全文总字数：2803字

1. 研究目的与意义及国内外研究现状

随着网络通信和多媒体技术的快速发展以及数码相机、摄像机等硬件设备的广泛普及，互联网上数字多媒体数据尤其是数字图像呈爆炸性地增长。数字图像以直观、生动和极大亲和力等特性成为人们生活中重要的信息载体，人们逐渐喜欢在网上分享他们感兴趣的、当下流行的一些图片。但是网络多媒体数据在给人们生活带来方便的同时，也给数字信息管理等方面带来重大挑战。通过使用各种强大的数字图像处理工具，人们很方便地对原始图像数据进行有意或无意地复制、修改等操作从而生成各种近重复副本，或者通过数码相机、摄像头在同一个场景拍摄出几乎相同的图像，并通过网络通信技术将这些近重复图像传播和发布。我们称那些内容相同或大致相同的图像为近重复图像。因此，网上散布着许多描述相同内容的各种版本的重复图像，这就造成了搜索效率的低下。

于是本课题的目标在于用pagerank算法思想进行图像相关性分析，对于在图像搜索引擎下搜索的某一关键字的搜索结果来讲，大部分图像之间必然会存在一定的视觉相关性，但也会有少部分图像和搜索内容无关。我们将图像按照相关性进行排序，从而优化查询结果，提高用户对图像搜索结果的浏览体验和浏览效率，用户约希望优先浏览的图像排序越靠前。

国内外研究现状

首先，从现有的成果来看，大部分图像相关性分析是建立在图像的视觉内容相似度上的。图像相似程度的衡量主要可以分为两种方式，一个是基于图像全局特征的相似度衡量。全局特征强调的是以压缩的描述子快速识别图像的相似程度，它从一幅图像的全局的内容提取而来。常见的全局特征有颜色直方图，边缘直方图、顺序测度等等。虽然全局特征容易提取，但是它对于网络复杂的近重复图像来讲并不鲁棒。于是越来越多的研究者开始研究表达能力更加丰富的局部特征来衡量图像间的相似程度。一些常见的局部特征包括sift，bow，surf等。局部特征的方法避免了全部特征在鲁棒性方面的缺陷，可以更加精确的描述图像的视觉内容。

2. 研究的基本内容

主要研究内容

本文提出了一个基于图像局部特征的相关性分析方法。提取图像的surf特征进行相似度匹配，将图像集合中的图像视为一个个相互连接的节点，并以图像之间的相似度为建立相关的连接矩阵。采用pagerank算法的核心思想，捕获图像之间基于视觉相关性的亲疏传递关连，不断迭代直至每个图像节点得到一个收敛的相关性权重，以完成图像的相关性分析。主要分为三个模块：

（1）提取局部特征模块

3. 实施方案、进度安排及预期效果

第一阶段：查询资料，分析策划系统实现方案

第二阶段：进行图像局部特征研究

第三阶段：完善系统部分算法

4. 参考文献

[1]J Yue, Z Li, L Liu, Z Fu. Content-based image retrieval using color and texture fused features. In Mathematical and Computer Modelling, pages 1121-1127, 2011.[2]Lowe D G. Object recognition from local scale-invariant features[C]//Computer vision, 1999. The proceedings of the seventh IEEE international conference on. Ieee, 1999, 2: 1150-1157.[3]Bay H, Tuytelaars T, Van Gool L. Surf: Speeded up robust features[M]//Computer vision–ECCV 2006. Springer Berlin Heidelberg, 2006: 404-417.[4]Yang G, Chen N, Jiang Q. A robust hashing algorithm based on SURF for video copy detection. In Computers Security, pages 33-39, 2012.[5]Li J, Zhou S, Xing J, et al. An efficient approach to web near-duplicate image detection. In 2013 2nd IAPR Asian Conference on Pattern Recognition (ACPR), IEEE, pages 186-190, 2013.[6] Li J, Qian X, Li Q, et al. Mining near duplicate image groups[J]. Multimedia Tools Applications, 2014, 74(2):655-669.[7] Page L, Brin S, Motwani R, et al. The PageRank citation ranking: bringing order to the Web[J]. Stanford Infolab, 1999, 9(1):1-14.