1．目的及意义

1.1 目的

将谱聚类算法应用于图像检索中，从大规模图像集合中快速准确地检索出给定图像的相似图像，实现一个基于谱聚类算法的图像检索实例系统。相比较于文字载体而言，图像能够更加直观、丰富地表达和传递信息，因此人们从图像中获取信息的比重日益增大。对于海量图像数据的快速检索有用信息一直是图像处理领域研究的热点问题之一。

1.2 意义

随着信息技术的迅猛发展，大数据时代已经悄然来临。当前，商业、服务业和制造业等各种行业每天都在产生着大量的数据，尤其是一类具有广泛应用价值的数据---图像。如今，图像数据呈指数级增长，使得开展大规模图像检索的工作变得越来越困难，这时必须发掘出新的技术作为相应的技术支撑来打破此种僵局。最近或者最近邻问题在大规模数据查询中用得非常多，但是都会遇到一个问题，就是"维数灾难"。即当数据的维数太大的时候，之前的那些索引方法就不能起到作用。机器学习技术就是其中的一种新技术，它使得我们能够对大规模的图像数据进行有效的利用。

聚类是机器学习中划分数据集中的重要方法，它是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。我们想到，如果在检索前对图像数据集进行预处理，使用聚类算法划分为多个簇，并提取每个簇的图像特征，检索时只需进行特征匹配，便可查找到所需图像，可大大提高检索效率。

根据同济大学王春雪等人2009年发表的《谱聚类在图像检索中的应用》一文中实验数据表明相比于传统的颜色直方图、颜色自动相关图等方法，谱聚类在平均查准率、平均查全率、平均速度上均优于前者。因此，开展此方面的设计研究很有意义。

1.3 国内外研究现状

关于图像检索的研究从20世纪70年代就已开始，当时主要是基于文本的图像检索技术。到90年代以后，出现对图像内容语义，如图像的颜色、纹理、布局等进行分析和检索的图像检索技术，即基于内容的图像检索技术。

关于谱聚类的研究现多用于网络分析，Web社区挖掘和搜索引擎等领域。它对于学术研究有着关键的理论作用、对于生活生产有着重要的应用价值。许多年来，它从最初简单的概念发展至今成为在计算机界的最受瞩目的研究课题之一，并吸引了来自各个领域的专家。谱聚类的研究衍生出众多方法，其应用领域也在被不断的开拓。如今，谱聚类方法已逐渐发展为复杂网络、图论等学科的核心内容与重要组成部分。

2. 研究的基本内容与方案

2. 研究（设计）的基本内容、目标、拟采用的技术方案及措施

2.1 研究的基本内容具体内容