一、综合颜色和形状特征图像检索简介
0 引言
随着多媒体技术与网络技术的发展， 基于内容的图像检索(Content-Based Image Retrieval， CBIR) 技术作为信息检索技术重要的一部分， 成为国际国内的研究热点，其主要利用图像的视觉特征如颜色、纹理、形状和空间关系等搜索图像库中与待查询图像相似的图像，颜色是图像最底层、最显著的特
征，形状是彩色图像最稳定的特征，其不受亮度等环境变化的影响。
CBIR算法主要考虑的是待查询图像与图像库中图像的相似度， 但是有时候却忽略了图像库中已存在图像之间的相似性， 如果利用聚类算法将图像库中的图像聚类， 使得检索过程在类心或某一类内进行， 就会降低图像检索的空间， 提高检索的速度。聚类算法在图像检索领域中有广泛的应用， K-means算法应用最广，其优点是通用、聚类速度快，保证以二次收敛的速度终止，但缺点是终止于一个局部最小值，对初始类心依赖性强，导致检索结果不稳定。近几年，出现了许多基于K-means算法的图像检索算法 。文献主要提出了平均面积直方图的概念， 然后基于图像密度函数确定初始聚类中心， 按照K-means思想迭代优化， 对特征提取方法的改进提高了检索的准确性， 但是初始类心的确定方式使得算法的时间复杂度较大。文献针对K-means随机选取初始值导致聚类结果不稳定的特点，根据特征距离累加和最大选取初始聚类中心，保证了检索结果的稳定性，提高了检索的准确性，但是检索的效果从绝对意义上来说还有待提高。文献提出了基于区域分割的方法， 利用K-means算法对像素进行聚类进而形成基于局部的特征信息， 然后利用分层聚类算法将相似的物体特征进行聚类，取代了传统的基于图像整体信