一種使用圖像融合的圖像檢索方法

PAGE2小型微型計(jì)算機(jī)系統(tǒng)2004年1期作者一等：文章題目PAGE3小型微型計(jì)算機(jī)系統(tǒng)20**年月第期JournalofChineseComputerSystemsVol.30No.20**收稿日期：20**-10-1基金項(xiàng)目：基金中文完整名稱（基金項(xiàng)目號(hào)）資助作者簡(jiǎn)介：作者一，性別，生年，最高學(xué)位，目前學(xué)歷，技術(shù)職稱等，研究方向?yàn)?；作者二，性別，生年，最高學(xué)位，目前學(xué)歷，技術(shù)職稱等，研究方向?yàn)?；作者三，性別，生年，最高學(xué)位，目前學(xué)歷，技術(shù)職稱等，研究方向?yàn)?(6號(hào)宋體)一種使用圖像融合的圖像檢索方法摘要：基于內(nèi)容的圖像檢索是指根據(jù)圖像內(nèi)容進(jìn)行檢索，常用的方法是通過對(duì)從底層到高層的自動(dòng)處理和分析來描述其內(nèi)容。目前，基于內(nèi)容的圖像檢索存在著低精度、高反饋率等問題。提出一種使用圖像融合方法的圖像檢索方法。該方法以RFGAIR和圖像融合技術(shù)為基礎(chǔ)，利用圖像融合技術(shù)，在檢索反饋過程中，根據(jù)用戶需求動(dòng)態(tài)修正查詢向量，同時(shí)結(jié)合遺傳算法，動(dòng)態(tài)修正圖像相似度模型。與現(xiàn)有檢索方法相比，實(shí)驗(yàn)結(jié)果表明，該算法對(duì)于旋轉(zhuǎn)、平移和尺度變化具有較強(qiáng)的魯棒性，同時(shí)具有減少反饋次數(shù)和較高查詢精度的性能。同時(shí)該算法比RFGAIR具有更高的查詢效率。關(guān)鍵詞：基于內(nèi)容的圖像檢索；圖像融合；遺傳算法；相關(guān)反饋；圖像處理PAGE6小型微型計(jì)算機(jī)系統(tǒng)20**年1期作者一等：文章題目PAGE7第25卷第11期小型微型計(jì)算機(jī)系統(tǒng)Vol.25No.112004年11月MINI－MICROSYSTEMSNov.2004收稿日期：2005--基金項(xiàng)目：基金中文完整名稱（基金項(xiàng)目號(hào)）資助作者簡(jiǎn)介：作者一，性別，某年生，籍貫（具體到市、縣或地區(qū)），最高學(xué)位，目前學(xué)歷，職稱等，研究方向?yàn)?；作者二，性別，某年生，籍貫（具體到市、縣或地區(qū)），最高學(xué)位，目前學(xué)歷，職稱等，研究方向?yàn)?；作者三，性別，某年生，籍貫（具體到市、縣或地區(qū)），最高學(xué)位，目前學(xué)歷，職稱等，研究方向?yàn)?ANovelImageImageRetrievalApproachWithImageFusion-basedCEHNPeng（TaizhouTeachersCollege,Jiangsu,Taizhou,China）Abstract:Thepaperproposesanovelimageretrievalmethodbasedonimagefusion.ThealgorithmisbasedonRFGAIRandimagefusiontechnology,modifytheretrievalvectoraccordingtotheuser’sneedsinthefeedbackprocessbyusingimagefusiontechnology,andatthesametime,modifythesimilaritymodelbygeneticalgorithm.Comparedwiththeexistingalgorithms,theexperimentalresultsshowthattheproposedalgorithmisrobustforrotation,translationandscalechangesstrongly,andhashigherqueryprecisionandlowerfrequencyoffeedbacksimultaneously.Inaddition,thesearchefficiencyoftheproposedalgorithmisbetterthanRFGAIR.Keywords:CBIR;imagefusion;geneticalgorithm;relevancefeedback;imageprocessing

1引言基于內(nèi)容的圖像檢索（Content-Based-Image-Retrieval，CBIR）技術(shù)通過對(duì)圖像從底層到高層的自動(dòng)處理和分析來描述其內(nèi)容，并根據(jù)內(nèi)容進(jìn)行檢索[1]。近年來，針對(duì)CBIR中的查詢精度低，反饋率高的問題，很多學(xué)者提出很多解決方案。BingWang等人將相關(guān)反饋與神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于基于內(nèi)容的圖像檢索中，以解決圖像特征描述不一致問題[2]；PengYengYin等人提出了一種結(jié)合強(qiáng)化學(xué)習(xí)技術(shù)的圖像檢索框架，利用強(qiáng)化學(xué)習(xí)方法構(gòu)造一個(gè)主動(dòng)學(xué)習(xí)的強(qiáng)化學(xué)習(xí)框架，在一定程度提高后續(xù)檢索的效率[3]；江祥奎等提出一種基于灰色系統(tǒng)理論的多特征相關(guān)反饋圖像檢索方法，該方法將灰色系統(tǒng)理論引入圖像檢索中，利用灰關(guān)聯(lián)度作為特征權(quán)重估計(jì)，利用用戶的少量選擇做出判斷，常陷入局部最優(yōu)問題[4]；許相莉等人提出一種基于粒子群優(yōu)化的圖像檢索算法，該方法提取圖像的顏色和紋理特征，并利用粒子群算法調(diào)整特征權(quán)重，優(yōu)化檢索，然而該方法對(duì)于平移、旋轉(zhuǎn)和尺度變換沒有很強(qiáng)魯棒性[5]；Akrem等人提出一種針對(duì)圖像形狀檢索的圖像融合算法，針對(duì)圖像邊界無法確定的問題，提出通過圖像融合技術(shù)來構(gòu)造檢索向量[6]；黨長(zhǎng)青等人提出一種基于多特征融合和相關(guān)反饋的圖像檢索方法，該方法利用SVM算法結(jié)合用戶標(biāo)注構(gòu)造一個(gè)圖像分類器，利用該分類器對(duì)檢索結(jié)果圖像重新計(jì)算相似度[7]等。2基于遺傳反饋的多特征圖像檢索2.1遺傳算法遺傳算法可定義為一個(gè)八元組，如式(1)所示。(1)其中C是染色體編碼方法；E是個(gè)體適應(yīng)度評(píng)價(jià)函數(shù)；P0是初始種群；M是種群大??；是選擇算子；QUOTE是交叉算子；QUOTE是變異算子；T為算法終止條件。文獻(xiàn)[1]定義圖像表示方法及將遺傳算法用于圖像檢索中的染色體編碼、適應(yīng)度函數(shù)設(shè)計(jì)及終止準(zhǔn)則。2.2相關(guān)反饋技術(shù)經(jīng)典的相關(guān)反饋技術(shù)，一方面是通過對(duì)最佳查詢方向的估計(jì)，調(diào)整查詢方向不斷靠近用戶反饋的正例，遠(yuǎn)離反例；另一方面，利用反饋信息修改距離公式中各分量的權(quán)值，突出重要的分量[11]。對(duì)一個(gè)給定的查詢，系統(tǒng)首先根據(jù)事先定義好的相似性度量進(jìn)行計(jì)算，獲得一組根據(jù)相似度排列的圖像，相似性度量通常被定義為查詢向量和數(shù)據(jù)庫(kù)中圖像特征向量之間的距離。然后，用戶對(duì)這組圖像進(jìn)行相關(guān)和不相關(guān)的標(biāo)注。最后，系統(tǒng)重新對(duì)查詢進(jìn)行定義，獲取新的圖像序列。如果已知一組相關(guān)圖像(DR)和不相關(guān)圖像(DN)，最優(yōu)化查詢定義如式（2）所示[16]。(2)其中，QUOTE，QUOTE和是一組參數(shù)；QUOTE和是相關(guān)圖像（DR）和不相關(guān)圖像（DN）的數(shù)量；QUOTE和QUOTE是查詢向量。式（5）表明查詢優(yōu)化是通過在查詢的結(jié)果中加入相關(guān)的圖像，除去不相關(guān)的圖像來實(shí)現(xiàn)的。相關(guān)反饋在MARS系統(tǒng)中的使用，說明通過用戶相關(guān)性反饋操作，能夠提高檢索精度。2.3基于遺傳反饋的多特征圖像檢索算法（RFGAIR）相關(guān)反饋主要用于與用戶的交互操作，目的在于消除被檢索圖像的語義不確定性，提高查詢精度；遺傳算法在于幫助系統(tǒng)理解用戶的具體需求，提高查詢效率。RFGAIR是一種以遺傳算法和相關(guān)反饋技術(shù)為基礎(chǔ)的圖像檢索方法[1]。在相關(guān)反饋過程中引入遺傳算法，利用遺傳算法的自適應(yīng)機(jī)制,在反饋過程中，動(dòng)態(tài)修正圖像相似度模型，使相似度模型最大程度反映兩幅圖像之間的距離，以達(dá)到提高查詢精度和較少反饋次數(shù)的目的。同時(shí)在檢索過程中，該算法從顏色，紋理和形狀三個(gè)角度提取圖像特征，利用組合特征描述圖像，避免在單特征圖像檢索中出現(xiàn)的不同圖像卻具有相同單特征的問題。3基于Haar小波變換的圖像融合算法3.1小波變換1986年，著名數(shù)學(xué)家Meyer構(gòu)造了一個(gè)真正小波基，并與Mallat合作建立了構(gòu)造小波基的統(tǒng)一方法——多尺度分析。從此小波分析開始了蓬勃發(fā)展的階段。小波變換的性質(zhì)包括：(1)線性(2)平移不變性(3)伸縮公共性(4)自相似性(5)冗余性[12]。常用的小波函數(shù)有，Haar(哈爾)小波，Daubechies(dbN)小波系，墨西哥草帽小波，雙正交小波系等。小波變換不同于傅立葉變換，小波系數(shù)與原始圖像存在著空間上的對(duì)應(yīng)關(guān)系。圖像可以看作是二維的矩陣，一般假設(shè)圖像矩陣的大小為N×N，且有N=2n(n為非負(fù)的整數(shù))。那么每次小波變換后，圖像便分解為4個(gè)大小為原來尺寸1/4的子塊頻帶區(qū)域，如圖1所示，分別包含了相應(yīng)頻帶的小波系數(shù)，相當(dāng)于在水平方向和豎直方向上進(jìn)行隔點(diǎn)采樣。當(dāng)再進(jìn)行下一層小波變換時(shí)，變換數(shù)據(jù)集中在LL頻帶上[13]。小波系數(shù)的空間分布同原始圖像的空間分布具有很好的對(duì)應(yīng)關(guān)系。LL頻帶是圖像內(nèi)容的縮略圖，是低頻分量，它是圖像數(shù)據(jù)能量集中的頻帶。而HL、LH、和HH頻帶存放的是圖像的細(xì)節(jié)信息，它們的關(guān)系如下：HL頻帶存放的是圖像水平方向的高頻信息，它反映了圖像水平方向上灰度變化信息和邊緣信息；LH頻帶存放的是圖像豎直方向的高頻信息，它反映了圖像豎直方向上灰度變化信息和邊緣信息；HH頻帶存放的是圖像在對(duì)角線方向上的高頻信息，它反映了水平方向和豎直方向上圖像灰度的綜合變化信息，同時(shí)包含了少量的邊緣信息。圖1數(shù)字圖像小波分解流程圖3.2基于Haar小波變換的圖像融合算法圖像融合(ImageFusion)是信息融合范疇內(nèi)主要以圖像為對(duì)象的研究領(lǐng)域，所處理的數(shù)據(jù)主要是各種圖像，通過綜合提取各輸入圖像的信息，形成統(tǒng)一的圖像或數(shù)據(jù)來控制其他系統(tǒng)或指導(dǎo)決策[14]。圖像融合的優(yōu)點(diǎn)包括：(1)擴(kuò)大系統(tǒng)工作范圍，(2)提高系統(tǒng)可靠性，(3)獲取信息的更高表現(xiàn)形式，(4)提高系統(tǒng)的性價(jià)比。圖像融合目前主要有像素級(jí)圖像融合、特征級(jí)圖像融合和決策級(jí)圖像融合。基于Haar小波變換的圖像融合算法屬于像素級(jí)圖像融合算法。算法1.基于Haar小波變換的圖像融合算法1.對(duì)每一幅圖像分別進(jìn)行小波分解；2.對(duì)各分解層分別用不同的融合算子及規(guī)則進(jìn)行處理；3.對(duì)融合后的圖像數(shù)據(jù)進(jìn)行小波逆變換，即可得到融合圖像F。其中小波變換采用Haar小波函數(shù)，采用的融合算子及規(guī)則如下：(1)圖像經(jīng)過K層分解，則對(duì)分解后的低頻部分采用基于區(qū)域的算子的，以低頻部分的每一個(gè)像素為區(qū)域中心，分別計(jì)算兩幅圖像中與該像素點(diǎn)對(duì)應(yīng)局部區(qū)域(區(qū)域大小取為)的方差Vk，A和Vk，B(3)(2)對(duì)于高頻部分，采用基于區(qū)域的算子，采用基于區(qū)域能量的方法對(duì)高頻部分進(jìn)行處理，首先對(duì)高頻區(qū)域計(jì)算不同圖像的對(duì)應(yīng)區(qū)域的能量及，ε=1,2,3(4)其中W(m,n)為加權(quán)系數(shù)，l，p定義了局部區(qū)域的大小。(3)計(jì)算兩幅圖像對(duì)應(yīng)區(qū)域的匹配度(5)(4)定義一個(gè)匹配度閾值(通常取0.5-1.0)，如果(6)如果(7)其中如公式(8)所示，如公式(9)所示。(8)(9)4使用圖像融合的圖像檢索（RFGA-IFIR）基于遺傳反饋的多特征圖像檢索算法利用遺傳算法對(duì)圖像相似度模型進(jìn)行修正，然而對(duì)于查詢向量?jī)H僅是利用普通的反饋公式進(jìn)行修正，這種程度上的向量修正并不能真正反映用戶的需求。因此，本文提出一種結(jié)合圖像融合技術(shù)的圖像檢索方法——使用圖像融合的圖像檢索方法，該方法在反饋過程過中引入圖像融合技術(shù)，從圖像自身內(nèi)容的層面對(duì)查詢圖像進(jìn)行修正，進(jìn)而得出更加切合用戶需求的查詢向量，使得算法能夠更好更快地獲得查詢結(jié)果。下面給出具體的使用圖像融合的圖像檢索算法的運(yùn)行流程。算法2.使用圖像融合的圖像檢索算法1.給出查詢向量)，測(cè)試圖像向量QUOTE及一個(gè)測(cè)試集T，指定圖像庫(kù)I和其對(duì)應(yīng)的特征庫(kù)F。2.根據(jù)測(cè)試集T及測(cè)試圖像QUOTE，利用算法1，得出一組最佳的權(quán)值——w1,w2,w3，分別對(duì)應(yīng)圖像三個(gè)特征——顏色，紋理和形狀。3.利用圖像相似度模型[1]，計(jì)算出圖像特征庫(kù)中每幅圖像Ii與查詢向量Q的距離D(Q,Ii)，根據(jù)距離進(jìn)行排序，給出結(jié)果集O。4.與用戶交互操作。如果當(dāng)前結(jié)果集滿足用戶的要求，則結(jié)束操作，否則用戶選出結(jié)果集中最理想的圖像，記做QUOTE，同時(shí)轉(zhuǎn)入第5步。5.由QUOTE及在圖像庫(kù)中隨機(jī)抽取的圖像更新測(cè)試集T，將測(cè)試圖像向量更新為當(dāng)前查詢向量Q，同時(shí)利用算法1合成新的檢索圖像,并計(jì)算更新查詢向量Q，轉(zhuǎn)入第2步。在算法2中，為了加快算法的執(zhí)行速度，指定測(cè)試集T中的圖像數(shù)目nT遠(yuǎn)小于圖像庫(kù)C中的圖像數(shù)目nc，即QUOTE，同時(shí)，在計(jì)算距離的時(shí)候，直接用特征庫(kù)進(jìn)行計(jì)算。5實(shí)驗(yàn)結(jié)果分析為了檢驗(yàn)本文所提出的檢索算法的性能，分別設(shè)計(jì)幾組不同的實(shí)驗(yàn)，選用Corel-1000database[]作為測(cè)試圖像庫(kù)，該數(shù)據(jù)庫(kù)共包含1000幅圖像，分為10類，每類100幅彩色圖像，主要包括非洲、海灘、建筑、公共汽車、恐龍、大象、花、食物、馬和山川的圖像。為了評(píng)價(jià)本文提出的方法的效果，以查全率（recall）和查準(zhǔn)率（presion）為基礎(chǔ)設(shè)計(jì)評(píng)價(jià)模型并作為相似度的評(píng)價(jià)準(zhǔn)則，公式如式（12）所示。其中查全率定義為檢索結(jié)果中檢索到的目標(biāo)圖像與數(shù)據(jù)庫(kù)中全部目標(biāo)圖像數(shù)之比，如公式（10）；查準(zhǔn)率定義為檢索結(jié)果中檢索到的目標(biāo)圖像數(shù)與檢索結(jié)果中的所有圖像數(shù)之比，如式（11）所示。(10)(11)(12)其中q是查詢向量；QUOTE是查詢得到的與查詢向量q相關(guān)的圖像數(shù)目；QUOTE是圖像數(shù)據(jù)庫(kù)中與q相關(guān)的圖像總數(shù)；QUOTE是查詢到的圖像總數(shù)；QUOTE、QUOTE是參數(shù)，實(shí)驗(yàn)中QUOTE為0.7，QUOTE為0.3。圖1算法檢索性能比較圖Fig1theperformanceofthealgorithms實(shí)驗(yàn)1主要用于測(cè)試使用圖像融合的圖像檢索算法的檢索性能。在Corel-1000database中，從每類圖像中抽取出30幅圖像，共300幅圖像組成一個(gè)用于測(cè)試的圖像數(shù)據(jù)庫(kù)。分別用本文提出的RFGA-IFIR，文獻(xiàn)[1]提出的RFGAIR，文獻(xiàn)[15]中提出的基于顏色特征的檢索算法和文獻(xiàn)[16]中提出的基于綜合特征和相關(guān)反饋的檢索算法進(jìn)行檢索，以公式（12）作為評(píng)價(jià)函數(shù)，結(jié)果如圖1所示?；陬伾卣鞯膱D像檢索方法以顏色特征作為查詢向量，以反饋技術(shù)作為執(zhí)行手段，從圖1可知，性能不是理想，準(zhǔn)確度只有60％左右，誤檢率較高，同時(shí)需要較多的反饋次數(shù)；基于綜合特征和相關(guān)反饋的檢索方法精確度較高，但是在執(zhí)行檢索過程中，反饋次數(shù)波動(dòng)較為明顯，比如在海灘圖像的檢索過程中，反饋次數(shù)過多，影響到檢索效率；而本文提出的RFGA-IFIR和文獻(xiàn)[1]的RFGAIR兩個(gè)方法在檢索精度上有很大的提高，檢索過程中反饋次數(shù)較少，同時(shí)RFGA-IFIR與RFGAIR相比，在反饋次數(shù)上又有進(jìn)一步的較少，能夠在盡量少的反饋次數(shù)之后得到比較好的檢索結(jié)果。表2圖像融合算法對(duì)反饋次數(shù)的影響Tab2theeffectofimagefusionalgorithmtothefrequencyofthefeedback類別RFGAIRRFGA-IFIR基于綜合特征和相關(guān)反饋檢索非洲325海灘227建筑336公共汽車335恐龍116大象424花326食物426馬336山428平均32.26實(shí)驗(yàn)2主要用于測(cè)試在反饋檢索過程中，基于Haar小波變換的圖像融合算法對(duì)于反饋次數(shù)的影響。在Corel-1000database中，從每類圖像中抽取中15幅圖像，共150幅圖像組成一個(gè)用于測(cè)試的圖像數(shù)據(jù)庫(kù)。分別用本文提出的檢索方法和RFGAIR對(duì)每類圖像進(jìn)行檢索，對(duì)檢索過程中所需要的反饋次數(shù)進(jìn)行統(tǒng)計(jì)，具體如表2所示。從表2的數(shù)據(jù)可知，本文提出的檢索方法的平均反饋次數(shù)為2.2次，即平均進(jìn)行2次左右，反饋檢索就可以得到用戶比較滿意的檢索結(jié)果，RFAIR大約在反饋3次之后可以得到比較好的檢索結(jié)果，而基于綜合特征及相關(guān)反饋的檢索方法[16]平均需要6次才可以得到比較好的檢索結(jié)果。在試驗(yàn)結(jié)果中，由于圖像庫(kù)中測(cè)試圖像數(shù)目較少，融合算法對(duì)于反饋的影響不是特別的明顯，但是對(duì)于數(shù)據(jù)庫(kù)中圖像數(shù)目超過5000之后，在檢索性能上可以提高40%左右。在于反饋過程中，圖像融合算法對(duì)于查詢向量的調(diào)整，融合算法會(huì)動(dòng)態(tài)根據(jù)用戶的反饋結(jié)果，對(duì)查詢向量進(jìn)行修正，同時(shí)結(jié)合遺傳算法對(duì)相似度函數(shù)進(jìn)行調(diào)整，在檢索性能上有明顯的提高。綜合上述兩個(gè)試驗(yàn)，可以看出，結(jié)合圖像融合算法的檢索算法與其他的一般檢索方法相比，檢索精度有很大的提高，同時(shí)與文獻(xiàn)[1]的檢索算法（RFGAIR）相比，在檢索精度上沒有明顯的提高，但是在檢索效率上，特別是對(duì)于大規(guī)模數(shù)據(jù)集的圖像檢索來說，有較大的提高。

6結(jié)束語在文獻(xiàn)[1]中提出一種基于遺傳反饋的多特征圖像檢索方法。該方法以遺傳算法和相關(guān)反饋技術(shù)為基礎(chǔ)，在相關(guān)反饋過程中引入遺傳算法，利用遺傳算法的自適應(yīng)機(jī)制,在反饋過程中，動(dòng)態(tài)修正圖像相似度模型，使相似度模型最大程度反映兩幅圖像之間的距離，以達(dá)到提高查詢精度和較少反饋次數(shù)的目的。同時(shí)在檢索過程中，算法從顏色，紋理和形狀三個(gè)角度提取圖像特征，利用組合特征描述圖像，避免在單特征圖像檢索中出現(xiàn)的不同圖像卻具有相同單特征的問題。實(shí)驗(yàn)結(jié)果表明，算法對(duì)于旋轉(zhuǎn)、平移和尺度變化具有較強(qiáng)的魯棒性，同時(shí)與現(xiàn)有方法相比，具有更高的查詢精度和查詢效率。但是在算法執(zhí)行過程中，對(duì)于查詢向量?jī)H僅是利用普通的反饋公式進(jìn)行修正，這種程度上的向量修正并不能真正反映用戶的需求。因此本文結(jié)合圖像融合領(lǐng)域的知識(shí)，提出一種使用圖像融合的圖像檢索算法，該算法以RFGAIR和算法1為基礎(chǔ)，在反饋過程中，利用圖像融合技術(shù)修正查詢向量。試驗(yàn)結(jié)果表明，與RFGAIR相比，在大規(guī)模數(shù)據(jù)檢索中，可以較好提高檢索效率，同時(shí)對(duì)于查詢精度也有一定的提高。

References:[1]FuQiMing,LiuQuan,WangXiaoYan,ZhangLe.Relevancefeedbacktechniquesandgeneticalgorithmforimageretrievalbasedonmultiplefeatures[J].JournalofImageandGraphics,,2011,16(10):1858-1865.[2]WangBing,ZhangXin,LiNa.RelevanceFeedbackTechniqueforContent-BasedImageRetrievalUsingNeuralNetworkLearning[J].InternationalConferenceonMachineLearningandCybernetics,2006,vol.6:3692-3696.[3]YinPengyeng,BhanuB,ChangKuangchengandetal.IntegratingRelevanceFeedbackTechniquesforImageRetrievalusingReinfor-cementLearning[J].IEEETransationsonPatternAnalysisandMachineIntelligence,2005,27(10):1536–1551.[4]JiangXiangkui，YuanSicong，WangFazhan.Multi-fleaturerelevancefeedbackimageretrievalbasedongreysystemtheory[J].ComputerEngineering,2006,32(23):207-209.[5]XuXiangli,ZhangLibiao,LiuXiangdongandetal.Particleswarmoptimizationbasedrelevantfeedbackalgorithminimageretrieval[J].JournalofChineseComputerSystems,20**,30(5):971-973.[6]AkremEl-ghazal,OtmanBasir,SaeidBelkasim.AContext-BasedFusionAlgorithmforShapeRetrieval[C].in:11thInternationalConferenceonInformationFusion,2008,pp:121–128.[7]DangChangqing,SongFengjuan,LiuShuming.Imageretrievalbasedonmulti-featureintegrationandrelevancefeedback．ComputerEngineeringandApplications,2008,44(3):186-188.[8] KuoLungHung,YihChengTsay.AFastImageRetrievalMethodUsingMulti-FeatureDimensionTechnique[C].in:FifthInternationalConferenceonIntelligentInformationHidingandMultimediaSignalProcessing.20**,pp:290–294[9] LiMinqiang,KouJisong,LinDan.TheTheoryandApplicationofGeneticAlgorithms[M].Beijing:SciencePress,2002.135–145[10] SuXiaoHong,YangBo,WangYaDong.Ageneticalgorithmbasedonevolutionarilystablestrategy[J].JournalofSoftware,2003,14(11):1863