中文摘要：

目前国内外对于图像挖掘的研究还不是十分成熟，很多理论上的问题还有待进一步发展。其中一个重要问题就是如何对图像数据进行紧致性分析并将之应用在图像聚类和图像分析中。我们观察这个世界，将各种场景进行归类、分析，在这个过程中数据紧致性起着非常重要的作用。世上的物体千变万化，但它们的外貌都有相对稳定、相对紧凑的模式，这其中就包含了数据紧致性。本项目将面向图像挖掘的应用问题，针对图像数据所具有的高维、大量、非线性问题，对图像数据的类紧致性和界紧致性进行理论探讨，并研究在具体的图像挖掘应用中所需的特定技术。

结论摘要：

图像挖掘具有广泛的实用前景，然而由于图像数据具有高维、大量、非线性、富含误差和噪音等特点，图像挖掘依然是一个新兴的具有挑战性的研究领域。人脑在处理富含噪音的数据时，能自动利用数据紧致性对数据去伪存真、归纳总结。如何模拟这一过程是图像挖掘的难点之一。本项目针对这一问题，对图像数据的类紧致性和界紧致性进行了深入探讨，并成功应用于图像分类与图像检索。本项目在图像水平集和水平线计算、区域相似性度量、线条特征提取、多特征融合、稀疏路网中的路径最优化等方面也进行了卓有成效的工作，并取得了技术突破。相关成果发表在包括IEEE Transactions on Image Processing在内的一些期刊和国际会议上。