The goal of content-based image retrieval (CBIR) is to search relevant images through the analysis of image content. Manifold Ranking (MR) and Efficient Manifold Ranking (EMR) method has been successfully applied to content-based image retrieval due to its ability to discover underlying geometrical structure of dataset given the query data. But given the image database is scalable, the graph in MR and EMR cannot be extended or updated as their graph size is fixed. In this paper, to solve the above problem, we consider to formulate a sub-graph based on fixed anchors, instead of constructing the graph based on the while dataset, where the anchors are selected by utilizing conventional k-means method and the sub-graph weight matrix is defined by the similarity between any pair-wise anchors. Since the number of anchors is much smaller than the original dataset, updating the sub-graph is much easier than the original graph of whole dataset. Motivated by such sub-graph construction, we then develop an efficient graph regularization framework to predict the ranking scores for the whole data along the sub-graph, where the ranking score is first propagated from query image to the partial anchors, then from partial anchors to all anchors via the sub-graph and finally to the whole dataset. It can also utilize user relevance feedbacks to update the sub-graph so that the discriminative information can be involved to enhance the retrieval performance in a long term. Extensive simulations verify the effectiveness of the proposed method.

基于内容的图像检索（CBIR）的目标是通过对图像内容的分析来搜索相关图像。流形排序（MR）和有效流形排序（EMR）方法已成功应用于基于内容的图像检索，这是因为它具有在给定查询数据的情况下发现数据集的基础几何结构的能力。但是，由于图像数据库具有可伸缩性，因此MR和EMR中的图形无法扩展或更新，因为它们的图形大小是固定的。在本文中，为解决上述问题，我们考虑基于固定锚点来制定子图，而不是基于while数据集来构造图，而while数据集是通过传统的k-means方法和子图来选择的。图形权重矩阵由任何成对锚点之间的相似性定义。由于锚点的数量比原始数据集小得多，因此更新子图比整个数据集的原始图容易得多。由于这种子图的构造，我们然后开发了一个有效的图正则化框架来预测整个数据沿子图的排名得分，其中排名得分首先从查询图像传播到部分锚，然后从部分锚传播通过子图到达所有锚点，最后到达整个数据集。它还可以利用用户相关性反馈来更新子图，以便可以长期使用区分性信息来增强检索性能。大量的仿真验证了该方法的有效性。由于这种子图的构造，我们然后开发了一个有效的图正则化框架来预测整个数据沿子图的排名得分，其中排名得分首先从查询图像传播到部分锚，然后从部分锚传播通过子图到达所有锚点，最后到达整个数据集。它还可以利用用户相关性反馈来更新子图，以便可以长期使用区分性信息来增强检索性能。大量的仿真验证了该方法的有效性。由于这种子图的构造，我们然后开发了一个有效的图正则化框架来预测整个数据沿子图的排名得分，其中排名得分首先从查询图像传播到部分锚，然后从部分锚传播通过子图到达所有锚点，最后到达整个数据集。它还可以利用用户相关性反馈来更新子图，以便可以长期使用区分性信息来增强检索性能。大量的仿真验证了该方法的有效性。然后通过子图从局部锚到所有锚，最后到整个数据集。它还可以利用用户相关性反馈来更新子图，以便可以长期使用区分性信息来增强检索性能。大量的仿真验证了该方法的有效性。然后通过子图从局部锚到所有锚，最后到整个数据集。它还可以利用用户相关性反馈来更新子图，以便可以长期使用区分性信息来增强检索性能。大量的仿真验证了该方法的有效性。