信息时代因特网的普及,数字图像处理技术的高速发展,使得大量的图像涌现在社会的各个领域,如何从日益巨大的图像库中快速准确地找到用户心仪的图像成为计算机视觉领域亟需解决的问题。因此,基于内容的图像检索技术(CBIR)应运而生并成为国内外相关学者研究的热点之一。传统的基于内容的图像检索系统在检索时通过获取整幅图像的全局特征进行计算,这必然含有一些冗余信息从而给检索带来过多的计算量和不准确性。正因为考虑到此种情况,本文将检索的区域范围从全局缩小到局部,重点研究了基于用户感兴趣区域和支持向量机(SVM)相关反馈的图像检索。具体的研究工作如下:针对现有基于兴趣点凸包和兴趣点等间隔同心圆环法的图像检索方法在确定图像感兴趣区域时易受处于图像背景区域的游离兴趣点影响的这一缺点,提出一种基于感兴趣区域的图像检索方法。该方法首先检测图像的兴趣点;然后计算兴趣点在其各分布区域内的密度比值,将兴趣点密度比值较低的区域排除,留下兴趣点密度比值较大的区域作为图像的感兴趣区域;最后融合图像感兴趣区域内颜色、纹理和形状特征进行检索。实验证明该方法能够有效剔除游离兴趣点,减少冗余计算量,获得较为准确的图像感兴趣区域和较好的检索准确率。为了进一步探知用户检索的深层意图,最大化缩小图像高层语义特征和底层视觉特征之间的鸿沟距离,本文将基于支持向量机(SVM)的相关反馈引入图像检索系统中。针对传统SVM当正样本数量过少,负样本相对数量过多时出现分类面偏移的问题,本文借鉴打包SVM的思想,将负样本打包,选出最优SVM分类模型进行样本训练。该方法首先使用本文提出的基于感兴趣区域的图像检索方法进行初次检索,再用基于打包SVM相关反馈的方法进行重新检索直到用户满意为止。实验结果表明,相较于基于单一SVM相关反馈的图像检索,引入了打包SVM相关反馈的图像检索系统的查准率更高,更符合用户的检索心理预期。