[发明专利]一种图像检索方法

说明书

本发明公开了一种图像检索方法，包括如下步骤：对被查图像和查询图像进行特征描述；对被查图像和查询图像进行深度学习；用查询图像的特征对被查图像进行相似度度量，得到按相似度排序的反馈列表；利用查询图像和反馈列表中的图像训练样本选取分类器；用样本选取分类器对前n'幅图像及伪负例图像进行分类预测，取g幅最靠近分类面的图像；对反馈列表的前m幅图像以及上一步得到的g幅图像进行标注，得到正图像及负图像；将正图像与查询图像的特征进行融合，用融合后的特征重新进行被查图像相似度度量，得到最终的排序结果。本发明利用主动学习方法实现图像检索中的查询扩展方法，能够在少量用户标注的前提下，实现更准确的图像检索。

技术领域

本发明涉及图像处理领域，尤其涉及一种图像检索方法。

背景技术

目前，基于内容的图像检索方法已经得到了越来越广泛的应用，其中查询扩展方法是提高其查询性能的最有效方法之一，而在查询扩展方法中选择好的扩展图像是重要一步。现有扩展图像的选择方法是在第一次查询的基础上，通过基于特征点的几何验证技术进行扩展图像的选择。这种方法进行的扩展图像选择有扩展图像特征单一、易出错等问题。传统的基于相关反馈的图像检索技术侧重于利用多次相关性反馈的结果构建出一个更好的检索模型。它们一般需要多次反馈和比较大量的人工标注，这会使用户在图像检索的过程中丧失耐心，并不能成为一个好的交互式检索解决方案。

因此，在市场中急需提供一种能够减少用户标注，并且更加准确地实现图像检索的方法。

发明内容

本发明旨在提供一种图像检索方法，以解决目前进行的图像检索过程中出现的扩展图像特征单一、易出错等影响图像检索准确度问题，以及人工标注工作量大的问题。

本发明的发明目的是通过下述技术方案来实现的：

一种图形检索方法，包括如下步骤：

步骤S1：对被查图像库中的被查图像抽取图像特征，并对所述被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述；

步骤S2：利用卷积神经网络AlexNet抽取所述被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述；

步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表；

步骤S4：取查询图像作为正例，步骤S3中的图像查询反馈列表的前n′幅图像以及后n″幅伪负例图像作为无标数据组成训练集，并结合步骤S2得到的深度学习图像特征描述训练得到一个样本选取分类器；

步骤S5：利用步骤S4中得到的样本选取分类器对步骤S3中的图像查询反馈列表的前n′幅图像进行分类预测以形成样本选取分类库，并根据步骤S2得到的深度学习图像特征描述从所述样本选取分类库中取g幅最靠近分类面的图像；

步骤S6：取步骤S3中图像查询反馈列表中的前m幅图像，连同步骤S5中得到的g幅最靠近分类面的图像组成一个待标注图像库，将所述待标注图像库提交给用户做标注，符合所述查询图像特征描述的标为正图像，否则标为负图像；

步骤S7：将步骤S6中所述正图像的特征与查询图像的特征进行特征融合，得到融合图像特征描述；

步骤S8：利用步骤S7中所述融合图像特征描述重新对被查图像库中的被查图像进行相似度度量，得到最终的查询结果。

进一步的，所述步骤S1：对被查图像库中的被查图像抽取图像特征，并对被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述，具体包括如下步骤：