[发明专利]一种基于树形聚类矢量量化的图像检索方法在审
申请号: | 201910137102.0 | 申请日: | 2019-02-25 |
公开(公告)号: | CN109918529A | 公开(公告)日: | 2019-06-21 |
发明(设计)人: | 丰江帆;付雪君;夏英;周耀;韩思祺 | 申请(专利权)人: | 重庆邮电大学 |
主分类号: | G06F16/583 | 分类号: | G06F16/583;G06F16/56;G06F16/51;G06K9/62 |
代理公司: | 重庆市恒信知识产权代理有限公司 50102 | 代理人: | 李金蓉 |
地址: | 400065 重*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 图像检索 聚类 聚类矢量 预处理 量化 图像 高维特征向量 准确度 图片 语义 聚类算法 矢量量化 矢量特征 数据空间 特征抽取 矢量 树模型 算法 指纹 检索 查找 保存 制定 学习 | ||
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xi,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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆邮电大学,未经重庆邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910137102.0/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种基于语义保护的紧凑的哈希码学习方法
- 下一篇:用于推送图像的方法和装置