基于区域的图像检索技术(RBIR)是基于内容图像检索(CBIR)的一个重要研究方向。利用图像分割技术把图像分成多个区域,用区域特征集表示和索引图像。在一定程度上实现了对象层次的检索,减小了图像底层特征和高层语义之间的语义鸿沟。但是这些分割出来的区域中只有一部分是用户想要得目标区域。为了提高系统的检索效率,进一步获得语义信息,必须获得查询过程中用户感兴趣的区域。本文分析和概括了图像检索的基本原理、关键技术和检索结果的评价方法,并且对基于区域检索的三个关键步骤进行了研究,提出了一种利用颜色和数学形态学的分割方法。利用图像的颜色特征把图像分成多个区域,然后根据数学形态学对分割后的图像的区域进行合并,去除过分割的区域,合并对象层次上的区域目标。通过对Zernike矩性质的研究,对分割后图像中的各个区域提取了6阶6重矩,结合区域的颜色、中心、轮廓、尺寸,构成了区域的特征向量。用这些特征向量来表示区域。为了提高检索效率,采用阶梯式匹配的方法,进行基于感兴趣区域的图像匹配。相关反馈是最近图像检索中比较重要的研究方法,它最初发源于文本文档检索,这一技术试图填补底层图像特征和高层语义内容之间的空白。从模式分类和机器学习的角度,以支持向量机(SVM)为分类器,进行相关反馈。对每个检索结果,让用户标定正确结果和错误结果,并用标定的结果形成正例集合和反例集合,训练SVM分类器作为模型,并根据学习所得模型进行检索。结果表明该方法可以有效地检索出更多的相关图像,并且在小样本的情况下具有很好的推广能力。本文建立了一个图像检索的原型系统,该系统可以完成基于底层特征的全局图像检索,如基于直方图、颜色对、Tamura纹理、不变矩、Hu矩等特征的图像检索,以及本文采用的基于Zernike矩特征的感兴趣区域的检索。