[发明专利]一种基于树形聚类矢量量化的图像检索方法

权利要求书

1.一种基于树形聚类矢量量化的图像检索方法，包括训练过程和检索过程，其特征在于：

所述训练过程包括以下步骤：

S11、先将输入的原始图片进行预处理，图像大小缩放到224*224，使用ResNet-50 CNN模型对图片提取2048维图像特征，保存所有图片的图像特征；

S12、使用k-means++聚类算法对图像特征进行聚类得到聚类模型，聚类数为k，保存该聚类模型到树模型的当前根节点中；

S13、对这k个类中的数据进行递归聚类，聚类数依然为k，以此来将所有数据全部划分到叶子结点上；

S14、当子类中的数量小于N，或者树的深度达到H停止聚类；

S15、保存树模型，对已有图片计算在叶子结点的位置，经过的路径即为该图片指纹，保存所有图片指纹；

所述检索过程包括以下步骤：

S21、对输入的查询图像进行预处理，图像大小缩放到224*224，使用ResNet-50 CNN模型对图像提取2048维图像特征；

S22、对S21中得到的图像特征进行递归类别预测，从根节点开始，每个聚类模型递归预测该图像特征的类别；

S23、当S22中的图像已经落到叶子节点中时，输出该叶子节点的路径作为图像的指纹；

S24、查找和该指纹相同的所有图像I；

S25、计算该查询图像与图像I中图像矢量的余弦距离，对距离进行排序即可得到相似图像。

2.根据权利要求1所述一种基于树形聚类矢量量化的图像检索方法，其特征在于：是四步骤S12中所述k-means++聚类算法，按照如下聚类规则选取K个聚类中心：

a)从输入的数据点集合中随机选择一个点作为第一个聚类中心μ₁；

b)对于数据集中的每一个点x_i，计算它与已选择的聚类中心中最近聚类中心的距离D(x)，该距离的计算公式为：

c)选择一个新的数据点作为新的聚类中心，选择的原则是D(x)较大的点，被选取作为聚类中心的概率较大；

d)重复b和c直到选择出k个聚类质心。

3.根据权利要求1所述一种基于树形聚类矢量量化的图像检索方法，其特征在于：所述递归聚类建树的过程为：在第一次聚类的时候聚5个类，并对这5个类继续递归的聚类下去，直到叶子节点的样本数少于设定阈值或者分裂的节点不足N个或者树的深度达到H为止。

4.根据权利要求1所述一种基于树形聚类矢量量化的图像检索方法，其特征在于：S15所述图片指纹生成过程为：对所有样本从根节点开始进行聚类的类别预测，得到预测类别的子树，再进行递归预测直到样本落到叶子节点上，样本所经过的子树编号作为生成的指纹，子树编号即为聚类的类别编号。

5.根据其权利要求1所述根一种基于树形聚类矢量量化的图像检索方法，其特征在于：步骤S25所述的检索过程中的余弦距离公式为：

其中A、B为图像特征向量。