图像数据库检索技术分析-现代数据库原理与索引设计优化

检索是衡量数据库系统性能的重要标准。目前的IDB检索操作是根据多方面数据的不同，利用表格实现查询数据在图像库的相应检索的。与传统数据库检索相比，IDB检索操作具有一定的不足之处，主要体现在：第一，相比图像库的检索，它是盲目的，如果在量上比图像库检索大，就会大大延长检索的时间；第二，它比查询语言更为用户所熟悉；第三，它对检索信息是有明确要求的，且检索信息与图像本身的内容是无关的。

因此，我们应该在检索方法上展开新的研究，以便在诸多图像数据库中实现对用户需要的图像的查找。相比用户所提供的检索信息而言，若其本身是不充分的，则用户在检索信息时不仅需要提供图像本身的属性，而且需要提供图像的内容。首先，应用图像处理技术可以提取图像中的特征信息（也被称为广义关键子图），同时对其进行规范化，使其成为图像的特征向量。其次，在特征向量这一基础上通过对模式应用识别技术的利用，建立适合进行智能检索的检索树，也就是对特征向量进行相应的组织。例如，图像库就是根据其树形进行相应的结构组织。最后，在检索过程中要采用启发式深度优先的搜索策略实现对树的搜索。根据启发函数数值的不同，确定检索树上各层结点的优先权，对优先权最大的结点进行相应的向下搜索，直到叶子结点找到其所需的图像。在对叶子结点进行搜寻后，如果仍无法寻找到目标，就要进行逐层回溯，实现对其他分支上的查找。

（一）特征提取

对于一幅图像，在对其特征进行提取时，需要结合其领域上的知识。这与建库问题是无关的。对于特征提取来说，图像在对象物体上的反应与在性能和物理上的关系是很大的，可以对一幅图像的特征进行提取。其一般不是唯一的，往往是多样的，因此要对其进行规范化处理，也就是进行特征选择，对其中有一定代表性的和适合的特征进行特征向量上的图像组成。就目前而言，特征提取的方法分为两种：一种是根据准则对特征进行提取，另一种是要保证这种提取在最小的错误概论下进行。

在研究中发现，人类图像在特征点上的提取是“积分投影”。但各个特征点之间的关系是孤立的，人脸不能被直观、形象地表征出来。对于特征点，要对其在人脸构成的特征向量上进行组合，对15个点间的距离和夹角的各个分量上进行选择，从而实现对人脸特征的分析。

（二）建立检索树

图像库中的图像是具有特征向量的，需要对其进行聚类分析，可以根据树形结构对图像库进行重新组织，并建立适合进行检索的检索树。

聚类算法需要通过最大/最小（MAX/MIN）距离算法进行选择。这种算法具有一定的启发性。它是一种启发式的聚类算法，其基础是欧式距离。在实质上，这种算法可分为两个步骤：第一步是寻找聚类中心，第二步是根据最近距离将模式样本在最近的聚类中心进行分离。(www.xing528.com)

我们可以将聚类树上所具有的非叶子结点称为子类结点，如果其在特征向量上，就是类特征向量。

然后在聚类树的第k层，其上的某子类结点在类特征向量上是其下层子结点的组成部分，称为“族心”。这样就可以明确聚类树上的非叶子结点所具有的类特征向量，其中的结点也都相应地有一个类特征向量和特征向量。这样的聚类树就是一棵检索树，检索是很方便的。在实验中，检索树的编写是用LISP语言进行的，因此，检索树可以用以下两种方式表示。

1.检索树上的每个结点对应着LISP语言中的一个原子，每个原子的性质表中增加以下三项性质：①性质Vector项，其值为用表表示的对应结点的特征向量或类特征向量；②性质Sue-cessor项，其值为该结点的子结点对应的原子组成的表，若此项性质为空NIL，则表明此结点为叶子结点（对应于图像）；③性质Precedence项，其值为父辈结点对应的原子，当该项值为NIL时，说明此原子对应的结点为根结点。

2.检索树用一张嵌套表来表示，其定义如下：①若检索树为空，则用空表NIL表示；②若检索树只有一个结点L，则用表（L）表示；③对检索树上任意一个结点N1t，其子结点设为S1、S2、S3，则可表示为（N1t［（S1）（S2）（S3）］）。

在这里，无论是根结点、N1t还是另一棵更大的检索树上所具有的子类结点，对于S1、S2、S3来说，它们都具有同一个父结点，但也可能是叶子结点。对于其他的子树而言，也可能是父辈结点，其定义可参考上述①、②、③。

以上两种方式都具有一定的优点和缺点。对于第一种方式，其在结构上比较简单，操作也很方便，但是如果检索树本身比较大，则会占据很多空间。对于第二种方式，其结构是比较紧凑的，节省了存储空间，但如果检索树比较大时，可能会导致多层嵌套，而且操作比较麻烦，运算时间也相应较长。通过比较可知第二种方式是比较合适的，即用一张嵌套表来表示检索树。