[发明专利]一种基于深度CNN特征的图像检索和分类方法

权利要求书

1.一种基于深度CNN特征的图像检索和分类方法，其特征在于：该方法流程如下：

(1)把查询图像输入CBIR系统内预处理；

(2)利用已学习好的CNN提取图像的特征；

(3)特征提取完成后，将信息输送至检索模块；

(4)通过稀疏编码采用余弦距离进行相似性度量；

(5)索引和检索到相关信息，输出检索结果；

(6)通过CNN的算法，调整CNN的每个参数的学习率，自动提取数据的局部特征，并进行归档。

2.根据权利要求1所述的一种基于深度CNN特征的图像检索和分类方法，其特征在于，图像的特征提取包括单层和多层图像特征提取，其中单层图像特提取，稀疏编码按照由低到高的层次对不同大小的图像块依次进行，方法如下：

2.1、图像从粗到细分为3个不同层次，分别得到大块、中块和小块，首先将它们的灰度值按列重组为一个列向量，列向量的元素为此块中的像素值；如果是彩色图像，则将小块中的像素按列重组后提取R、G、B 3个通道的值得到3个列向量，再将3个列向量连接成为一个长的列向量；

其中多层图像特征提取，三层图像特征提取要在3个递进的层上依次对图像进行稀疏编码，方法如下：

2.2、第一层：在第一层的编码流程与单层的特征提取算法相同，即在图像分块后，从小块开始用之前训练好的词典C1进行编码，对编码进行汇总得到大块的编码，再将大块的编码连接得到FB1，FB1经归一化处理后输入到第二层中；

2.3、第二层：将第一层输出的归一化后的编码FB1用第二层训练好的词典C2进行进一步的编码，然后进行汇总、连接和归一化得到第二层相应的稀疏编码FB2；

2.4、第三层：将第二层输出的归一化后的编码FB2用第三层训练好的词典C3进行进一步的编码，然后进行汇总、连接和归一化得到第三层相应的稀疏编码FB3，更多层可依次类推。

3.根据权利要求1所述的一种基于深度CNN特征的图像检索和分类方法，其特征在于，如果图像特征向量为图像B的特征向量为B＝(b₁,b₂,L,b_n)，A与B之间的距离为d(A,B)，a_i为特征向量A的第i维，b_i为特征向量B的第i维，那么几种常用的相似性度量距离方法如下：

3.1、欧式距离法

欧式距离也叫做欧几里得几何距离，计算n维空间任意向量A、B间的绝对距离d(A,B)，欧式距离法的表达式见公式(3.1)：

在公式(3-1)中，w_i代表权重，如果w_i都相等，那么加权欧式距离变为一般欧式距离；

3.2、直方图距离法

直方图距离法代表的是不同表征向量中的最小距离数值之和，d(A,B)的公式为：

通过标准化计算将公式(3-2)除以具有最小向量和的表征向量，可以得到：

3.3、余弦距离法

余弦距离法的相似度和距离为负相关，余弦距离法的公式为：

在公式(3-4)中，

4.根据权利要求1所述的一种基于深度CNN特征的图像检索和分类方法，其特征在于，Adam算法：

在确定给定随机目标函数的一、二矩估计的指数衰减率和超参数学习率后，在满足迭代终止条件之前迭代执行以下参数更新过程。在确定给定随机目标函数f(θ)的一、二矩α和β₁和β₂后,循环执行下列规则以更新参数；

4.1、从训练集种随机采样包含m个样本{x⁽¹⁾,x⁽²⁾,L x^(m)}；

4.2、计算梯度g，

4.3、更新时间步t，t＝t+1；

4.4、更新偏一阶矩估计s，

s^(t)＝β₁s^(t-1)+(1-β₁)g^(t-1) (4-2)

4.5、更新偏二阶矩估计r，

r^(t)＝β₂r^(t-1)+(1-β₂)g^(t-1) (4-3)

4.6、修正一阶矩偏差

4.7、修正二阶矩偏差

4.8、计算更新Δθ，

θ＝θ+Δθ (4-6)

其中δ是一个防止除0的小浮点数,L为损失函数。