[發明專利]一種基于哈希編碼的印花織物圖像檢索方法

有效

• 申請號: 201810651428.0
• 申請日: 2018-06-22
• 公開（公告）號: CN108984642B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 景軍鋒;王妙;李鵬飛;蘇澤斌;張緩緩;張蕾;張宏偉
• 申請（專利權）人: 西安工程大學
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06K9/62
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 曾慶喜

本發明公開了一種基于哈希編碼的印花織物圖像檢索方法，具體為：首先，ImageNet數據集上進行有監督訓練，得到AlexNet網絡，并進行修改；對印花織物數據庫進行預處理，之后對修改后的AlexNet網絡進行fine?tuning，之后提取每張圖像的哈希二值編碼，計算查詢圖像與數據庫圖像二值哈希編碼之間的漢明距離，得到與查詢圖像最相似的m個池內圖像；最后，計算池內m個圖像與查詢圖像fc7層特征向量之間的歐式距離，提取出與最小歐式距離相對應的幾幅圖像，即為要檢索的相似度最高的top k圖像。該方法具有精度高、檢索速度快、占用內存小的優點。

技術領域

本發明屬于計算機與機器視覺技術領域，具體涉及一種基于哈希編碼的印花織物圖像檢索方法。

背景技術

印花織物作為紡織企業生產的基本資源，其在紡織業的發展中占據著重要地位。而對印花織物圖像的檢索在該領域也具有廣泛的應用，如庫存管理、在線選購、花型設計等。如何對圖像數據進行高效快速的檢索以滿足用戶需求是一個亟待解決的問題。傳統的檢索方式基本都是基于圖像底層視覺特征(如顏色、形狀、紋理等)來衡量兩幅圖像之間的相似性，但這些視覺特征編碼固定，缺少學習能力，無法很好地描述圖像的高層語義信息，導致檢索結果不能很好地滿足用戶需求。

隨著深度學習在計算機視覺領域取得的重大突破，基于深度學習的圖像檢索成為諸多學者研究的熱點，也取得了一定的成果。比較經典的就是利用AlexNet網絡模型提取圖像的fc7全連接層輸出特征進行檢索，可以獲得不錯的精度。但卷積神經網絡全連接層輸出數據為4096維，對于大規模的圖像數據檢索而言計算量較大，內存占用及時間開銷也是用戶不愿接受的。近年來，二進制哈希由于其存儲空間小和匹配速度快的優勢而引起了廣泛關注，計算兩個低維哈希編碼之間的漢明距離能夠極大的減少計算成本和時間開銷。

發明內容

本發明的目的在于提供一種基于哈希編碼的印花織物圖像檢索方法，解決了現有檢索方法中存在的圖像檢索準確率低、耗費時間長的問題。

本發明所采用的技術方案是，一種基于哈希編碼的印花織物圖像檢索方法，具體按照以下步驟實施：

步驟1，在ImageNet數據集上進行有監督訓練，得到預訓練模型，即AlexNet網絡；

步驟2，建立印花織物數據庫，并批量進行預處理；

步驟3，對經步驟1后得到的AlexNet網絡進行修改；

步驟4，利用步驟2中建立的印花織物數據庫對經步驟3后得到的AlexNet網絡進行fine-tuning；

步驟5，利用步驟4中fine-tuning得到的網絡模型提取每張圖像的哈希二值編碼，計算查詢圖像與數據庫圖像二值哈希編碼之間的漢明距離，得到與查詢圖像最相似的m個池內圖像；

步驟6，計算池內m個圖像與查詢圖像fc7層特征向量之間的歐式距離，將圖像數據庫中的圖像按歐式距離由小到大排列，提取出與最小歐式距離相對應的幾幅圖像，即為要檢索的相似度最高的top k圖像。

本發明的特點還在于，

步驟1中，AlexNet網絡，包括五個卷積層和三個全連接層，第一卷積層Conv1、第二卷積層Conv2、第三卷積層Conv3、第四卷積層Conv4和第五卷積層Conv5，第六全連接層fc6、第七全連接層fc7和第八全連接層fc8，并且第一卷積層至第五卷積層直接依次級聯，第六全連接層至第八全連接層直接依次級聯，第六全連接層直接連接到第五卷積層上；第一卷積層至第五卷積層為特征提取層，第六全連接層至第八全連接層為特征融合層和分類層。

步驟2中，建立印花織物數據庫，并批量進行預處理；具體按照以下步驟實施：

步驟2.1，準備用于檢索的印花織物圖像庫，對庫中所有圖像進行手動分類；