【正文】 概率檢索模型、概率推理網(wǎng)絡(luò)模型和向量空間模型。但是作為搜索引擎要考慮的方面， 既要保證抽取信息的準(zhǔn)確性，也要兼顧程序執(zhí)行中時(shí)間、空間的復(fù)雜度。如在 HTML 文檔中 img標(biāo)記以及其周圍的文字信息，與網(wǎng)頁(yè)中的插圖的內(nèi)容有著密切的聯(lián)系。 7 如今在 Web 中處理圖像檢索有很多成熟的技術(shù)，如基于 Web的數(shù)據(jù)倉(cāng)庫(kù)、 Web 數(shù)據(jù)挖掘、 Web 數(shù)據(jù)源集成技術(shù)等。 所以 ，現(xiàn)在有很多的網(wǎng)絡(luò)檢索工具，就是說(shuō)搜索引擎 使 用了智能的檢索手段 用 來(lái)增強(qiáng)它的檢索能力，而圖片檢索正是其中的一大塊內(nèi)容。 與此 同時(shí)， MPEG7標(biāo)準(zhǔn)作為基于內(nèi)容的多媒體編碼標(biāo)準(zhǔn)也正在 規(guī)劃 制定當(dāng)中， 將要 成為國(guó)際標(biāo)準(zhǔn)中的一員。 (3)基于文本內(nèi)容結(jié)合的檢索研究 融合 文本和內(nèi)容， 二者雖 然 側(cè)重不同但卻互相補(bǔ)充。 圖像檢索的發(fā)展方向 圖 像檢索技術(shù)給 了 用戶一個(gè)在互聯(lián)網(wǎng)上搜索感興趣圖 片 資源的有效手段， 依靠 文本和 依靠 內(nèi)容是圖像檢索發(fā)展的兩個(gè)分支，不過(guò)從 當(dāng)前 圖像檢索研究的趨勢(shì) 來(lái)看 ，尤其 是結(jié)合網(wǎng)絡(luò)環(huán)境下圖 片 的特征 —— 嵌入在具有文本內(nèi)容的 Web文檔中，出現(xiàn)了三個(gè)不同的研究著 重 點(diǎn)。點(diǎn)擊簡(jiǎn)圖可以 得到原圖 以及更多的信息，如著作權(quán)人和版權(quán) 信息 的相關(guān)圖像。最大特點(diǎn)就是人工干預(yù)，關(guān)鍵詞檢索是 其 主要的檢索手段。 AltaVista 覆蓋面約為 萬(wàn)維 網(wǎng)上可索引的網(wǎng)頁(yè) 之 30% (3)Scour 自稱是第一個(gè)基于 web 的多媒體搜索引擎?？梢园阉阉麝P(guān)鍵字和相似的分類目錄主題短語(yǔ)互相 作為 參照，而 且 那些主題短語(yǔ)會(huì)自動(dòng)加 入 到你的查詢 中。 通過(guò) 手工對(duì)圖像的內(nèi)容（如 顏色 對(duì)比、 反差 、 景深 等）進(jìn)行描述 和 分類，將 圖像 標(biāo)注為一系列關(guān)鍵字，并 且 建立索引。這 類 方法可 產(chǎn)生 精準(zhǔn) 的查詢體系， 可是 勞動(dòng)強(qiáng)度 過(guò) 大，因此 處理 圖像的數(shù)量有限 。每個(gè)提取出來(lái)的文檔元數(shù)據(jù)會(huì)顯示給用戶。 對(duì)當(dāng)下 所有運(yùn)行 中的搜索工具來(lái)講，基本上 都 會(huì) 有一個(gè) 機(jī)器人定期的訪問(wèn)一些站點(diǎn)，以 檢查這些站點(diǎn) 最近變化，同時(shí)找到新的站點(diǎn)。 現(xiàn) 今 的圖像檢索技術(shù) 近 些 年 伴隨著用戶對(duì)圖像搜索需求 不斷 的增長(zhǎng)，各類圖像搜索引擎由此 誕生 ，它們以不同的搜索方式為用戶提供各類 檢索途徑，使 得網(wǎng)上圖像地檢索變得簡(jiǎn)單，雖然還不太完善，但 已經(jīng)可以滿足 大多數(shù) 用戶的要求。1 WEB 中圖像的檢索技術(shù)研究 第一章 前言 引言 伴隨網(wǎng)絡(luò)技術(shù) 的迅猛 發(fā)展， 圖片的 來(lái)源不斷 在 擴(kuò)大，容量 超大 的 高速存儲(chǔ)系統(tǒng) 給 圖片 的海量存儲(chǔ) 給予 了基本保障， 各行業(yè) 對(duì)圖像的 趨于增多 ，圖像資源管理和 搜索 也 愈發(fā)重要 。 此外由于搜索引擎大多 是集中式的， 所以搜索引擎服務(wù)器 對(duì) 硬件配置 的 要求 也極高， 這樣才能處理巨大的數(shù)據(jù)量以及及時(shí)響應(yīng)用戶的檢索 請(qǐng)求； (4)不能有效解決 搜索 失效 的 問(wèn)題， 大 多時(shí)候，搜索引擎會(huì)返回 無(wú)用 的查詢結(jié)果； (5)各 種 檢索工具各行其事， 無(wú)法 相互協(xié)作， 共享資源， 也是一種資源的浪費(fèi)?？墒窃诜诸惥珳?zhǔn)性上也許 不如手工 進(jìn)行 的 分類。一個(gè)檢索 所產(chǎn)生的結(jié)果按照提取機(jī)制 的 不同 被分成不同等級(jí)提交給用戶，以關(guān)聯(lián)度的 大小排序 。進(jìn)行 歸類 ， 靠 人工對(duì)網(wǎng)上的圖像及站點(diǎn)進(jìn)行 篩選 。 (2)基于手工標(biāo)注的檢索。 對(duì)幾個(gè)基本引擎的 簡(jiǎn)單 分析 (1)InfoSeek 是一個(gè)簡(jiǎn)單 而又 功能強(qiáng)大的索引，它的 優(yōu)點(diǎn)是有面向主題搜索而且 可擴(kuò)展的 分類。 AltaVista 支持多種語(yǔ)言和簡(jiǎn)單的自然語(yǔ)言 搜索 查詢。 (4) Amazing Picture Machine 是由 NCRTEC 開發(fā)的一個(gè) 真 —— 人工建立 完全 關(guān)鍵詞式索引 。結(jié)果顯示信息非常 豐富，包括簡(jiǎn)圖、圖像大小、最后檢索 的日期、圖像文件名、圖像內(nèi)容 的描述詞、圖像所在頁(yè)面等。并有 必要的幫助和 示范 。 但是 ，基于內(nèi)容的圖像檢索建立在多媒體信息 內(nèi)容語(yǔ)義上，可以 更為客觀地反映媒體本質(zhì)的特征。從 最 基本的顏色檢索，到綜合利用多種圖像特征進(jìn)行檢索， 很多 原型系統(tǒng)已經(jīng)推出，其中， 有 部分已投入到實(shí)際應(yīng)用中以檢6 驗(yàn)其有效性。 一個(gè)優(yōu)秀的搜索引擎必須 能夠 處理以下幾個(gè)問(wèn)題： (1)網(wǎng)頁(yè) 分類 (2)自然語(yǔ)言 處理 (3)搜索策略 調(diào)度和協(xié)作 (4)面向特定用戶 搜索。 當(dāng)然現(xiàn)在的人們也可以利用圖像的內(nèi)容特征去搜索所需的圖片信息，但現(xiàn)在這項(xiàng)技術(shù)就是到現(xiàn)在也還不夠成熟，其搜索效率還是不能令人滿意。在 HTML 網(wǎng)頁(yè)中，根據(jù) HTML語(yǔ)言的格式，捕獲反映圖片信息的文字信息，分析這些文本的語(yǔ)義具有重要的意義。 以上討論的是 HTML中文檔和嵌入網(wǎng)頁(yè)中圖像文本信息的關(guān)系，當(dāng)然還存在其他的文本與多媒體信息和圖像有關(guān)。根據(jù)信息的重要程度，他們所占的權(quán)值大小按次序如下： Image CaptionImage TitleImage AlternatePage Title 圖像信息檢索 Web 搜索引擎 使用 何種檢索模型，它所提供檢索質(zhì)量將 會(huì)直接影響到檢索效果。 從而文檔 d與查詢 Q的相似度為 ???????? niiniiniiiqdqddQS i m12121))()(()(),(?? 根據(jù)文檔之間的相似度，結(jié)合 機(jī)器學(xué)習(xí)的一些算法如神經(jīng)網(wǎng)絡(luò)算法， K近鄰算法和貝葉斯分類算法等，可以將文檔集分類劃分為一些小的文檔子集。 (3)基于詞頻的統(tǒng)計(jì)方法 統(tǒng)計(jì)方法一般不依賴于詞典，而是將原文中任意前后緊鄰的兩個(gè)字作為一個(gè)詞進(jìn)行出現(xiàn)頻率的統(tǒng)計(jì)，出現(xiàn)的 次數(shù)越高，成為一個(gè)詞的可能性也就越大。為了減少存儲(chǔ)空間，只存儲(chǔ)除去該雙字以外的部分（如上圖所示）。 11 7) 再取一個(gè)字（此處為 Ci），判斷第三層中是否有以 C3?? Ci 開始的字 (不需要恰好匹配，只要匹配開始的 i個(gè)字就 可以了 )。 檢索反饋 因?yàn)?開始 時(shí)的查詢語(yǔ)句 常常和 我們所要的圖 片 內(nèi)容不符 合，往往使我們找不到想要的圖片，因此，許 多 系統(tǒng)都引入了相關(guān) 的 反饋，就是 通過(guò)選擇一些例子 來(lái)作為反饋， 慢慢 提高檢索的結(jié)果。在公式 5中， 通常 選γ =1 ， 0〈 β〈 1 ， 0〈 α〈 1 ，β與α值選取影響反饋深度，也直接影響檢索精度。 實(shí)驗(yàn) 說(shuō)明了 ，合理地選取相似度臨界值可 以 保證 比 較高檢索精度 和 檢索