional neural network) 在图像识

别领域取得了重要进展，如图像分类和物体检测．

特别是，Krizhevsky 等［8］提出的CNN 架构在ILSVＲC

2012 ［9］( imagenet large scale visual recognition

challenge)

中取得了巨大突破( 在图像分类任务中，性能

比传统手工设计特征的架构提升了10%) ． 随后，

Ｒazavian 等［10］工作指出，通过在大规模图像库上预

训练得到的CNN 模型可以用来提取图像的视觉特

征( CNN visual features) ，并应用于各类图像识别任

务，如场景分类和多标签分类等． 虽然CNN 在图像

识别领域取得了长足进步，但基于CNN 视觉特征的

图像检索方面的工作还很少． 主要对比分析了传统

视觉特征和CNN 视觉特征在CBIＲ 中的性能表现，

并提出了一些值得深入研究的方向． 贡献主要包含

以下几个方面: