随着信息技术的快速发展,信息获取和信息存储能力的不断提高,从海量数据中获取我们感兴趣的信息成为当前研究的热点之(?)同样,在计算机视觉和图像处理及模式识别领域,图像检索也成为重要的研究方向之一。在早期,因为数据量并不十分庞大,人们考虑使用基于文本的图像检索方式,这种检索方式,优点是检索准确且直观。然而,随着信息量的指数级增长,对图像进行手工标注,工作量巨大,且存在因为不同标注者主观感觉不同导致的标注二义性。于是,基于内容的图像检索方式被提出并得到了很快发展,它主要是从图像中提取低层特征,包括颜色、纹理、空间关系等,然后计算图像之间的特征相似性,找到对应图像。这种方法灵活,丰富,但是也存在一个很大的问题,就是“语义鸿沟”,即相同或相似的低层特征往往对应完全不同的高层语义特征。为了解决这个问题,人们提出了基于自动图像标注的检索,用与图像检索等方面。这种方法核心是学习一个已经标注好的图像库,找到图像低层特征和标注词之间的对应模型,再用该模型,计算出最适合待标注图像的关键词。于是,基于标注的图像检索就转换成了已经发展成熟的基于文本的图像检索了。本文,借助于统计学中的典型相关分析工具,可以得到标注库中标注词向量组和图像低层特征向量组之间的相关性,从而得到投影的特征向量,再使用k-means聚类,得到若干概念类,将概念类中的图像进行分割,提取这些区域的低层特征,继续进行k-means聚类,这样,每一个概念类中,得到若干特征相似的块blob,最后,利用多伯努利模型,就可以计算的到块bi与每个关键词之间的联合概率分布表。对于待标注的图像,首先进行基于改进的JSEG算法的图像分割,对分割的每个区域,提取贡献最大的低层特征的Semi-CCA投影,找到区域所属于的块,结合已经得到的联合概率分布表,我们就可以找出最合适的标注词了。