目前图像检索的准确性是研究的难题,主要在于特征提取的方法。为了提高图像检索的精度,在图像底层特征研究的基础上,提出了一种综合多特征的图像检索算法——基于底层特征综合分析算法(CAUC)。首先,在YUV颜色空间下提取图像的平均值和标准方差作为全局颜色特征,获得图像的二值位图,提取其局部颜色特征;然后,基于紧密度和Krawtchouk矩不变量提取图像的形状特征;再根据改进的四像素共生矩阵算法提取图像的纹理特征;最后综合多特征将待查询图像与图像库中图像进行相似度计算,返回相似度高的图像。在Corel-1000的图像集上的实验结果显示,与原来仅考虑四像素共生矩阵的方法相比,CAUC的查准率与查全率没有明显降低,但检索时间大大减少;与另外两种多特征融合的图像检索方法相比,CAUC仍能在保证较高检索速度的同时提高查准率与查全率。实验结果表明,CAUC方案能有效提取图像特征,提高检索效率。

为了提高图像检索的速度和准确率,通过分析各种聚类算法在图像检索中的缺点,提出了一种新的划分聚类的图像检索方法。首先对HSV模型非均匀量化,利用改进的颜色聚合向量方法提取图像的颜色特征；然后基于改进的Hu不变矩提取图像的全局形状特征；最后,综合颜色和形状特征对图像基于贡献度聚类并建立特征索引库。利用上述方法在Corel图像库中进行图像检索。实验结果表明,与改进的K-means算法的图像检索算法相比,提出算法的查准率和查全率均有较大提高。