多媒体是80年代发展起来的计算机新技术。它彻底改变了计算机的面貌，大大扩展了计算机的应用领域。内含丰富信息的声音、图象、动画、影视等媒体的数字化处理，使计算机技术真正渗透到了千家万户。多媒体系统的组成可以分为七层：计算机硬件、多媒体实时压缩和解压缩、多媒体输入/输出接口、多媒体核心系统、多媒体数据管理工具、多媒体创作工具、多媒体应用系统[16]。目前，多媒体技术的发展更多的是集中在两端，而中间部分--多媒体数据管理工具是最薄弱的，形成了一个两头硬、中间软的局面。一个有效的多媒体管理工具的缺乏，必将大大制约多媒体系统的长远发展。
文件系统可以作为第一代的多媒体数据管理工具，由于文件系统只能解决单一媒体数据的存贮，不便表示混合或复杂对象，更不能表示媒体间的复杂逻辑关系和进行多媒体信息的相关检索。因此，早在1983年，多媒体数据库的概念已经提出。由于多媒体是一种非格式化数据，具有数据量大、处理复杂的特点，因此，多媒体数据库在提出后10多年来，一直没有重大的突破和发展。目前流行的多媒体数据库如ORACLE、SYBASE、EBASE等只引入了多媒体字段和支持多媒体数据的存贮，尚不能称为真正的多媒体数据库。真正的多媒体数据库必须在多媒体字段上定义操作。
基于内容的图象检索CBIR（Content Based Image Retrieval）是1992年出现的概念，它的目标是为了解决图象的检索问题。CBIR在提出后得到了迅速的发展，现已扩展到基于内容的多媒体信息检索。CBIR的基于内容的检索的思想很适用于多媒体数据库，因此，它的出现为多媒体数据库的发展开创了一条新的道路。
......

第一章 前言
第二章 CBIR方法
第三章 解决方法
第四章 Ebase 3的系统实现
第五章 应用前景展望
第六章 总结
参考文献
 

参考文献
[1] Greg Pass, Ramin Zabih, and Justin Miller. Comparing images using color coherence vectors.
Proc. ACM Conf. On Multimedia, 1996
[2] J.Huang, S. Kumar, M.Mitra, W.J.Zhu, and R.Zabih. Image indexing using color correlogram. Proc. of IEEE Conf. On Computer Vision and Pattern Recognition, 1997
[3] J.R.Smith and S.F.Chang. Local color and texture extraction and spatial query. Proc. IEEE
Int. Conf. on Image Proc., 1996
[4] W.Y.Ma, Yining Deng, and B.S.Manjunath. Tools for texture/color based search of images.
SPIE Int. Conf. 3106, Human Vision and Electronic Imaging , Feb, 1997
[5] Robert M. Haralick, K.Shanmugam. Texture Features for Image Classification. IEEE Trans.
On Sys, Man, and Cyb, SMC-3(6), 1973
[6] Hideyuki Tamura, Shunji Mori, and Takashi Yamawaki. Texture features corresponding to
visual perception. IEEE Trans. on Sys, Man, and Cyb, SMC-8(6), 1978
[7] W.Y. Ma and B.S. Manjunath. A comparision os wavelet transform features for textrue image
annotation. Proc. IEEE Int. Conf. on Image Proc. ,1994
[8] W.Y. Ma and B.S. Manjunath. Texture Features for browse and retrive of image. Technical
Report 95-06, University of California at Santa Barbara, 1995
[9] Simone Santini and Ramesh Jain. Similarity Match. IEEE Trans. on Pattern Analysis and
Machine Intelligence, VOL 0, No 0, 1996
[10] B.S. Manjunath and W.Y.Ma. Image Indexing Using a Texture Dictionary. Proc. of SPIE
Conf. on Image Storage and Archiving System, volume 2606.
[11] Amos Tversky. Features of similarity. Psychological review, 84(4):327-352, 1977
[12] Youping Niu, M.Tamer Ozsu and Xiaobi Li. A study of image indexing techniques for
multimedia database systems. Technical Report TR95-19, 1995
[13] H.Zhang and D. Zhong. A Scheme for Visual Feature Based Image Indexing. Storage&
Retrieval for Image and Video Database. SPIE, 1993
[14] Moses Charickar, Chandra Chekar, Tomas Fedar, and Rajeev Motwani. Incremental
clustering and dynamic information retrieval. Proc. of the 29th Annual ACM Symposium
on Therory of Computing, pages 626-635, 1997
[15] Yong Rui, S.Huang, Michael Ortega, and Sharad Mehrotra. Relevance FeedBack: A Power
Tool for Inteactive Content-Based Image Retrieval. IEEE Tran on Circuits and Systems for
Video Technology, Special Issue on Interactive Multimedia Systems for the Internet. 1998.
[16] 李昭原，罗晓沛，1997，数据库技术新进展，清华大学出版社
[17] 徐庐生，1996，微机神经网络，中国<..

摘要
长期以来，一直缺乏着对图象的有效的检索工具。在Internet和多媒体PC迅猛发展的今天，对此类工具的需求变得十分迫切。CBIR（Content Based Image Retrieval：基于内容的图象检索 ）正是在这个背景之下提出来。CBIR的发展很快，但也碰到一些关键的问题，这些问题的能否解决，在很大程度上决定了CBIR的前途。我们将对CBIR的技术成果进行研究和探讨。
特征索引是CBIR的关键问题之一，它决定了CBIR的效率。我们提出了一种基于神经网络SOM（Self-Organizing Map：特征影射网络）和统计检验的索引方法。该方法弥补了传统的多维索引方法和基于SOM索引方法的不足，能有效的将图象特征动态索引。从测试结果可以看出，无论是查询速度或查询精度，该索引方法都要比顺序查找远远要好，基本达到了特征索引的要求。
CBIR的概念也是多媒体数据库所需的。我们引入了CBIR的方法，改造了旧的数据库引擎Ebase2，使之真正成为多媒体数据库。Ebase3采用了基于SOM和统计检验的索引算法。它的框架是开放性的，因此具有媒体独立性和特征扩充性。这两个特性使Ebase3适用于广泛的领域。
关键字
基于内容 图象检索 多媒体数据库 多维索引 神经网络 特征影射网 媒体独立性
特征扩充性