图像感兴趣区域自动提取算法
摘要：感兴趣区域(Regions of Interest)提取技术在图像处理和分析领域有着重要地位。提出了一种ROI 的自动提取算法。在显著度图和相对位置指示图的基础上，采用基于子区域的区域生长法，以像素点的显著度、相对位置及颜色纹理信息作为生长条件，颜色、纹理信息的权重可以根据图像的内容自适应调整。实验结果表明，该方法与现有算法相比在速度和ROI 提取的准确性方面均有提高。 关键词：感兴趣区域，显著度图，区域生长
Automatic Extraction of Regions of Interest
Abstract: The extraction technique of ROI plays an important role in image analysis. In this paper an automatic extraction of ROI algorithm is proposed. Based on the saliency map and relative position map, use the subregion based region grow method, besides the saliency map and relative positions, this paper joined the information of color and texture. The power of color and texture can adjusted by image content automatically. The experiment
prove this algorithm is efficient and effective.
Key words: Regions of Interest, saliency map, region grow
1 引言
感兴趣区域(Regions of Interest简称ROI) 即图像中最能引起用户兴趣，最能表现图像内容的区域，如能提取出这些区域将会大大提高图像处理和分析的效率和准确度。如今，ROI 提取技术已经在许多领域得到了应用，如JPEG2000 压缩编码、机器视觉中目标区域定位与识别、视频信息中字幕及标识的自动提取与识别、智能交通系统中车牌区域的自动提取与识别，医学图像分析等，ROI 提取技术有着广阔的市场潜力。
目前，ROI 提取算法很多，本文在根据图像显著度和相对位置的基础上，结合颜色和纹理特征，采用区域生长法提取ROI 。
2 算法描述
区域生长是区域分割中一种简单而有效的方法，而且种子点的选取很容易结合高层语义这对提取感兴趣区域来说非常有效。与文献[1]不同，本文采用基于子区域的区域生长法，同时，在生长准则中增加了对图像颜色纹理特征的考虑，从而降低对显著度图准确度的依赖。
2.1显著度图
Itti 等提出基于显著度的注意计算模型，较好的模拟了人观察图像时注视点的选取过程。
基本思想是把象素在颜色、亮度、方向等方面与背景的对比定义为该点的显著值(Saliency)，对比越强，该点的显著值就越大，所有点的显著值构成一张显著图。这里显著图是一幅表明图像各象素点显著性的灰度图像，越亮表明该象素点的显著度越大。
a 原始图像 b显著度图
图1 Itti方法生成的显著度图
2.2相对位置指示图
根据图像中局部区域内的颜色分布来估计象素的相对位置，即点是处于物体内部还是靠近边缘：
假设Z 表示颜色类图像中的所有N 个象素点集合，假设z =(x , y ), z ∈Z , 用m 代表均值，假定集合Z 被分为C 个颜色类Z i ，i ＝1，2……，C 。假定颜色类Z i 中点的个数为N i ，则平均值m i 可计算为：
m i =
1N
z ∈Z
C
z ∈Zi
∑z ………………………………………..(1)
2
S T =∑z -m
C
………………………………………(2)
2
S W =∑S i =∑∑z -m i
i =1
i =1z ∈Z i
……………………………(3)
其中，S w 表示所有类的方差总合。根据S T 和S w ，可以定义相对位置指示RPD 为：
RPD =(S T -S W ) /S W …………………………. ………(4)
它的值可以表示此区域是处于物体的内部还是更接近边缘。如图像中每个象素的值都由它的RPD 值代替，就形成了相对位置图，亮度越大表示该点越靠近边缘。
a 原始图像 b 相对位置指示图
图2相对位置指示图
2.3 ROI种子点的选取
种子点应该是注意程度较高的点同时其位置应处于物体的内部。因此，种子点应有最大的显著度和最小的相对位置。
假定P 是图像中的一个象素点，R 代表以P 为中心的λ×λ的区域，用RPD 代表相对位置，用S 表示显著度。μRPD 代表在区域R 内所有点相对位置均值，
σRPD 代表其标准差。
类似，μS 代表区域R 内所有点的注意度均值，σS 代表其标准差，则种子区域R 的点可以度量为：
A R =exp -(μR P D +σR P D ) -exp -(μS -σS ) …………………… (5)
A R 值越大，该区域的注意度越大，位置越靠近区域中心。因此，对应的区域就更优先选为
种子区域。这里为了减少噪声的影响选择λ×λ的小区域作为种子点。经实验λ＝5。
2.4颜色、纹理特征描述
2.4.1颜色特征
综合考虑计算量及效果两方面，对子区域的颜色特征描述采用平均色的方法。 '=F color
1
σcolor
(F color -F color ) …………………………………(6)
其中F color 是该子区域的颜色均值，σcolor 是方差，归一化到[0，1]区间。 2.4.2纹理特征
采用灰度共生矩阵的方法来描述子区域的纹理特征。因为灰度共生矩阵可以反映图像中像素相对位置的空间特征，而且特别适合与描述微小纹理。
2．4．3颜色纹理特征权重的确定
数据库中的图像千差万别，如对一幅纹理图像采用颜色特征进行分割就会产生过分割现象，同样，如对非纹理图像采用纹理信息进行分割也不能取得满意的效果，为了能使分割算法根据图像的不同而自适应的改变颜色、纹理特征在分割中起到的作用，采用如下方法：
线性加权组合两类特征：
''F Rogin =λcolor F Rcolor +λtexture F Rtexture ………………………….(7)
'和F Rtexture '其中权值λcolor +λtexture =1。F Rcolor 分别是各个子区域中归一化后的颜色特
征和纹理特征。
若图像中存在较强的纹理，则能量分布的中高频谱段就会占有更大百分比的能量。统计得到这种能量分布的百分比，可以在一定程度上反映纹理特征和颜色特征的不同作用，本文采用一种扫描线频谱分析法。
典型的灰度分布模式及其对应频谱：
a 纹理的灰度分布 b a 对应的频谱能量分布 Rh=0.73,
Rl=0.27
c 非纹理的灰度分布 d c 对应的频谱能 Rh=0.26, Rl=0.74
图3典型的灰度分布模式及其对应频谱
步骤如下：
（1） 均匀抽取Nh 和Nv 根水平、垂直扫描线，水平和垂直抽取的间隔分别为Δh =W /Nh ，
ΔV =H /Nv , 其中W ，H 分别为图像的宽和高。
（2） 对每根扫描线的灰度分布做FFT ，得频谱能量分布EF(i)，i =0, …,Size-1，Size 为图像
水平或垂直尺寸。置频谱的直流能量为0，计算总能量ET 。计算中低频区间窗口[Size/2-Δw,Size/2+Δw ]的能量ET l 得比例R l =ETl /ET, R h =1-Rl 。
（3） 统计算得的比例，并求平均纹理特征比例：R haver ，平均颜色特征比例：R laver ，令：
=Rλtexture =Rhaver λc o l o r lave r 。
2.5 ROI区域生长
基于像素点的区域生长方法受噪声的影响较严重而且生长速度较慢，本文采用基于子
区域的区域生长方法。将图像分成一组小区域（这里采用3×3），然后对每个区域检查它注意度、相对位置及颜色、纹理等特征的相似度。 2.5.1 阈值的确定
不同的图像内容不相同，因此固定的取值是不合适的。最佳的阈值应当能够自动的随着图像的具体内容而自适应地调整。 1 颜色纹理特征阈值
将图像分为若干个3×3的子区域，根据式(7)得到这些子区域的颜色纹理特征F inf/k，计算所有子区域的平均值：
F inf
1=N
∑F
k =1
N
inf/k ……………………………… (8) 其中
N 为子区域个数。
将F inf 作为参考值，计算所有选定子区域的颜色纹理特征矢量与F inf 的距离：
∆F inf/k =F inf/k -F inf
，k=1,2,……N …………………………..(9)
计算颜色纹理特征的平均变化幅度：
∆F inf
1=N
∑∆F
k =1
N
inf/k
……………………………………………………….(10)
将颜色纹理特征的增长阈值设定为F '=∆F inf 。 2 注意度与相对位置阈值
采用基于信息熵的自适应阈值确定方法，假定图像中所有点的注意度取值范围是[0，M]，假定共有n t 象素的注意度为t ，t ∈[0，M]，给定一个阈值T ，大于T 被认为是感兴趣点，小于T 的被认为非感兴趣点。
P n (t ) =
n t
, 0≤t ≤T …………………………………(11)
∑
∑
T i =0
n i
P a (t ) =
n t
M i =T +1
，T+1≤ t ≤M …………………… (12)
n i
P n (t ) 表示非感兴趣点的概率，P a (t ) 表示感兴趣点的概率。两种类型的点的信息熵可
以定义为：
E n (T ) =-∑P n (t ) log P n (t ) ……………………………….. (13)
t =0M
T
E a (T ) =-∑P a (t ) log P a (t ) ……………….………………(14)
t =T +1
能够区分两类阈值T 的最佳取值T S '应该满足：
T S '=arg max{E n (T ) +E a (T )} T=0,1……，M ………… (15)
'也可以计算出来。 类似的，最佳的T RPD
2.5.2 生长步骤
(1) 选择起始种子区域R 0 ，并得到该区域的颜色纹理特征F 0 、注意度S 0、相对位置指示RPD 0；
(2) 建立种子区域的上下左右4个方向的相邻子区域，并用该子区域初始化候选子区域集
合，记为：C ={候选子区域} ；
(3) 如果候选子区域C 不为空，则从C 中任选一个候选子区域R 1 , 得到其特征向量F 1、注意
度S 1、相对位置指示RPD 1
(4) 计算种子区域和起始区域的颜色纹理特征差值：ΔF = |F0 –F 1| ；
(5) 如果满足：(S 1≥T ' S and RPD 1≤T ' RPD ) or [(S 1
候选子区域为已标注区域。即注意度较大且不在边缘的区域，或者注意度不大且不在边缘但和已标注区域具有相似的颜色纹理特征。再构造该区域的上下左右4个方向的相邻子区域，并且将新的候选子区域并入候选集合C （集合中已存在的候选子区域不再并入）；
(6) 如果不满足上述条件则删除该候选子区域，返回（3）； (7) 如果候选子区域C 为空，则处理已合并的区域； (8) 返回。
2.6后处理
生长得到的分割结果中，往往会有许多零碎的小区域。合并过程分两步完成： 1) 极小区域被看作噪声将其过滤。
2) 其他零碎区域根据其与临近区域的空间位置关系进行合并。
对象间的位置关系有以下几种，如果一个对象完全在另一个对象中或者至少有三方被另一个对象包围，则这个对象属于内对象，应合并到它的外围对象中。如果处于两个对象间的小区域我们将其视为边缘。
3 实验结果与分析
从Corel 图像库中抽取老虎，马，大象，鸟，鱼，汽车，花卉，建筑，风景等10类200张图片进行实验，实验结果表明，本文的ROI 提取算法能较准确的提取出图片中的感兴趣物体，对于图片中有明显物体的图像具有很好的提取效果。
a 原始图像
b 文献[1]的实验结果 c 本文算法实验结果
图4感兴趣区域的提取算法实验结果
从实验结果可以看到，文献[1]采用的约束条件是关注度和相对位置，由于老虎的右前腿受关注程度较小，不满足条件，所以分割结果中老虎的右前腿丢失了。本文加入了对图像颜色纹理信息的考虑，虽然老虎右前腿不满足关注度的要求，但是它与分割区域相似的颜色纹理信息使得它保留下来。类似的情况还有结果2中老虎的尾巴部分。
本文用Matlab6.5设计了基于像素的区域生长算法和基于子区域的区域生长算法（其它条件均相同），对两种方法运行时间进行比较，得到的程序运行时间表如下（单位秒）：
基于像素 基于区域
老虎 3.3386 1.6804
马 10.6951 5.1183
大象 14.7510 6.9270
鸟 5.6246 2.6663
建筑 9.9276 4.7263
汽车 5.4980 2.6340
花卉 14.5440 6.8366
风景 3.9526 1.8786
表1基于像素的区域生长法与基于子区域的区域生长法时间比较
参考文献
[1] 韩军伟，基于内容的图像检索技术研究[D]，博士学位论文，西北工业大学 ，2003
[2] Y .N.Deng,B.S.Manjunath, and H.Shin. Color image segmentation[C]. Proc.IEEE Conference on Computer
Vision and Pattern Recognition, Fort Collins, CO, 2: 446-451,June 1999.
[3] 樊昀，基于内容图像检索的一些关键技术研究[D]，工学博士论文，国防科技大学研究生院，2001 [4] 刘宁宁，胡志刚等，结合纹理信息的图像分割方法及其应用[J]，软件学报，V ol.10,No.4 Apr.1999 [5] 田玉敏，林高全，基于颜色特征的彩色图像检索方法[J]，西安电子科技大学学报(自然科学版) ，Feb.2002 ,
V ol.29 No.1
[6] 斯白露，基于感兴趣区域的图像检索方法[D]，硕士学位论文，中国科学院计算技术研究所，2002
图像感兴趣区域自动提取算法
摘要：感兴趣区域(Regions of Interest)提取技术在图像处理和分析领域有着重要地位。提出了一种ROI 的自动提取算法。在显著度图和相对位置指示图的基础上，采用基于子区域的区域生长法，以像素点的显著度、相对位置及颜色纹理信息作为生长条件，颜色、纹理信息的权重可以根据图像的内容自适应调整。实验结果表明，该方法与现有算法相比在速度和ROI 提取的准确性方面均有提高。 关键词：感兴趣区域，显著度图，区域生长
Automatic Extraction of Regions of Interest
Abstract: The extraction technique of ROI plays an important role in image analysis. In this paper an automatic extraction of ROI algorithm is proposed. Based on the saliency map and relative position map, use the subregion based region grow method, besides the saliency map and relative positions, this paper joined the information of color and texture. The power of color and texture can adjusted by image content automatically. The experiment
prove this algorithm is efficient and effective.
Key words: Regions of Interest, saliency map, region grow
1 引言
感兴趣区域(Regions of Interest简称ROI) 即图像中最能引起用户兴趣，最能表现图像内容的区域，如能提取出这些区域将会大大提高图像处理和分析的效率和准确度。如今，ROI 提取技术已经在许多领域得到了应用，如JPEG2000 压缩编码、机器视觉中目标区域定位与识别、视频信息中字幕及标识的自动提取与识别、智能交通系统中车牌区域的自动提取与识别，医学图像分析等，ROI 提取技术有着广阔的市场潜力。
目前，ROI 提取算法很多，本文在根据图像显著度和相对位置的基础上，结合颜色和纹理特征，采用区域生长法提取ROI 。
2 算法描述
区域生长是区域分割中一种简单而有效的方法，而且种子点的选取很容易结合高层语义这对提取感兴趣区域来说非常有效。与文献[1]不同，本文采用基于子区域的区域生长法，同时，在生长准则中增加了对图像颜色纹理特征的考虑，从而降低对显著度图准确度的依赖。
2.1显著度图
Itti 等提出基于显著度的注意计算模型，较好的模拟了人观察图像时注视点的选取过程。
基本思想是把象素在颜色、亮度、方向等方面与背景的对比定义为该点的显著值(Saliency)，对比越强，该点的显著值就越大，所有点的显著值构成一张显著图。这里显著图是一幅表明图像各象素点显著性的灰度图像，越亮表明该象素点的显著度越大。
a 原始图像 b显著度图
图1 Itti方法生成的显著度图
2.2相对位置指示图
根据图像中局部区域内的颜色分布来估计象素的相对位置，即点是处于物体内部还是靠近边缘：
假设Z 表示颜色类图像中的所有N 个象素点集合，假设z =(x , y ), z ∈Z , 用m 代表均值，假定集合Z 被分为C 个颜色类Z i ，i ＝1，2……，C 。假定颜色类Z i 中点的个数为N i ，则平均值m i 可计算为：
m i =
1N
z ∈Z
C
z ∈Zi
∑z ………………………………………..(1)
2
S T =∑z -m
C
………………………………………(2)
2
S W =∑S i =∑∑z -m i
i =1
i =1z ∈Z i
……………………………(3)
其中，S w 表示所有类的方差总合。根据S T 和S w ，可以定义相对位置指示RPD 为：
RPD =(S T -S W ) /S W …………………………. ………(4)
它的值可以表示此区域是处于物体的内部还是更接近边缘。如图像中每个象素的值都由它的RPD 值代替，就形成了相对位置图，亮度越大表示该点越靠近边缘。
a 原始图像 b 相对位置指示图
图2相对位置指示图
2.3 ROI种子点的选取
种子点应该是注意程度较高的点同时其位置应处于物体的内部。因此，种子点应有最大的显著度和最小的相对位置。
假定P 是图像中的一个象素点，R 代表以P 为中心的λ×λ的区域，用RPD 代表相对位置，用S 表示显著度。μRPD 代表在区域R 内所有点相对位置均值，
σRPD 代表其标准差。
类似，μS 代表区域R 内所有点的注意度均值，σS 代表其标准差，则种子区域R 的点可以度量为：
A R =exp -(μR P D +σR P D ) -exp -(μS -σS ) …………………… (5)
A R 值越大，该区域的注意度越大，位置越靠近区域中心。因此，对应的区域就更优先选为
种子区域。这里为了减少噪声的影响选择λ×λ的小区域作为种子点。经实验λ＝5。
2.4颜色、纹理特征描述
2.4.1颜色特征
综合考虑计算量及效果两方面，对子区域的颜色特征描述采用平均色的方法。 '=F color
1
σcolor
(F color -F color ) …………………………………(6)
其中F color 是该子区域的颜色均值，σcolor 是方差，归一化到[0，1]区间。 2.4.2纹理特征
采用灰度共生矩阵的方法来描述子区域的纹理特征。因为灰度共生矩阵可以反映图像中像素相对位置的空间特征，而且特别适合与描述微小纹理。
2．4．3颜色纹理特征权重的确定
数据库中的图像千差万别，如对一幅纹理图像采用颜色特征进行分割就会产生过分割现象，同样，如对非纹理图像采用纹理信息进行分割也不能取得满意的效果，为了能使分割算法根据图像的不同而自适应的改变颜色、纹理特征在分割中起到的作用，采用如下方法：
线性加权组合两类特征：
''F Rogin =λcolor F Rcolor +λtexture F Rtexture ………………………….(7)
'和F Rtexture '其中权值λcolor +λtexture =1。F Rcolor 分别是各个子区域中归一化后的颜色特
征和纹理特征。
若图像中存在较强的纹理，则能量分布的中高频谱段就会占有更大百分比的能量。统计得到这种能量分布的百分比，可以在一定程度上反映纹理特征和颜色特征的不同作用，本文采用一种扫描线频谱分析法。
典型的灰度分布模式及其对应频谱：
a 纹理的灰度分布 b a 对应的频谱能量分布 Rh=0.73,
Rl=0.27
c 非纹理的灰度分布 d c 对应的频谱能 Rh=0.26, Rl=0.74
图3典型的灰度分布模式及其对应频谱
步骤如下：
（1） 均匀抽取Nh 和Nv 根水平、垂直扫描线，水平和垂直抽取的间隔分别为Δh =W /Nh ，
ΔV =H /Nv , 其中W ，H 分别为图像的宽和高。
（2） 对每根扫描线的灰度分布做FFT ，得频谱能量分布EF(i)，i =0, …,Size-1，Size 为图像
水平或垂直尺寸。置频谱的直流能量为0，计算总能量ET 。计算中低频区间窗口[Size/2-Δw,Size/2+Δw ]的能量ET l 得比例R l =ETl /ET, R h =1-Rl 。
（3） 统计算得的比例，并求平均纹理特征比例：R haver ，平均颜色特征比例：R laver ，令：
=Rλtexture =Rhaver λc o l o r lave r 。
2.5 ROI区域生长
基于像素点的区域生长方法受噪声的影响较严重而且生长速度较慢，本文采用基于子
区域的区域生长方法。将图像分成一组小区域（这里采用3×3），然后对每个区域检查它注意度、相对位置及颜色、纹理等特征的相似度。 2.5.1 阈值的确定
不同的图像内容不相同，因此固定的取值是不合适的。最佳的阈值应当能够自动的随着图像的具体内容而自适应地调整。 1 颜色纹理特征阈值
将图像分为若干个3×3的子区域，根据式(7)得到这些子区域的颜色纹理特征F inf/k，计算所有子区域的平均值：
F inf
1=N
∑F
k =1
N
inf/k ……………………………… (8) 其中
N 为子区域个数。
将F inf 作为参考值，计算所有选定子区域的颜色纹理特征矢量与F inf 的距离：
∆F inf/k =F inf/k -F inf
，k=1,2,……N …………………………..(9)
计算颜色纹理特征的平均变化幅度：
∆F inf
1=N
∑∆F
k =1
N
inf/k
……………………………………………………….(10)
将颜色纹理特征的增长阈值设定为F '=∆F inf 。 2 注意度与相对位置阈值
采用基于信息熵的自适应阈值确定方法，假定图像中所有点的注意度取值范围是[0，M]，假定共有n t 象素的注意度为t ，t ∈[0，M]，给定一个阈值T ，大于T 被认为是感兴趣点，小于T 的被认为非感兴趣点。
P n (t ) =
n t
, 0≤t ≤T …………………………………(11)
∑
∑
T i =0
n i
P a (t ) =
n t
M i =T +1
，T+1≤ t ≤M …………………… (12)
n i
P n (t ) 表示非感兴趣点的概率，P a (t ) 表示感兴趣点的概率。两种类型的点的信息熵可
以定义为：
E n (T ) =-∑P n (t ) log P n (t ) ……………………………….. (13)
t =0M
T
E a (T ) =-∑P a (t ) log P a (t ) ……………….………………(14)
t =T +1
能够区分两类阈值T 的最佳取值T S '应该满足：
T S '=arg max{E n (T ) +E a (T )} T=0,1……，M ………… (15)
'也可以计算出来。 类似的，最佳的T RPD
2.5.2 生长步骤
(1) 选择起始种子区域R 0 ，并得到该区域的颜色纹理特征F 0 、注意度S 0、相对位置指示RPD 0；
(2) 建立种子区域的上下左右4个方向的相邻子区域，并用该子区域初始化候选子区域集
合，记为：C ={候选子区域} ；
(3) 如果候选子区域C 不为空，则从C 中任选一个候选子区域R 1 , 得到其特征向量F 1、注意
度S 1、相对位置指示RPD 1
(4) 计算种子区域和起始区域的颜色纹理特征差值：ΔF = |F0 –F 1| ；
(5) 如果满足：(S 1≥T ' S and RPD 1≤T ' RPD ) or [(S 1
候选子区域为已标注区域。即注意度较大且不在边缘的区域，或者注意度不大且不在边缘但和已标注区域具有相似的颜色纹理特征。再构造该区域的上下左右4个方向的相邻子区域，并且将新的候选子区域并入候选集合C （集合中已存在的候选子区域不再并入）；
(6) 如果不满足上述条件则删除该候选子区域，返回（3）； (7) 如果候选子区域C 为空，则处理已合并的区域； (8) 返回。
2.6后处理
生长得到的分割结果中，往往会有许多零碎的小区域。合并过程分两步完成： 1) 极小区域被看作噪声将其过滤。
2) 其他零碎区域根据其与临近区域的空间位置关系进行合并。
对象间的位置关系有以下几种，如果一个对象完全在另一个对象中或者至少有三方被另一个对象包围，则这个对象属于内对象，应合并到它的外围对象中。如果处于两个对象间的小区域我们将其视为边缘。
3 实验结果与分析
从Corel 图像库中抽取老虎，马，大象，鸟，鱼，汽车，花卉，建筑，风景等10类200张图片进行实验，实验结果表明，本文的ROI 提取算法能较准确的提取出图片中的感兴趣物体，对于图片中有明显物体的图像具有很好的提取效果。
a 原始图像
b 文献[1]的实验结果 c 本文算法实验结果
图4感兴趣区域的提取算法实验结果
从实验结果可以看到，文献[1]采用的约束条件是关注度和相对位置，由于老虎的右前腿受关注程度较小，不满足条件，所以分割结果中老虎的右前腿丢失了。本文加入了对图像颜色纹理信息的考虑，虽然老虎右前腿不满足关注度的要求，但是它与分割区域相似的颜色纹理信息使得它保留下来。类似的情况还有结果2中老虎的尾巴部分。
本文用Matlab6.5设计了基于像素的区域生长算法和基于子区域的区域生长算法（其它条件均相同），对两种方法运行时间进行比较，得到的程序运行时间表如下（单位秒）：
基于像素 基于区域
老虎 3.3386 1.6804
马 10.6951 5.1183
大象 14.7510 6.9270
鸟 5.6246 2.6663
建筑 9.9276 4.7263
汽车 5.4980 2.6340
花卉 14.5440 6.8366
风景 3.9526 1.8786
表1基于像素的区域生长法与基于子区域的区域生长法时间比较
参考文献
[1] 韩军伟，基于内容的图像检索技术研究[D]，博士学位论文，西北工业大学 ，2003
[2] Y .N.Deng,B.S.Manjunath, and H.Shin. Color image segmentation[C]. Proc.IEEE Conference on Computer
Vision and Pattern Recognition, Fort Collins, CO, 2: 446-451,June 1999.
[3] 樊昀，基于内容图像检索的一些关键技术研究[D]，工学博士论文，国防科技大学研究生院，2001 [4] 刘宁宁，胡志刚等，结合纹理信息的图像分割方法及其应用[J]，软件学报，V ol.10,No.4 Apr.1999 [5] 田玉敏，林高全，基于颜色特征的彩色图像检索方法[J]，西安电子科技大学学报(自然科学版) ，Feb.2002 ,
V ol.29 No.1
[6] 斯白露，基于感兴趣区域的图像检索方法[D]，硕士学位论文，中国科学院计算技术研究所，2002