基于matlab的图像检索系统设计与实现

摘要

随着科技、物联网技术的发展，图像检索系统的应用越来越广泛。图像检索技术是通过对待检索图像的颜色、纹理、语义进行特征提取，通过目标匹配识别算法在数据库中去寻找最为匹配的图像，从而实现目标的分类识别。图像检索技术目前广泛应用于互联网搜图、广告投放、智能安防等领域，提高了目标查找的速度与精准度。

本文基于图像处理算法，实现了基于颜色特征的图像检索系统的开发。算法方面分为图像的预处理、特征提取、检索算法三个部分，预处理部分采用色彩空间转换算法将待检索图像转换至HSV空间，然后利用中值滤波进行去噪处理。特征提取部分采用颜色矩特征提取算法，检索识别部分采用提取图像的颜色集特征，利用最小距离法实现特征的匹配和分类。系统搭建方面本文利用Matlab的GUI开发功能，搭建了目标检索系统。经过大量的测试表明，系统稳定且目标检索的效率及准确率较高，具有一定的实用性。

关键词：图像处理；特征提取； 目标检索；最小距离法

第1章 绪论

1.1研究背景、目的及意义

图像处理技术是目前最前沿的研究领域之一，该技术主要是通过对采集图像进行处理、分析，提取出图像包含的视觉信息，根据信息进行后续的分类、测量、定位以及检测工作。图像处理应用领域很多，在工业领域可以对工业产品进行定位，检测产品的尺寸是否合格，是否存在缺陷，提高工厂的自动化水平；在安防领域，利用摄像头采集图像，通过图像处理算法分析画面中的场景、对象，对入侵的人员进行报警，提高安保水平；在交通监测领域，利用图像处理实现车辆分割及车流量统计，根据车流量进行交通灯智能调节，对车辆进行测速，对超速车辆车牌进行抓拍识别，实现违法记录；在金融支付领域，通过人脸识别图像处理技术，对手机用户进行活体检测，判断手机用户的身份，从而保障用户安全，利用刷脸进行快捷支付，提高购物体验；遥感图像监测领域利用卫星进行地表图像拍摄，通过数据降维、压缩、去噪等算法提高数据质量，降低冗余性，利用图像分析技术实现天气预报、气流监测以及地图测绘等等。总之图像处理技术在人们生活的各个领域发挥着重要作用[1]。

图像检索技术是图像处理的应用方向之一，传统的互联网广告推广，商品搜索都是依靠文字信息来实现，但是要想在海量的图像库中寻找到特定的图像却十分困难，花费大量的精力寻找可能还搜寻不到。图像检索技术可以提取需要寻找图像的特征，包括几何、纹理、边缘、颜色等特征，然后利用人工智能或者机器学习算法，在库中对相应的特征进行寻找，找到最为匹配的特征图像推送给用户[2]。这种定向搜索以及推广的方式，很大程度上提高了用户搜索目标图像的效率，能够在短时间内精准地找到图像，提高了用户对于软件地黏度，也提升了用户的软件体验感。图像检索技术还可以用于人机交互系统，比如在超市购物，将需要称重的商品放置到称重器上，称重器上的摄像头可以拍摄待称重图像，在库中进行图像检索，最匹配的图像即最为最终的分类结果，这种方式可以提高称重效率，实现无人值守称重，提升购物体验。总之随着科技的发展，图像检索技术在人们的生活中得到了越来越多的应用。

1.2 国内外研究现状

    国外由于计算机视觉技术发展较快，对于图像检索的研究起步，很多学者在视觉图像检索方面做了研究， Hongjia Zhai等人利用深度哈希模型，提取图像的知识并进行压缩，通过库中图像与压缩知识的距离，反映图像的相似性[3]；JR Smith等人通过颜色索引算法，使用二值颜色集的反投影从图像中提取颜色区域。这种技术提供了区域的自动提取和颜色内容的表示，克服了颜色直方图技术的一些问题，如高维特征向量、空间定位、索引和距离计算，提高了检索效率[4]；。KNS Bel等人提出了一种新的图像检索技术，即基于黑洞熵模糊聚类的Tversky索引。这里，在特征提取中考虑了SLBP（Spatial Local Binary Pattern，空间局部二进制模式）特征、语义特征和低图像特征。此外，使用椭圆曲线密码（ECC）对特征向量进行加密，以加密云服务器中包含的图像，在保密性增强的同时实现图像高精度匹配[5]。

国内的计算机技术以及图像处理技术研究相对较晚，且很多核心关键技术都掌握在外国人手中，但是随着科研的大力投入以及各个公司的不懈努力，越来越多的优秀图像处理算法得到了应用。我国对于图像检索应用的公司大多数都是人工智能公司，其中以百度、商汤、科大讯飞、淘宝等大厂为代表，这些公司都有成熟的识别算法，并且相关的应用落地较多，方案较为成熟。淘宝主推购物，在淘宝界面中，当选择某个商品的时候，可以通过图像匹配的方式去搜索类似的宝贝图像，增强了导购性；在百度的搜索网页中，图像搜索中增加了以图搜图的方式，即导入一张图像，百度会搜索出相关的图像，提高了搜索的精准度，并且能够搜索无法知道名称的图像。商汤科技将图像检索用于人脸识别技术中，通过摄像头提取了人脸的五官、纹理等特征之后，在图像库中进行人脸检索，能够实现人脸的身份识别。相信随着科技的进步，越来越多基于手势识别的应用将会得到落地，并且更加的智能化、集成化[6]。

1.3 论文的组织结构

本文主要研究了基于图像处理的图像检索算法，并通过 MATLAB 软件开发出了相关的图像检索系统，系统能够提取图像的特征，并在库中检索相关的图像。

第一章节主要介绍论文的研究背景，以及国内外对于图像检索算法的研究成果；

第二章节介绍了图像预处理算法，包括图像空间转换、图像去噪；

第三章节介绍了图像特征提取算法，主要利用颜色集特征实现图像特征提取；

第四章节主要介绍了图像检索算法，本文利用最小距离法实现了图像检索功能；

第五章节介绍了图像检索系统，并对系统的界面及功能进行展示。

第2章 图像的预处理

图像预处理技术是图像处理技术中最基础但是又不可或缺的步骤。图像预处理技术就是通过一系列的图像数据操作，比如灰度化，滤波等技术，对图像的数据进行筛选、校正、增强等等。摄像头采集的原始图像中，往往包含大量的冗余信息，针对不同的图像处理任务，冗余信息的定义也不同，这些冗余数据的存在会干扰后续的图像处理任务。因此需要通过一系列的预处理算法将冗余信息去除，只保留有用信息。本文选择对图像进行色彩空间转换以及滤波去噪处理。

2.1 图像色彩空间转换

图像识别算法首先需要进行图像数据的采集，图像都是通过传感器采集而来，大部分的传感器图像编码方式是基于RGB色彩空间，即图像由三个R,G,B通道组成,每个通道的灰度值范围为0-255，三个通道的值组合起来组成一幅彩色图像，该色彩模型可以表示上千万的颜色。R、G、B模型是最常用、最广泛以及最符合人眼感官视觉的色彩模型。RGB色彩模型适用于大多数的图像处理任务，但是也有部分图像处理任务需要将色彩模型进行转换。部分色彩图像检索任务在RGB色彩空间很难进行分割，通常需要将图像转换至其他色彩空间处理[7]。

本文将图像转换至HSV空间进行处理。HSV空间即H（色调），S（饱和度），V（明度）。基于RGB空间采集的图像很容易收到光照的影响，三色模型中其值都是灰度值，灰度值容易受到图像光照、环境光的影响，当拍摄场景亮度较大时，三个通道灰度值都较大，色彩容易失真，丢失其原本色彩属性。而在HSV空间中，目标物体的色彩不会随着光照的改变而改变，物体原本是什么颜色，拍摄出来之后，HSV空间中仍然呈现原始颜色，对于复杂背景及光照环境变化的图像处理任务，HSV模型更优于RGB色彩模型。

本文将图像从RGB空间转换至HSV空间，效果如下：

图 2-1    色彩空间转换前

图 2-2    色彩空间转换后

2.2 图像去噪

图像去噪是图像预处理的常用方式之一，其主要目的是去除图像中冗余信息。图像噪声的产生原因很多，在图像采集过程中，由于图像采集设备的电子元器件、外界环境光、现场环境干扰，图像中会产生噪声；在图像的传输过程中，图像要经过一系列的编码、压缩过程，也会产生大量的噪声；在图像保存过程中，图像的格式转换，图像尺寸的缩放都会对图像产生影响，造成图像噪声增多，图像质量下降。噪声的存在会降低图像分割精度以及图像识别的准确度，冗余的信息也会提高算法运算的时间，对于实际工程应用造成一定的影响。图像去噪算法可以将图像中的冗余噪声信息去除掉，提高算法的处理准确性，有效地提升程序运行速度，图像去噪过程也会保护目标图像的边缘以及主体部分，在保留有效信息的同时去除冗余信息。

本文去噪方式选择中值滤波。中值滤波是高效且有效的去噪算法，其对于椒盐噪声的去除十分有效，是常见的图像去噪方式之一。中值滤波原理是利用滤波窗口在原始图像中进行移动，利用窗口的中值对窗口中心像素的像素值进行替换。中值滤波首先需要选择一个合适的滤波窗口，滤波窗口的形状以及大小决定了中值滤波的性能和效果，要想取得理想的中值滤波效果，窗口需要根据图像像素大小以及噪声特性进行合理选择。然后选择窗口移动步长以及移动方向，可以对特定方向的图像进行去噪处理，移动步长越短，去噪效果越细腻，但是耗费的时间越久。选择好窗口之后进行图像滤波处理，按照移动步长在图像上移动滤波窗口，计算滤波窗口的所有像素值，对像素值进行从大到小的排序，取像素中值替换掉窗口中心点的像素灰度值。对图像中所有目标像素点循

环处理，得到最终的去噪图像。由于目标物体的像素灰度值都是平稳过渡的，而噪声像素点的灰度值通常比周围的灰度值相差很大，通过中值替换操作，可以保证原始目标图像的像素点灰度值变动很小，而噪声点灰度值更加接近目标灰度值，从而达到去除噪声的目的[8]。

本文针对待检索图像选择中值滤波进行去噪处理。滤波公式如下：

滤波去噪效果如下所示：

图 2-3    中值滤波去噪图像

第3章 图像特征提取

3.1 图像常用特征

对于图像的检索、分类、识别，都需要提取图像的特征进行识别，目前常用的图像特征有以下几类。

1、空间几何特征

空间几何特征是最为直观的图像特征之一，常用于图像的分类、尺寸测量以及图像识别工作，相同目标图像的这些几何特征，都是相同或者近似的，根据几何特征可以准确对图像进行分类。常用的图像几何特征有图像的矩形度、圆形度、离心率、矩形度、角点等，这些特征都是图像目标固有的特征，不同类别的图像，其空间几何特征相差较大。空间几何特征的提取通常都是将图像分割出来，对图像进行二值化处理，检测二值化图像的连通域、长、宽、像素点个数，从而得到最终的识别结果。

2、图像边缘特征

图像边缘特征主要是指的目标图像中梯度变化最大的区域，常用的边缘特征属性有边缘的数量、边缘的强度、边缘的宽度等等。边缘特征的提取常用的方法有一阶导数，二阶导数，形态学处理的方式，边缘特征的提取，常用于车牌定位、字符定位、目标分割等图像处理任务。图像边缘特征是一种直观且简单有效的特征。

3、纹理特征

图像纹理特征和图像的边缘特征比较相似，是物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理特征体现了图像局部像素块的细腻或者疏密程度，不同于图像边缘特征的直观，纹理特征很多都是很细微的，人体肉眼难以察觉的，所以图像纹理特征用于更高精度的图像分类任务。常用的纹理特征有灰度共生矩阵、gabor特征、LBP特征等等。

4、颜色特征

颜色特征是图像最常用且最直观的特征之一，物体在画面中都会呈现不同的颜色，通过颜色的聚类分析，可以将图像分成不同的类别。常用的图像颜色特征有颜色直方图特征、颜色矩特征、颜色集特征、分块颜色特征等等。不同的分类任务所选择的颜色特征也不同，需要根据任务进行合理的选择。

3.2 图像颜色集特征

本文选择图像的颜色集特征进行检测，颜色集特征主要是将图像进行归一化至相同大小，然后对图像的色彩进行量化，对量化后的图像进行分块检测颜色，并将检测结果组成一个集合，得到颜色集特征，颜色集特征的模型选择HSV模型，HSV模型更加符合人眼视觉特性，且受光照影响较小。

3.2.1 图像归一化

不同大小的图像，由于图像尺寸不同，图像的色彩含量以及占比都不同，如果直接进行特征匹配，则匹配结果会不准确。所以需要对图像进行归一化处理，归一化即将图像转换为相同大小的图像。

本文的归一化方式选择最近邻插值的方式，最近邻插值即对图像的每个像素点进行统计，将像素点的灰度值替换为最近像素点的灰度值，从而在调整图像尺寸的同时，不会很大程度上影响图像的灰度值，使得最终的视觉效果更加符合原始图像。最终将图像归一化为300像素宽，300像素高的图像。

3.2.2 颜色量化

本程序将图像转换至HSV空间之后，如果在HSV空间直接对每个像素点的颜色进行提取，那么每个像素点的颜色种类有256种，数量巨大，对于程序的运算效率影响很大，并且分类精度并没有提高，所以算法首先需要对HSV空间的颜色进行量化。量化的含义即将不同大小的灰度值，按照不同的区间进行打标签，比如原始图像像素点灰度值为20，其所属图像量化区间为0，那么该点的标签即为0，灰度值设置为0即可。根据人眼的视觉特性，将HSV空间的颜色分别不均匀量化为个8，3，3个区域，不同的量化区间如下：

为便于后续的，将颜色特征按照以下公式构造为一个特征向量：

从量化结果可以看出，程序最终将图像量化为一个72柄的特征向量。

3.2.3 图像分块

由于图像的尺寸较大，统计每个像素点进行目标检索匹配，程序的开销会比较大，运算量也很大。本文选择图像分块操作，将图像分为不同的程序块，对每个块进行颜色统计，则可在保证颜色特征完整的情况下，提高程序运算效率，简化程序的结果，提高后续的匹配速度。分块的大小也影响后续的匹配，本程序将图像归一化至300*300的尺寸，考虑每列和每行搜索100个像素组成一个块，也就是单个块大小为100*100，最终图像得到9个100*100的块，提取的特征就是9*72的图像颜色特征。

第4章 图像特征检索

4.1 常用的图像特征检索算法

图像特征的检索分类算法有很多，常用的图像检索分类算法有以下几种：

1、模板匹配

模板匹配算法是将待测图像特征与图像库中图像特征进行一一匹配，取最相近的图像作为最终的分类结果的算法。模板匹配算法的速度较快，且不需要复杂的网络训练、调参数过程，是简单且有效的一种图像检索算法，但是对于复杂的图像检索任务，其检索精度可能会降低。

2、支持向量机（SVM）分类算法

SVM是机器学习的分类算法中较为经典的分类算法，SVM算法主要用于图像的二分类任务，采集需要分类的图像，将图像分成两类样本，一类正样本，一类负样本，通过这些样本的特征训练SVM模型，训练模型之后利用模型对图像进行分类。SVM算法主要用于小样本的分类，当分类样本太多以及分类类别太多时，SVM不适用。

3、深度学习算法

目前最为火热的图像分类研究领域是深度学习领域，深度学习技术依靠其精准、智能的优势，逐渐替代了传统的分类方式，成为目前主流的研究方向之一。深度学习分类技术主要是对训练集图像进行标注，将标注图像输入神经网络模型中进行训练，系统会自动调整参数获得最优的神经网络，以后每次识别只需要调用训练好的神经网络即可。由于神经网络是在更高的维度进行训练，所以其精度会超越人眼的分类识别结果。但是深度学习算法对于硬件的要求较高，普通的机器跑深度学习算法会十分耗时以及占用CPU，深度学习技术也需要标注大量的图像，前期对于人力、物力的投入较高。

4.2 最小距离法

最小距离法是简单且有效的特征、图像、数据的分类方式之一，其原理是统计训练集的特征数据，将训练集的特征数据组成向量或者数组，图像分类或者检索时，利用待测图像的特征与训练集的特征进行距离的计算，最终得到多

个距离数组，在距离数组中寻找距离最小的值，则该值为最小距离，对应的图像类别也就是最终的分类类别。

常用的分类器距离有以下几种：

1、欧氏距离：

欧氏距离是最容易理解的距离计算方法之一，它由欧氏空间中两点之间的距离公式推导而来。

(1)二维平面上两点a（x_1，y_1）和b（x_2，y_2）之间的欧氏距离：

(2)三维空间中两点a（x_1，y_1，z_1）和b（x_2，y_2，z_2）之间的欧氏距离：

2、曼哈顿距离：

曼哈顿距离是几何度量空间中的一个几何术语，用于表示标准坐标系中两点的绝对轴距之和。公式如下：

3、闵可夫斯基距离：

Min的距离不是一个距离，而是一组距离的定义。两个n维变量a（x_11，x_12…x_1n）和b（x_21，x_22…x_2n）之间的闵可夫斯基距离定义为：

其中p是一个可变参数。当p=1时，就是曼哈顿距离，当p=2时，就是欧几里得距离，当p→∞, 这是切比雪夫距离，如果P不同，则公式不同。因此，使用不同的参数P，Min的距离可以表示一种距离。

本程序选择欧氏距离进行最终的目标检索匹配。详细的分类步骤如下：

(1)确定类别m，并提取每一类所对应的已知的样本。本程序选择训练集样本14类，每类样本中10张图像，测试样本14类，每类样本中2张图像。

(2)从样本中提取出一些可以作为区分不同类别的特性，也就是我们通常所说的特征提取，如果提取出了n个不同的特性，那么我们就叫它n维空间，特

征提取对分类的精度有重大的影响。

(3)分别计算每一个类别的样本所对应的特征，每一类的每一维都有特征集合，通过集合，可以计算出一个均值，也就是特征中心。

(4)通常为了消除不同特征因为量纲不同的影响，我们对每一维的特征，需要做一个归一化，或者是放缩到（-1,1）等区间，使其去量纲化。

(5)利用选取的距离准则，对待分类的本进行判定。最终的判定结果及为图像检索结果。

第5章 图像检索系统开发

5.1 GUI 界面设计

本文选择Maltab进行系统开发，Matlab是图像处理的专业软件，其GUI界面功能能够为用于提供可视化界面开发，类似于C#的winform桌面，C++的QT桌面程序，GUI界面软件也是桌面应用系统，具有丰富的人机交互控件。常用的图像处理控件比如坐标轴控件，可以用来显示原始图像和处理结果图像；按钮控件，可以实现功能的点击与命令的下发；文本框控件可以实现界面信息提示以及文字信息展示；下拉框控件可以实现内容的隐藏与展示，节省界面空间；表格控件可以清晰地展示图像处理的数据结果，便于对比。丰富的控件极大程度上提高了软件系统的自动化水准与人机交互水准，使得软件更加符合工程实际应用的需要。

具体的系统开发过程如下：

新建空白GUI界面，此时得到两个文件，一个是.fig类型的文件，主要用于界面的编辑，信息的展示，另一个是.m控件，.m控件主要用于系统的程序编程，是系统的代码文件，新建界面如下：

图 5-1 新建 GUIDE 文件选择界面

点击新建GUI界面按钮之后，程序会自动跳转至GUI编辑界面，编辑界面分为4块，第一块是左侧的控件栏，控件栏里面有很多的控件，需要根据程序开发的需要选择合适的控件；第二块是顶部的菜单栏，菜单栏主要是文件的操作以及界面布局工具，用于调整界面效果；第三块是右侧的界面编辑区域，主要用于界面的编辑；第四块是下方的信息显示界面，用于显示当前点的位置和坐标。GUIDE 编辑界面如下：

图 5-2 GUI 编辑界面

新建空白GUI之后，开始进行控件的放置与界面布局美化，在空白处放入坐标轴，用于显示图像，放入按钮用于实现功能，放入文本框用于信息提示以及文字结果的显示，效果如下：

图 5-3 界面设计

鼠标双击控件，即可进入控件的属性编辑界面，属性编辑界面中可以对控件的名称、显示内容、字体大小、背景颜色等信息进行编辑，效果如下：

图 5-4 控件参数编辑界面

右键点击按钮控件，选择callback，界面会自动跳转至后台程序编辑界面，在相应的callback控件下输入相关的代码，即可完成控件的点击事件绑定。

图 5-5 函数编辑界面

对各种函数进行编辑后，即可运行程序，最终的程序运行界面如下：

图 5-6 运行效果图

5.3运行结果及分析

在对程序进行调试与修改后，运行程序并且输入图像，点击打开图像按钮，程序可以选择一张图像显示到GUI界面中，效果如下：

图 5-7 打开图像按钮

点击颜色空间转换按钮，可以将图像转换至HSV空间，并显示H、S、V三个空间的图像，效果如下：

图 5-8 颜色空间转换按钮

点击图像去噪按钮，程序可以利用中值滤波的方式进行归一化、图像去噪操作，并显示最终的去噪结果。

图 5-9 图像去噪按钮

点击特征提取按钮，程序可以提取待测图像的颜色特征，并显示量化后的HSV图像，效果如下：

图 5-10 图像特征提取按钮

点击图像特征训练按钮，可以对库中的图像进行训练和分类，点击图像检索按钮，可以利用最小距离法进行特征的匹配和目标检索，效果如下：

图 5-11 图像检索按钮

对不同的图像进行检索，效果如下：

运行程序，可以看出程序能够读取不同的图像进行显示，点击识别按钮，可以显示图像处理的每一个过程，提取图像特征并利用最小距离法进行识别，最终进行检测结果的展示。通过大量的图像测试，图像检索的准确率较高，并且系统的人机交互功能较好，运行效率较高，符合工程应用的实际需求。

第6章 总结与展望

本课题主要是对图像检索算法进行研究，算法方面采用了图像预处理、图像特征提取以及图像特征识别算法，系统界面方面采用了Matlab进行GUI界面开发，经过大量图像测试，系统能够读取不同图像进行图像检索。具体的工作内容如下：

1、对图像的构成以及像素相关知识进行了学习，了解了图像的采集、压缩、传输、保存等过程，学习了图像基本操作相关知识。

2、研究了图像预处理过程，本课题主要是利用色彩空间转换方式将原始图像转换至HSV空间，利用中值滤波进行去噪处理；

3、研究了图像特征提取，本文主要提取图像的颜色特征，将图像转换至HSV空间，通过图像归一化、图像颜色量化、图像分块等操作，实现图像的颜色集特征提取；

4、研究了图像检索算法，图像检索算法利用欧氏最小距离法实现，通过比较待测图像的颜色特征，与库中的特征进行最小距离搜索，实现图像分类；

5、学习了 Maltab系统界面开发方法，将图像检索算法嵌入至GUI界面当中，实现了良好的人机交互效果，并进行了大量的图像测试。

研究取得上述成果同时，也存在以下不足：

1、图像分类检索算法的特征值提取不够，只提取了1种图像颜色特征，实际应用过程中由于系统的复杂性，1种特征的识别鲁棒性可能会比较低，后续需要根据实际需要提取更多的特征增强系统的稳定性。

2、缺乏对算法进行对比和改进，目前只是实现了单一的一种算法，并没有和其他优秀算法进行对比，后续需要进行多种算法仿真，并不断改进自己的算法。

参考文献

[1]马绍覃, 张鸿. 基于PCA的哈希图像检索算法[J]. 计算机工程与设计, 2020, 41(2):5.

[2]顾军华, 王锋, 戚永军,等. 基于多尺度卷积特征融合的肺结节图像检索方法[J]. 计算机应用, 2020, 40(2):561-565.

[3] Hongjia Zhai et al. Deep Transfer Hashing for Image Retrieval[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2020, PP(99) : 1-1.

[4] Smith J R , Chang S F . Tools and techniques for color image retrieval[J]. Proceedings of SPIE - The International Society for Optical Engineering, 1996, 2670.

[5] Bel K , Sam I S . Black Hole Entropic Fuzzy Clustering-Based Image Indexing and Tversky Index-Feature Matching for Image Retrieval in Cloud Computing Environment[J]. Information Sciences, 2021, 560(27).

[6]张斌. 基于颜色网络图像检索方法设计及应用探讨[J]. 普洱学院学报, 2021, 37(6):3.

[7]田佳莉, 常丽. 基于颜色空间和Hu不变矩的图像检索方法[C]// 第十七届沈阳科学学术年会论文集. 2020.

[8]王春静, 刘丽, 谭艳艳,等. 基于模糊颜色特征和模糊相似度的图像检索方法[J]. 计算机科学, 2021, 48(8):9.

[9]靳婷婷, 胡燕翔, 李博达. 基于分块主颜色特征和EHD的图像检索方法[J].  2022(3).

[10] 郑启财, 曾智勇, 池燕玲. 改进的基于颜色和SIFT特征的图像检索方法[J].  2022(11).

[11] 孙滨, 扬扬. 综合分块颜色和基元共生矩阵的图像检索方法[J].  2022(12).

[12] 陈倩, 陶彬娇, 潘中良,等. 主颜色提取算法及其在服装图像检索中的应用[J].  2022(1).

[13]康朝红, 刘鑫淼, 黄静. 基于HSV颜色直方图的图像检索算法性能分析[J].  2022(7).

[14]陆伟艳, 郑鑫. 基于MATLAB/GUI的图像语义自动标注系统[J]. 软件, 2017, 38(4):5.