[發明專利]一種基于卷積深度置信網絡的圖像分類檢索方法

在審

• 申請號: 201910329040.3
• 申請日: 2019-04-23
• 公開（公告）號: CN110119455A
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 王文卿;焦鵬飛;劉涵;劉偉
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F16/53
• 分類號: G06F16/53;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 燕肇琪

本發明公開一種基于卷積深度置信網絡的圖像分類檢索方法。具體實施步驟為：步驟1：將圖像數據集中的圖片進行預處理，得到尺寸統一的灰度圖片，將所述灰度圖片隨機劃分為兩部分，一部分為訓練集，另一部分為測試集；構建一個CDBN模型；步驟2：用訓練集對CDBN模型進行訓練；步驟3：將測試集中的圖像作為查詢圖像，用訓練好的CDBN模型對查詢圖像進行分類，輸出圖像的類別標號；步驟4：對圖像數據集中相同類別標號的圖像使用hog特征描述子進行類內檢索排序，最終得到圖像檢索的結果。本發明中CDBN模型可以獲得具有局部不變性和能夠學習高階統計特征，表達能力和可區分性更強，能夠改進和提升圖像分類檢索技術。

技術領域

本發明屬于計算機視覺技術領域，涉及一種基于卷積深度置信網絡的圖像分類檢索方法。

背景技術

圖像分類檢索技術中，圖像的表示和圖像的特征表達是其關鍵問題所在，合理的描述和表達圖像的視覺內容，是圖像分類檢索任務中需要解決的首要問題。早期的很多研究工作中，普遍使用的是圖像的顏色、紋理或形狀等全局特征，如顏色直方圖、紋理能量、輪廓矩等等。雖然全局特征可以較好的表示圖像的總體特點，計算復雜度較低，但是由于其無法有效區分前景目標和背景信息，不能夠準確描述圖像的細節信息，因此區分度較差，僅適用于特定應用背景下的圖像分類檢索。近年來，圖像局部特征由于具有更優的描述能力和魯棒性，成為圖像視覺特征研究的熱點。圖像局部特征指的是在圖像中根據某種屬性定義的有區別與其鄰域的特征模式，主要包括特征點的局部特征和基于區域的局部特征描述，實質上就是一些在各種成像條件下能夠穩定、重復出現并且具有良好可區分的一些點或區域，即興趣點(Interest point)或感興趣區域(Region of Interest)。但通常情況下，一幅圖像中可能檢測出多個特征區域或特征點，因此在描述形式上通常都是以高維向量的形式存在，即“圖像局部特征集”。然而這種“局部特征集”的描述形式不適合于傳統的圖像分類和檢索應用。隨著模式識別和機器學習的快速發展，圖像的視覺特征的研究焦點逐漸轉移到在學習系統的幫助下實現圖像的特征提取，進一步促進了圖像分類和檢索技術的發展。

目前，在計算機視覺領域中，深度學習模型通過無監督的方式去學習到數據中的層次特征表達，不同于傳統的人工設計的特征，這樣減少了人工設計特征的巨大工作量，并且包含了圖像的語義信息，即通過一個大量標注的圖像數據來訓練深度神經網絡，而圖像的標注代表了圖像的類別，也反映了人類視覺中對圖像內容的理解。深度學習模型作為一種強大的特征學習器，其學習過程一般是以無監督和有監督結合的方式完成，其不僅能夠自主提取圖像，并且能夠相對準確得學習到人類對圖像的理解方式，進而訓練得到的深度學習模型可以為圖像提供一個類似于人類視覺系統理解的語義描述，更有助于圖像分類和圖像檢索的應用。

目前，卷積神經網絡(CNN)在圖像分類領域展現出了卓越的性能，CNN對圖像的位移、縮放以及其他旋轉變化等具有良好的適應性，但是其忽略了圖像中的高階統計特征；而在深度置信網絡(DBN)模型中，其在提取圖像高階特征方面具備良好的性能，但忽略了圖像中的局部不變性，對圖像的一些局部變化較為敏感。并且DBN對于給定的每一個位置都要進行權值學習，這種冗余的設計使其很難適用于整幅圖像，可能會存在圖像中部分有效信息丟失等情況，并且這種設計需要訓練大量的權值參數，計算復雜度極高。

發明內容

本發明的目的是提供一種基于卷積深度置信網絡的圖像分類檢索方法，能夠改進和提升圖像分類檢索技術。

本發明所采用的技術方案是，

一種基于卷積深度置信網絡的圖像分類檢索方法，具體實施步驟為：

步驟1：將圖像數據集中的圖片進行預處理，得到尺寸統一的灰度圖片，將所述灰度圖片隨機劃分為兩部分，一部分為訓練集，另一部分為測試集；

構建一個CDBN模型；

步驟2：用訓練集對CDBN模型進行訓練；