[发明专利]图像特征表征方法及设备

说明书

本发明的目的是提供一种图像特征表征方法及设备，本发明将HASH、HIST和CNN三种方法融合，将3种表征做融合处理，作为图像的表征向量值，可以得到图像更完整更丰富的特征。基于HASH、HIST和CNN表征的互补融合增强，提升图像搜索的精确性，可以达到模糊图片和小图搜索原图的目的，并且对于局部图片搜索原图有效果。通过获取图像不同维度的表征，解决了模糊图片和小图搜索不到原图的问题。

技术领域

本发明涉及计算机领域，尤其涉及一种图像特征表征方法及设备。

背景技术

图像表征，指的是用一定维度的向量来表示图像，可用图像的向量来计算图片之间的相似度，从而来判断图片之间的相似性。

以图搜图：指的是用户输入图片，系统将原图以及按照与输入图片的相似度倒序的方式将图片展示给用户。而当用户输入模糊图片和小图时，系统往往搜索不到原图展示给用户。

图片通用的表征方式：

1）HASH传统表征方式：哈希算法，用类似指纹二进制向量来表示图像，通过汉明距离计算相似度，即判断对应的位置的字符是否相同，来判断相似性，相同的位数越多，就说明图片越相似。HASH传统表征方式的缺点：表征方式单一，元素均为0或1，无法使用欧式距离等相似度方式进行相似度计算，只考虑到图像的结构信息，对灰度图像有效，对彩色图像敏感度不高。

2）HIST表征方式：直方图算法，用图像的颜色分布来表示图像，用巴氏系数算法来计算相似度，即对对应位置元素相乘后开方求和。HIST表征方式的缺点：表征维度过大，只考虑了图像的颜色变化，对图像的结构信息不敏感。

3）CNN表征方式：深度学习卷积算法，通过多层的卷积操作，串联提取特征，用512维的向量作为图像表征，通过对应位置元素相乘求和的方式来计算相似度。CNN表征方式的缺点：表征小图或者模糊图片的时候，表征往往不具备代表性。

上述每一种表征方式，都无法单独解决模糊图片和小图搜索原图。

发明内容

本发明的一个目的是提供一种图像特征表征方法及设备。

根据本发明的一个方面，提供了一种图像特征表征方法，该方法包括：

计算待搜索图像对应的HASH表征值、HIST表征值和CNN表征值；

计算计算图库中的原图像对应的HASH表征值、HIST表征值和CNN表征值；

将所述待搜索图像的HASH表征值、HIST表征值和CNN表征值进行拼接，以得到所述待搜索图像的融合特征值；

将所述原图像的HASH表征值、HIST表征值和CNN表征值进行拼接，以得到所述原图像的融合特征值。

进一步的，上述方法中，将所述原图像的HASH表征值、HIST表征值和CNN表征值进行拼接，以得到所述原图像的融合特征值之后，还包括：

基于所述待搜索图像的融合特征值和原图像的融合特征值，展示与所述待搜索图像相似的原图像。

进一步的，上述方法中，计算待搜索图像对应的CNN表征值，包括：

步骤S1111，输入所述待搜索图像，使用3*3 像素点的卷积核，对所述图像依次进行卷积运算、池化操作以及非线性函数的激活，以获取224*224*64像素点的第一一特征图；

步骤S1112，使用3*3 像素点的卷积核，对所述第一一特征图像依次进行卷积运算、池化操作以及非线性函数的激活，以获取224*224*64像素点的第一二特征图；

步骤S1113，使用3*3 像素点的卷积核，对所述第一二特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取112*112*128像素点的第一三特征图；