李珍 亢潔 劉兆邦 陸千琦 謝璟

摘要：針對(duì)特征復(fù)雜的皮膚病受損區(qū)域圖像難以用單個(gè)特征準(zhǔn)確表達(dá)，且低層視覺(jué)特征與高層語(yǔ)義空間之間存在語(yǔ)義鴻溝，造成皮膚病受損區(qū)域圖像檢索困難的問(wèn)題，提出了一種基于多特征組合和SVM相關(guān)反饋的皮膚病圖像檢索方法。首先對(duì)預(yù)處理之后的皮膚病受損區(qū)域的圖像進(jìn)行多特征提取并進(jìn)行組合，然后采用歐式距離相似度模型對(duì)皮膚病受損區(qū)域圖像初步檢索，最后引入了帶有衰減系數(shù)的SVM相關(guān)反饋算法，提高皮膚病受損區(qū)域圖像的檢索準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，引入帶有衰減系數(shù)SVM相關(guān)反饋的方法可以檢索到更多的相關(guān)圖像，明顯提高了檢索的查準(zhǔn)率。

關(guān)鍵詞： 皮膚病受損區(qū)域； 多特征組合； 圖像檢索； SVM相關(guān)反饋； 衰減系數(shù)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2019）05-0178-04

An Algorithm for Skin Disease Image Retrieval Based on Multi-feature Combination and SVM Relevance Feedback

LI Zhen1， KANG Jie1， LIU Zhao-Bang2* ， LU Qian-Qi3 ， XIE Jing3

（1.College of Electrical & Information Engineering， Shaanxi University of Science & Technology， Xi'an 710021， China； 2.Suzhou Institute Of Biomedical Engineering And Technology， Chinese Academy Of Sciences， Suzhou 215163，China；3.Wenzhou People's Hospital， Wenzhou 325099 ， China）

Abstract：Aiming at the problem that the image of damaged area with complex features can not be accurately expressed by a single feature， and there is a semantic gap between low-level visual features and high-level semantic space， which makes it difficult to retrieve the image of damaged area of skin diseases， a skin disease image retrieval method based on multi-feature combination and SVM relevance feedback is proposed. Firstly， the multi-feature extraction and combination of the images of the skin lesions after preprocessing are carried out. And then the Euclidean distance similarity model was used to search the images of the damaged areas of the skin disease. Finally， an SVM relevance feedback algorithm with attenuation coefficient is introduced to improve the retrieval accuracy of images in damaged areas of skin diseases. The experimental results show that the introduction of the SVM relevance feedback method can retrieve more related images ，it is concluded that which signi ficantly improves the precision of the search.

Key words：skin disease damaged area； multi-feature combination； image retrieval； SVM relevance feedback； attenuation coefficient

1 引 言

隨著生活水平的提高，皮膚的健康問(wèn)題也越來(lái)越成為人們關(guān)注的話題，然而皮膚病逐漸成了高發(fā)常見(jiàn)病，如血管瘤、惡性黑毒瘤等皮膚疾病嚴(yán)重威脅人類(lèi)的皮膚健康甚至生命[1-3]，如何將多種典型的皮膚病圖像運(yùn)用圖像處理、計(jì)算機(jī)視覺(jué)等理論將用普通攝像機(jī)、相機(jī)，手機(jī)等移動(dòng)設(shè)備采集的皮膚病圖像應(yīng)用在圖像檢索中，使醫(yī)生或用戶(hù)快速有效地檢索到有價(jià)值的目標(biāo)圖像，建立一個(gè)高效、準(zhǔn)確的皮膚病圖像檢索系統(tǒng)成為一個(gè)迫切需要解決的問(wèn)題[4-5]。

文獻(xiàn)[6]提取圖像的顏色和形狀特征對(duì)待查詢(xún)圖像進(jìn)行初步圖像檢索，通過(guò)對(duì)檢索結(jié)果進(jìn)行正例和負(fù)例標(biāo)注獲得訓(xùn)練樣本，并用 SVM 對(duì)獲得的累計(jì)的訓(xùn)練樣本構(gòu)造線性分類(lèi)器，捕獲用戶(hù)的檢索意圖，但在反饋過(guò)程中缺少圖像本身的視覺(jué)特征信息；文獻(xiàn)[7]采用相關(guān)反饋算法對(duì)遙感圖像檢索時(shí)，將圖像的多特征相似性度量函數(shù)和 SVM 分類(lèi)器函數(shù)進(jìn)行線性加權(quán)，作為相關(guān)反饋中的相似性度量準(zhǔn)則.然而圖像相似性度量函數(shù)中，圖像特征分量并沒(méi)有對(duì)應(yīng)的權(quán)重值，這樣的遙感圖像相似性度量模型并不能充分表達(dá)豐富的圖像內(nèi)容；文獻(xiàn)[8-12]提出基于語(yǔ)義的圖像檢索算法，通過(guò)建立一種低層視覺(jué)特征和高層語(yǔ)義特征的映射，如語(yǔ)義模型、相關(guān)反饋等，提高了圖像檢索的準(zhǔn)確率，但基于語(yǔ)義的圖像檢索算法如果反饋次數(shù)多，圖像檢索的實(shí)時(shí)性較差。

針對(duì)傳統(tǒng)的圖像檢索模型存在內(nèi)容描述不充分，且在計(jì)算相似度時(shí)缺乏語(yǔ)義信息，造成低層視覺(jué)特征與高層語(yǔ)義空間之間存在嚴(yán)重的語(yǔ)義鴻溝問(wèn)題，本文根據(jù)皮膚病圖像的復(fù)雜多變的背景，采用基于內(nèi)容的圖像檢索的方法來(lái)檢索與目標(biāo)圖像相同或類(lèi)似的皮膚病類(lèi)型，對(duì)傳統(tǒng)的檢索模型加入了預(yù)處理過(guò)程、多特征組合和引入帶有衰減系數(shù)的SVM相關(guān)反饋過(guò)程，可以檢索到更多的相關(guān)圖像，提高檢索的查準(zhǔn)率。

2 基于多特征組合的SVM相關(guān)反饋檢索模型

本文采用了多特征組合和SVM相關(guān)反饋的檢索方法，對(duì)所選取的皮膚病圖像進(jìn)行相似性檢索并及時(shí)捕捉用戶(hù)的意圖，從而獲得符合用戶(hù)意圖的正確的皮損圖像。本文中的基于多特征組合的支持向量機(jī)相關(guān)反饋的皮膚病圖像檢索系統(tǒng)的算法流程圖如圖1所示。

本文主要的步驟如下：

Step1：對(duì)采集的皮損圖像進(jìn)行預(yù)處理，首先對(duì)圖像大小、格式、命名統(tǒng)一后，再進(jìn)行小波閾值去噪、直方圖均衡化，拉普拉斯變換（Laplace Transform）銳化后增強(qiáng)邊緣細(xì)節(jié)的等處理，增強(qiáng)圖像中的皮膚病圖像的受損（以下簡(jiǎn)稱(chēng)皮損）區(qū)域的相關(guān)特征信息。

Step2： 對(duì)經(jīng)過(guò)預(yù)處理之后的皮損圖像庫(kù)進(jìn)行顏色相關(guān)圖特征、LBP紋理特征、HU矩形狀特征提取，在經(jīng)過(guò)特征歸一化后，進(jìn)行權(quán)重賦予初值后進(jìn)行多特征組合，獲取皮損圖像的綜合性特征信息。

Step3： 對(duì)查詢(xún)圖像執(zhí)行Step1～Step2步驟后，采用歐式距離公式計(jì)算查詢(xún)圖像與皮損庫(kù)圖像的相似性大小，并按照相似性大小進(jìn)行倒排索引，輸出最相似的Top-N張圖像作為該張查詢(xún)圖像的初步檢索結(jié)果。

Step4： 用戶(hù)對(duì)前Top-N張圖像進(jìn)行標(biāo)記，并進(jìn)行引入衰減系數(shù)的SVM相關(guān)反饋，按照Step3中的計(jì)算出的每張圖像的權(quán)值大小進(jìn)行降序排序，并輸出Top-N張檢索圖像。

Step5： 若用戶(hù)對(duì)檢索結(jié)果不滿(mǎn)意則繼續(xù)返回Step4，滿(mǎn)意則結(jié)束，最后輸出用戶(hù)令滿(mǎn)意的Top-N張圖像。

2.1 皮膚病圖像預(yù)處理

由于采集皮膚病的客觀條件復(fù)雜多變，為了提高皮損檢索的效率，將圖像庫(kù)與待查詢(xún)圖像進(jìn)行相同的預(yù)處理后，進(jìn)行后面的圖像檢索工作。

圖像預(yù)處理的目的是提高圖像質(zhì)量，盡可能消除圖像的冗余信息，增強(qiáng)圖像中的相關(guān)特征信息。本文先對(duì)圖像庫(kù)中的圖像進(jìn)行小波閾值去噪，并對(duì)去噪后的圖像進(jìn)行直方圖均衡化，再進(jìn)行拉普拉斯變換銳化后增強(qiáng)邊緣細(xì)節(jié)。

2.1.1 圖像小波閾值去噪

由于在采集、編碼或傳輸過(guò)程中，既遭受了信號(hào)噪聲，皮膚病圖像自身也包含噪聲，因此圖像去噪過(guò)程十分重要。對(duì)于圖像而言，噪聲多是高斯白噪聲，將含噪聲的圖像數(shù)學(xué)模式描述為式（1）所述形式：

[f（i，j）=G（i，j）+Z（i，j）] （1）

其中，[f（i，j）]是含噪聲圖像，[G（i，j）]是不含噪聲圖像，[Z（i，j）]是高斯白噪聲，[i]與[j]表示圖像像素位置，[Z（i，j）]服從正態(tài)分布[N（0，δ2）]。

本文利用小波閾值去噪，即選取合適的閾值對(duì)小波系數(shù)進(jìn)行處理，把小波系數(shù)大于閾值的信號(hào)系數(shù)保留，使小波系數(shù)小于閾值的噪聲系數(shù)去除，達(dá)到去噪的目的。小波去噪的流程框圖如圖2所示，其中的閾值的選取和閾值的量化處理是小波閾值去噪的關(guān)鍵，合理選擇正確的閾值和量化才能夠有效地對(duì)信號(hào)進(jìn)行去噪。

在對(duì)采集的圖像進(jìn)行小波去噪之后，本文選取軟閾值去噪圖像進(jìn)行處理，圖3中的（b）圖是軟閾值去噪去噪圖。然后將去噪后的圖像進(jìn)行直方圖均衡化后將像素值調(diào)整在0-255范圍內(nèi)，并采用變換后進(jìn)行細(xì)節(jié)增強(qiáng)。進(jìn)行直方圖均衡化和Laplace變換后的效果圖分別如圖3皮損預(yù)處理算法效果圖中的（c）圖與（d）圖所示。

3 多特征組合

由于皮損圖像的顏色、皮損的肌理、皮損的形狀的特征明顯，視覺(jué)上可以直接獲取到皮損的主要信息，因此本文主要在皮損的顏色、紋理、形狀特征上進(jìn)行描述。單一特征并不能很好地對(duì)皮膚病圖像進(jìn)行檢索，綜合特征更符合人的視覺(jué)要求，同時(shí)提取顏色、紋理、形狀，并融合這三類(lèi)特征的相似性測(cè)度構(gòu)建總體相似性測(cè)度，能夠提升整體檢索結(jié)果的查準(zhǔn)率和查全率，較為全面地描述圖像，增強(qiáng)檢索結(jié)果的準(zhǔn)確性和可靠性。

本文根據(jù)皮損圖像所包含的圖像內(nèi)容信息，對(duì)皮損的顏色相關(guān)圖特征、局部二值模式（LBP）紋理特征以及Hu形狀特征進(jìn)行特征提取。

3.1 顏色相關(guān)圖、LBP紋理特征、Hu形狀特征提取

本文采用顏色相關(guān)圖特征對(duì)皮損區(qū)域的顏色以及皮損區(qū)域其他區(qū)域的漸變信息進(jìn)行描述，統(tǒng)計(jì)皮損區(qū)域的像素在一定距離內(nèi)的顏色變化程度，其中用距離集合來(lái)描述顏色的變化程度，設(shè)距離集[d={d0，d1，d2，d3}]，顏色相關(guān)圖描述距離為[d]，則生成的直方圖Bin的大小根據(jù)式（2）計(jì)算：

[Bin（Ci，Cj）=x，y{I（x，y，Ci）-I（x，y，Cj）=d}] （2）

其中，[*]表示像素值為[Ci，Cj]的兩個(gè)像素的空間距離，然后統(tǒng)計(jì)像素個(gè)數(shù)。本文提取64維顏色相關(guān)圖特征。

由于皮膚表面的凹凸不平、甚至有些皮損明顯突起高于周?chē)鷧^(qū)域，皮損的溝紋在視覺(jué)上形成紋理，本文采用Ojala定義的均值局部二值模式（uniform local binary patterns）提取59維的皮損紋理特征。

同樣的，皮損的形狀信息能夠?qū)ζp的形狀進(jìn)行描述，本文根據(jù)式（3）進(jìn)行計(jì)算并提取7維Hu矩形狀特征：

[Φ1=（η2，0+η0，2）Φ2=（η2，0-η0，2）2+4η1，12Φ3=（η3，0-3η1，2）2+（3η1，2-η0，3）2Φ4=（η3，0+η1，2）2+（η2，1+η0，3）2Φ5=（η3，0-3η1，2）（η3，0+η1，2）[（η3，0+η1，2）2-（3η2，1+η3，0）2]+（3η2，1-η0，3）（η2，1+η0，3）[3（η3，0+η1，2）2-（η2，1+η0，3）2]Φ6=（η2，0-η0，2）[（η3，0+η1，2）2-（η2，1+η0，3）2]+4η11（η3，0+η1，2）（η2，1+η0，3）Φ7=（3η2，1-η0，3）（η1，2+η3，0）[（η3，0+η1，2）2-3（η1，2+η3，0）2]-（η3，0-3η1，2）（η2，1+η0，3）+[3（η3，0+η1，2）2-（η2，1+η0，3）2]] （3）

3.2 多特征組合

由于本文提取的顏色、紋理、形狀特征中各特征的維數(shù)不同，且描述不同的皮損特性，無(wú)法直接進(jìn)行比較和分析，因此需要對(duì)這些特征進(jìn)行特征歸一化，使得各特征處于同一數(shù)量級(jí)別進(jìn)行綜合性衡量。在對(duì)提取出的各特征歸一化后，進(jìn)行相似度測(cè)度層面的特征組合，首先要計(jì)算待查詢(xún)圖像與圖像特征庫(kù)的相似度距離，本文使用了歐式距離測(cè)度，根據(jù)式（4）計(jì)算，其中A為待查詢(xún)圖像特征向量，B為圖像特征庫(kù)在N維空間的特征向量。

[EMD（A，B）=i=1N（Ai-Bi）2] （4）

在計(jì)算出待查詢(xún)的皮損圖像與庫(kù)中的皮損圖像的歐式距離后，然后依據(jù)相似度測(cè)度的線性融合規(guī)律，數(shù)學(xué)公式描述如式（5），n是提取的特征數(shù)目：

[Sfusion=α1S1（F1）+α2S2（F2）+...αnSn（Fn）] （5）

[Sfusion]是融合后的相似度測(cè)度，[αi]是相似度測(cè)度分量[ Si]在融合后的相似測(cè)度[Sfusion]所占據(jù)的比重，由于不同種類(lèi)圖像的相似度距離所占比例不同，因此賦予的每個(gè)特征的相似度距離相同的初始權(quán)重。

4 SVM相關(guān)反饋

為了縮小底層視覺(jué)信息與高層抽象描述存在的語(yǔ)義差異，本文采用SVM相關(guān)反饋算法對(duì)皮損樣本進(jìn)行學(xué)習(xí)與檢索，算法的主要步驟為：

Step1：對(duì)多特征的相似度進(jìn)行加權(quán)組合后，按照相似度大小進(jìn)行檢索，檢索結(jié)果返回前Top-N張最相似皮損圖像記為[U]。

Step2：對(duì)初步皮損檢索結(jié)果進(jìn)行相關(guān)皮損樣本數(shù)據(jù)集[I+1（I+1∈U）]和不相關(guān)皮損樣本數(shù)據(jù)集[I-1（I-1∈U）]標(biāo)記，且其中[I+1?I-1=?]。

Step3： 皮損樣本集更新。更新歷次返回的累積相關(guān)皮損樣本集[I+=（I+?I+1）-I-1]，不相關(guān)皮損樣本集[I-=（I-?I-1）-I+1]。

Step4： 準(zhǔn)備相關(guān)反饋學(xué)習(xí)的訓(xùn)練樣本集[（xi，yi）]

[xi∈（I+?I-）]，[yi=1xi∈I+-1xi∈I-]，并利用SVM分類(lèi)器對(duì)樣本集進(jìn)行訓(xùn)練 ，構(gòu)建的分類(lèi)器為式（6）：

[f（x）=iαiyiK（x，y）+b] （6）

Step5： 對(duì)待查詢(xún)皮損圖像[Q（xi）]，計(jì)算[w（Qi）=-f（xi）]，并引入衰減系數(shù)[β] 來(lái)進(jìn)一步更新每一張圖像的權(quán)值，權(quán)值根據(jù)式（7）計(jì)算

[w（Qi）=（1-β）w（Qi）+f（xi）] （7）

其中[β]為衰減系數(shù)，[β∈[0，1]]

Step6： 按照Step5中的每張圖像的權(quán)值大小進(jìn)行降序排序，并返回檢索圖像，若用戶(hù)對(duì)檢索結(jié)果不滿(mǎn)意則繼續(xù)返回Step3，滿(mǎn)意則結(jié)束。

4 仿真與分析

4.1 數(shù)據(jù)準(zhǔn)備

本文采用的皮膚病的皮損數(shù)據(jù)集由溫州市人民醫(yī)院使用相機(jī)采集，經(jīng)過(guò)多次的辨別、篩選之后，選擇10種類(lèi)型皮膚病作為待檢索皮膚病類(lèi)型，將每種病中的一種皮損形態(tài)的皮損圖像作為實(shí)驗(yàn)數(shù)據(jù)，包括惡性黑性黑毒瘤，草莓狀血管瘤，黑棘皮病，白癜風(fēng)等，每一類(lèi)選取50張，共500張圖像作為皮損圖像數(shù)據(jù)庫(kù)，格式為bmp，大小為256*256。選擇每一類(lèi)皮損圖像中較為典型的5張，共50張作為待查詢(xún)圖像庫(kù)。選擇查準(zhǔn)率（precision）與查全率（recall）作為評(píng)價(jià)指標(biāo)，如式（8）：

[precision=NrT] （8）

其中的[Nr]是返回檢索圖像中與待查詢(xún)圖像相關(guān)圖像的數(shù)目，[T]是檢索時(shí)返回的圖像總數(shù)，[R]是圖像庫(kù)中與待查詢(xún)圖像相關(guān)的圖像總數(shù)。

4.2 實(shí)驗(yàn)結(jié)果

本文選擇的研究對(duì)象是皮損圖像庫(kù)的500幅圖像。采用綜合特征進(jìn)行皮損圖像的檢索后，將返回的20張圖像作為初始檢索結(jié)果，并采用引入衰減系數(shù)的SVM相關(guān)反饋算法進(jìn)行相關(guān)反饋。

（1）多特征提取實(shí)驗(yàn)。為了分析多特征組合的優(yōu)勢(shì)，本文提取表征皮損特點(diǎn)明顯的顏色、紋理以及形狀特征的單一特征，并分析了單一的各特征對(duì)檢索結(jié)果以及組合特征對(duì)檢索結(jié)果的影響，圖4是10種皮損圖像的平均查準(zhǔn)率，由圖可知紅皮病、尋常性魚(yú)鱗病、惡性黑毒瘤皮損圖像紋理特征的平均查準(zhǔn)率比顏色、形狀要高，離心環(huán)狀紅斑、銀屑病、草莓狀血管瘤等皮損圖像的組合特征的皮損檢索的查準(zhǔn)率得到較大提高。

（2）SVM相關(guān)反饋實(shí)驗(yàn)。實(shí)驗(yàn)選取衰減系數(shù)參數(shù)為[β=0，0.25，0.5.0.75，1]，其中衰減系數(shù)[β∈[0，1]]，經(jīng)過(guò)多次實(shí)驗(yàn)，當(dāng)衰減系數(shù)在[β∈[0，0.25]] 時(shí)10類(lèi)皮損檢索均能夠均能夠穩(wěn)定，選擇[β=0.2]較為合適。設(shè)定每次檢索后選定返回20張圖像作為檢索結(jié)果，圖5是10類(lèi)皮膚病在引入相關(guān)反饋后，檢索系統(tǒng)的查準(zhǔn)率與反饋次數(shù)的關(guān)系圖，由圖可知隨著反饋次數(shù)的增加，查準(zhǔn)率快速提高，查準(zhǔn)率在小范圍內(nèi)變化，基本趨于穩(wěn)定，其中惡性黑毒瘤由于該皮損圖像的特征明顯，初始檢索效果明顯且經(jīng)過(guò)1次SVM相關(guān)反饋之后查準(zhǔn)率基本穩(wěn)定且趨近于1，而銀屑病由于皮損的形狀不規(guī)則，在多次檢索后查準(zhǔn)率較低，但仍逐漸趨于穩(wěn)定的狀態(tài)，側(cè)面說(shuō)明了系統(tǒng)具有較好的穩(wěn)定性。表格1是統(tǒng)計(jì)返回20張圖像檢索穩(wěn)定時(shí)的查準(zhǔn)率與反饋次數(shù)，可以明顯看出[β=0.2]時(shí)9種皮損圖像在反饋1-3次查準(zhǔn)率趨于穩(wěn)定。如圖6是本文暈痣類(lèi)皮損圖像相關(guān)反饋2次后檢索結(jié)果界面。

5 結(jié)論

針對(duì)皮損圖像檢索存在的問(wèn)題，本文提出了一種多特征組合和SVM相關(guān)反饋的皮膚病圖像檢索的方法。該方法對(duì)采集的皮損圖像進(jìn)行小波去噪、直方圖均衡化、Laplace變換的預(yù)處理之后，提取其多特征組合成綜合特征，并采用歐式距離進(jìn)行相似度計(jì)算后完成初步檢索過(guò)程，在一定程度上提高了初步檢索過(guò)程的查準(zhǔn)率；以及引入帶有衰減系數(shù)[β]的SVM相關(guān)反饋的算法后，隨著反饋次數(shù)的增加，查準(zhǔn)率也越來(lái)越高，減少SVM相關(guān)反饋次數(shù)最終趨于平衡，有效地提高皮膚病圖像檢索的準(zhǔn)確度。但目前由于缺少皮損圖像的公開(kāi)數(shù)據(jù)集，在皮損數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)效果研究還需要進(jìn)一步研究，另外，如何將基于內(nèi)容的皮損圖像檢索與包含皮損圖像癥狀描述的文本檢索有效結(jié)合起來(lái)以提高檢索效果，還需要進(jìn)一步研究。這些將是未來(lái)皮損圖像研究的主要方向。

參考文獻(xiàn)：

[1] 蒲曉蓉，王之驄，宋帥領(lǐng). 基于樸素貝葉斯分類(lèi)器的皮膚病圖像顏色特征提取方法[P].四川：CN106557771A，2017-04-05.

[2] 王興旺， 楊慧蘭. 人工智能實(shí)現(xiàn)專(zhuān)業(yè)級(jí)皮膚癌診斷：未來(lái)醫(yī)學(xué)發(fā)展動(dòng)向[J]. 實(shí)用皮膚病學(xué)雜志， 2017（3）：141-141.

[3] 于凡， 萬(wàn)艷麗， 胡紅濮. 醫(yī)學(xué)圖像檢索技術(shù)發(fā)展現(xiàn)狀[J]. 中華醫(yī)學(xué)圖書(shū)情報(bào)雜志， 2017， 26（7）：31-35.

[4]孫銀輝. 色素性皮膚病圖像預(yù)處理與內(nèi)容檢索研究[D]. 2016.

[5] 宋帥領(lǐng). 色素性皮膚病圖像的特征提取與識(shí)別[D]. 2016.

[6] 白婧文， 趙志誠(chéng). 一種新的基于SVM相關(guān)反饋的圖像檢索算法[J]. 軟件導(dǎo)刊， 2010， 09（10）：49-51.

[7] 趙理君， 唐家奎， 于新菊，等. 綜合視覺(jué)特征度量與SVM的遙感圖像檢索方法[J]. 中國(guó)科學(xué)院大學(xué)學(xué)報(bào)， 2013， 30（3）：347-352.

[8] 顧曉東， 楊誠(chéng). 新的顏色相似度衡量方法在圖像檢索中的應(yīng)用[J]. 儀器儀表學(xué)報(bào)， 2014， 35（10）：2286-2292.

[9] 閆允一， 姜帥， 郭寶龍. 結(jié)合穩(wěn)定興趣點(diǎn)和Gabor小波的圖像檢索[J]. 西安電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014， 41（5）：118-123.

[10] 劉勝藍(lán)， 馮林， 孫木鑫，等. 分組排序多特征融合的圖像檢索方法[J]. 計(jì)算機(jī)研究與發(fā)展， 2017（5）.

[11] 孫樹(shù)亮， 林雪云. 基于記憶的SVM相關(guān)反饋算法[J]. 計(jì)算機(jī)科學(xué)， 2011， 38（10）：256-258.

[12] 朱紅斌. 綜合顏色和紋理及SVM相關(guān)反饋的圖像檢索[J]. 計(jì)算機(jī)工程與應(yīng)用， 2009， 45（5）：183-185.

【通聯(lián)編輯：唐一東】