传统的基于内容的图像检索技术使用的是顺序检索,对于海量、高维的图像数据来说,这种检索方法在效率上显然已经不能满足需要。对图像数据库进行必要的预处理并且建立索引以提高检索效率显得越发重要。因此本文引入高效的k-means聚类算法和凝聚式层次聚类用于图像数据库的预处理以建立层次索引结构,从而达到快速检索的目的。在预处理时,针对k-means聚类算法k值的确定以及初始聚类中心的选定作了改进,给出了一种自适应的聚类算法,确保同一类内的相似度大,而不同类之间相似度小。本文的主要工作如下:1、提出一种基于Delaunay三角剖分的彩色图像加权直方图颜色特征表示方法。该特征保留了传统颜色直方图特征简单高效和对视角变化不敏感等优点,同时将颜色空间分布信息融合到直方图的表示中,能有效地提高查准率;在选择颜色模型时,根据HSV颜色模型的特性将其划分为黑色区域、白色区域和彩色区域,进一步提高了颜色模型的准确性。2、提出一种自适应的k-means聚类算法。该聚类算法采用Davies-BouldinIndex聚类指标来确定最佳聚类个数,以改良的最大最小距离法来选取初始聚类中心,有效地解决了k值难以确定、初始中心选择不当所带来的聚类结果不稳定等问题。3、建立基于自适应的k-means聚类和层次聚类的层次索引结构。利用聚类算法对图像特征进行聚类,根据特征库的数据视觉特征相似来组织层次索引结构。通过层次索引结构来减少对图像特征库的访问次数和访问数据量,实现对图像的快速检索。4、在以上理论基础之上,设计并实现了一个基于内容的图像检索实验平台,通过实验数据,从检索效率、查准率和查全率三方面进行比较,有力地证明了作者提出的基于聚类的层次索引结构在基于内容的图像检索中的高效、实用。