随着移动互联网技术及数字存储设备和电脑通讯设备的迅速发展,人们通过Facebook、Twitter、Instagram 等社交网络应用程序和 WhatsApp、WeChat 等即时消息应用程序传输的图像持续快速增长。如何从海量的图像数据库中浏览和选取出人们感兴趣的图像数据,以及如何从这些非结构化数据中提取出结构化的、有意义的逻辑、实体乃至关系网络,从而对社会群体的趋势和个体的行为进行预测,是互联网大数据时代的新挑战和新机遇。通常在对高维的复杂图像数据分析处理前,需要对数据进行特征提取操作,通过提取相关性强的特征,实现图像相关性匹配、图像目标识别、图像检索等应用。本文以特征提取算法及应用为研究对象,以计算机视觉理论、信息编码理论、复杂网络理论、和信息论等知识为理论基础,重点研究了图像的边缘方向特征、感兴趣点特征和复合特征的提取,包括如何构造良好的图像表征方式、如何更为完整地描述图像内容以及如何对图像检索结果进行有效的实时评估等几个方面。本文的主要创新工作概括如下:(1)针对“边缘退化”问题,提出了一种基于分类矢量量化(VQ)和边缘方向分类算子(EOPs)的图像压缩编码和特征提取算法。首先,提出了 一种基于EOPs的边缘方向检测器,利用边缘方向检测器对图像块进行分类,然后利用分类矢量量化器为图像块分类设计码书,并将码书中与图像块最匹配的码字索引代替输入矢量进行传输和存储,编码的平均峰值信噪比得到提高。此外,在压缩编码的基础上,我们还提出了一种基于EOP和VQ的特征,将基于EOP-Histogram(EOPH)的特征与传统的VQIH的特征相结合应用于图像检索,实验结果表明,该方案有效地提高了图像检索的性能。(2)针对一幅图像不同区域局部特征的差异性,提出将图像适当地划分为具有不同特性的分区,分别计算每个图像分区的特征,然后将所有块分区特征连接成一个复合特征向量(Composite Feature),有效地克服局部信息丢失的问题。针对块截断图像编码算法比特率较高、计算复杂度和压缩比较低的特点,提出了一种基于位平面边缘方向分类和树形矢量量化的特征提取算法。对块截断编码后的位平面进行梯度划分,对划分后的28种图像块采用树形矢量量化编码的方法生成位平面的边缘方向特征(Edge Orientation of Bit-plane Feature,EOBPF)。然后结合对比度和颜色直方图特征(Contrast and Colour Histogram Based Feature,CCHF),作为图像的复合特征应用于图像检索。该特征不仅具有较高的压缩比特率,还有效地克服了局部信息丢失的问题,大大提高了图像检索效率。(3)针对大部分图像和视频都是以压缩的形式进行存储和传播的问题,我们提出了基于离散余弦变换的压缩域特征提取方法。充分利用DCT的能量集中特性和分类矢量量化高压缩比的优点,对图像进行去相关操作,保留了有用的特征值,而过滤一些不相关信息,达到对图像关键信息的一种增强表达。我们提取的特征融合了图像块类索引特征向量、DC系数索引特征向量和基于AC系数分类的VQ编码索引特征向量,分别表征图像的边缘方向信息、能量信息和纹理信息。总的来说,该算法实现了对压缩域图像的复合特征提取,并且去除了不相关信息,有助于提高图像检索的准确率。(4)为了避免“视觉退化”的问题,研究了基于复杂网络的图像建模算法和基于复杂网络的图像感兴趣点特征的提取方法,并且证明了该特征的缩放不变性。首先将图像通过像素点映射为全连接图,然后对全连接图进行动态演化,通过计算目标图像的多邻域梯度图以构建网络,并利用一组阈值和高斯加权函数来降低生成网络的复杂度,生成一个具有明显拓扑结构的复杂网络。然后,提出了基于熵权法和信息熵与交叉信息熵的复杂网络关节点中心性计算算法,找到网络中具有控制作用的关键节点。将关键节点映射回图像,得到能够描述图像形状轮廓的感兴趣点特征。在找到特征点后,我们在特征点周围取了一个“范围”,在这个范围内计算这个子网络的统计特征,作为图像的局部特征描述子。实验结果证明,我们提取的图像特征点不仅能够很好地描述图像的局部特征,而且具有尺度和缩放不变性,在图像分析和理解领域具有重要的应用价值。