[发明专利]一种基于卷积神经网络的花卉图像检索方法

权利要求书

1.一种基于卷积神经网络的花卉图像检索方法，其特征在于，包括如下步骤：

(1)构建带有类别信息的花卉图像数据集，并使用随机图像变换方法处理花卉图像以增强所述花卉图像数据集，从而防止后续模型训练时过拟合；

(2)构建基于VGG16的花卉分类深度卷积神经网络模型VGG-F，并使用Adam优化算法优化所述模型VGG-F的参数的学习训练；所述模型VGG-F中，第一个全连接层的节点数为1024个，第二个全连接层的节点数为256个，分类层的节点数为所述花卉图像数据集中的花卉类别总数；

(3)通过所述模型VGG-F的第二个全连接层分别提取待查询图像和所述花卉图像数据集中每一个花卉图像的特征向量，并进行相似性比较，提取所述花卉图像数据集中与待查询图像最相似的2N个花卉图像作为初步检索结果；其中，N为正整数；

(4)分别计算待查询图像和所述初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，提取所述初步检索结果中与待查询图像最相似的N个花卉图像作为检索结果；检索结束。

2.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述花卉图像数据集中，花卉类别总数Nc不超过100。

3.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述检索结果中，所包含的花卉图像数量N的取值范围为：10＜N＜40。

4.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述步骤(1)中，用于处理花卉图像以增强所述花卉图像数据集的随机图像变换方法包括：随机-10°～10°的旋转、-0.15～0.15倍最小图片边长的水平移位、-0.15～0.15倍最小图片边长的竖直移位、镜像对称变换或者其中多种变换的组合，以及将花卉图像缩放到224×224大小。

5.如权利要求1所述的基于卷积神经网络的花卉图像检索方法，其特征在于，所述步骤(4)中，分别计算待查询图像和所述初步检索结果中每一个花卉图像的HSV颜色分布特征向量，并进行比较，得到检索结果，包括如下步骤：

(41)对于一个花卉图像，将其从RGB色彩空间转换到HSV色彩空间，并创建中心椭圆区域掩模图像M，所述掩模图像M的表达式为：

其中，(x,y)为所述掩模图像M的像素点位置坐标，w和h分别为所述掩模图像的宽度和高度；

(42)对于H、S、V三通道，分别统计18个桶、10个桶和4个桶的像素灰度值直方图分布，计算公式如下：

其中，H_hist、S_hist和V_hist分别为H、S、V三通道的中心区域灰度级压缩后的直方图分布向量，v是灰度级压缩后的灰度级，H_hist(v)、S_hist(v)和V_hist(v)分别为H、S、V三通道中压缩后灰度级为v的像素在掩模区域内的个数，H(x,y)、S(x,y)和V(x,y)分别为所述掩模图像M中坐标位置为(x,y)的像素点的H值、S值和V值，[]代表条件，代表向下取整；

(43)分别对三个通道的直方图分布向量进行L2归一化，并分别乘以18、10和4后，将三个向量拼接为单一向量，然后对所得到的单一向量进行L2归一化，得到花卉图像的HSV颜色分布特征向量；

(44)分别对待查询图像和所述初步检索结果中的2N个花卉图像执行步骤(41)～(43)，得到各花卉图像的HSV颜色分布特征向量，并进行相似性比较，得到检索结果。

6.如权利要求1或5所述的基于卷积神经网络的花卉图像检索方法，其特征在于，得到各花卉图像的特征向量或者HSV颜色分布特征向量后，进行相似性比较的方法为：分别对各花卉图像的特征向量或者HSV颜色分布特征向量进行L2归一化；将待查询图像的归一化向量与另一个花卉图像的归一化向量之间的余弦距离作为两个花卉图像的相似度，分别计算待查询图像与其余每一个花卉图像的相似度，然后根据相似度对待查询图像之外的所有花卉图像进行排序。