[发明专利]一种基于深度CNN特征的图像检索和分类方法

说明书

本发明提供了一种基于深度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；本发明方法的网络特征提取能力比传统网络要有所提升，训练学习到的哈希码具有较佳的判别力，能够有效实现对多媒体图像检索及特征表达。

技术领域

本发明主要涉及信息检索的技术领域，具体为一种基于深度CNN 特征的图像检索和分类方法。

背景技术

随着信息技术的发展使得越来越多的物联网智能设备进入大众的生活，人们通过这些设备获取的图像数据也出现了爆发式的增长，伴随图像数据段时间内大幅度增加，传统图像检索已经无法顺应时代的发展需求，通过了解发现，以往图像检索基本上都是通过数据库来对数据进行检索，通过建立索引、分组和关键字等手段来获取符合要求的图片。随着智能设备的增多，网络中的图像资源剧增，利用传统的图像检索对这些图像资源进行管理和检索的效率较低。

发明内容

本发明主要提供了一种基于深度CNN特征的图像检索和分类方法，用以解决上述背景技术中提出的技术问题。

本发明解决上述技术问题采用的技术方案为：

一种基于深度CNN特征的图像检索和分类方法，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。

优选的，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。

优选的，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