基于内容医学图像检索的索引研究

论文摘要

近年来,随着多媒体技术和计算机网络的飞速发展,作为多媒体数据的重要组成部分,图像数据也正以惊人的速度增长。如何能从这些海量图像数据中高效、快速地检索出所需要的信息是当前所面临的重要问题。传统的基于文本注解的图像检索方法已经无法满足用户的需要。基于内容的图像检索技术（Content-Based Image Retrieval, CBIR）是目前图像检索中通常采用的技术。其主要思想是根据图像所包含的颜色、纹理、形状等,提取出特征向量,并建立图像的特征库,通过计算查询图像和特征库中图像的特征向量间的相似度得到查询结果。由于图像库的数据容量大,而且数据都是高维数据,需要采用高维空间的索引技术以减少响应时间。高维空间的索引技术是通过建立索引结构来提高高维数据库上检索效率的一门科学。图像数据库检索离不开高维索引技术的支持。目前,人们对高维索引技术已进行了大量研究,提出了众多的索引结构,例如R树、KD树、SR树等,这些索引结构在低维空间中性能很好,但是,在高维空间中,性能急剧下降,甚至不如顺序查询,这种现象被称为“维数灾难”。本文对基于内容的图像检索技术和国内外有关的高维索引技术和方法进行了综述,在分析和比较现有高维索引结构的基础上,详细讨论了自己的索引结构和算法A-iDistance,并在医学图像数据和模拟数据上做了实验研究。实践证明,该索引结构在高维空间中有着良好的性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景与意义
• 1.2 国内外研究现状及发展动态
• 1.3 本文的主要内容和组织结构
• 第二章 基于内容图像检索概述
• 2.1 图像检索概述
• 2.1.1 图像检索技术发展概况
• 2.1.2 基于文本标注的图像检索
• 2.1.3 基于内容的图像检索
• 2.1.4 基于相关反馈技术的图像检索
• 2.2 基于内容的图像检索的特点
• 2.3 基于内容的图像检索关键技术概述
• 2.3.1 图像特征的提取
• 2.3.2 图像特征的索引
• 2.3.3 图像的相似性度量
• 2.3.4 多种形式的查询方式的表达
• 2.3.5 图像检索效果的评价准则
• 2.4 基于内容的图像检索系统的体系结构
• 2.5 通用图像检索系统简介
• 2.6 本章小节
• 第三章 高维数据及其索引
• 3.1 高维数据
• 3.2 高维数据的特点
• 3.3 高维数据的相似性查询
• 3.4 高维索引结构的特点
• 3.5 高维索引结构性能分析
• 3.6 高维索引的分类
• 3.6.1 基于数据集和空间划分的分级树索引结构
• 3.6.2 基于压缩的近似向量的索引结构
• 3.6.3 基于距离的高维索引结构
• 3.6.4 基于降维的索引结构
• 3.7 本章小结
• 第四章 A-IDISTANCE索引结构
• 4.1 iDistance索引的相关问题
• 4.1.1 高维向量向一维向量的转换
• 4.1.2 索引结构
• 4.1.3 KNN查询算法
• 4.1.4 iDistance算法分析
• 4.2 A-iDistance索引结构设计
• 4.2.1 聚类子空间的划分
• 4.2.2 聚类子空间的编号
• 4.2.3 A-iDistance索引结构的相关概念
• 4.2.4 A-iDistance的索引结构
• 4.3 A-iDistance的相关算法
• 4.3.1 插入算法
• 4.3.2 删除算法
• 4.3.3 构建索引树算法
• 4.3.4 KNN查询算法
• 4.4 A-iDistance索引结构优化
• 4.4.1 避免过度查询
• 4.4.2 索引结构的改进
• 4.5 本章小结
• 第五章 医学图像数据库索引实验研究
• 5.1 医学图像数据库
• 5.2 医学图像特征
• 5.3 医学图像数据库索引实验
• 5.3.1 医学图像检索实验结构框架
• 5.3.2 实验设计
• 5.4 本章小结
• 第六章 结束语
• 6.1 本文工作总结
• 6.2 后继工作和展望
• 参考文献
• 致谢
• 攻读硕士学位期间参与的科研课题及项目