[發明專利]一種基于深度CNN特征的圖像檢索和分類方法

在審

• 申請號: 202110629365.0
• 申請日: 2021-06-07
• 公開（公告）號: CN113343002A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 鄒送上;陳浩;徐江龍
• 申請（專利權）人: 湖南大學
• 主分類號: G06F16/51
• 分類號: G06F16/51;G06F16/53;G06F16/55;G06F16/583;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湖南楚墨知識產權代理有限公司 43268
• 代理人: 陳曉娟

1.一種基于深度CNN特征的圖像檢索和分類方法，其特征在于：該方法流程如下：

(1)把查詢圖像輸入CBIR系統內預處理；

(2)利用已學習好的CNN提取圖像的特征；

(3)特征提取完成后，將信息輸送至檢索模塊；

(4)通過稀疏編碼采用余弦距離進行相似性度量；

(5)索引和檢索到相關信息，輸出檢索結果；

(6)通過CNN的算法，調整CNN的每個參數的學習率，自動提取數據的局部特征，并進行歸檔。

2.根據權利要求1所述的一種基于深度CNN特征的圖像檢索和分類方法，其特征在于，圖像的特征提取包括單層和多層圖像特征提取，其中單層圖像特提取，稀疏編碼按照由低到高的層次對不同大小的圖像塊依次進行，方法如下：

2.1、圖像從粗到細分為3個不同層次，分別得到大塊、中塊和小塊，首先將它們的灰度值按列重組為一個列向量，列向量的元素為此塊中的像素值；如果是彩色圖像，則將小塊中的像素按列重組后提取R、G、B 3個通道的值得到3個列向量，再將3個列向量連接成為一個長的列向量；

其中多層圖像特征提取，三層圖像特征提取要在3個遞進的層上依次對圖像進行稀疏編碼，方法如下：

2.2、第一層：在第一層的編碼流程與單層的特征提取算法相同，即在圖像分塊后，從小塊開始用之前訓練好的詞典C1進行編碼，對編碼進行匯總得到大塊的編碼，再將大塊的編碼連接得到FB1，FB1經歸一化處理后輸入到第二層中；

2.3、第二層：將第一層輸出的歸一化后的編碼FB1用第二層訓練好的詞典C2進行進一步的編碼，然后進行匯總、連接和歸一化得到第二層相應的稀疏編碼FB2；

2.4、第三層：將第二層輸出的歸一化后的編碼FB2用第三層訓練好的詞典C3進行進一步的編碼，然后進行匯總、連接和歸一化得到第三層相應的稀疏編碼FB3，更多層可依次類推。

3.根據權利要求1所述的一種基于深度CNN特征的圖像檢索和分類方法，其特征在于，如果圖像特征向量為圖像B的特征向量為B＝(b₁,b₂,L,b_n)，A與B之間的距離為d(A,B)，a_i為特征向量A的第i維，b_i為特征向量B的第i維，那么幾種常用的相似性度量距離方法如下：

3.1、歐式距離法

歐式距離也叫做歐幾里得幾何距離，計算n維空間任意向量A、B間的絕對距離d(A,B)，歐式距離法的表達式見公式(3.1)：

在公式(3-1)中，w_i代表權重，如果w_i都相等，那么加權歐式距離變為一般歐式距離；

3.2、直方圖距離法

直方圖距離法代表的是不同表征向量中的最小距離數值之和，d(A,B)的公式為：

通過標準化計算將公式(3-2)除以具有最小向量和的表征向量，可以得到：

3.3、余弦距離法

余弦距離法的相似度和距離為負相關，余弦距離法的公式為：

在公式(3-4)中，

4.根據權利要求1所述的一種基于深度CNN特征的圖像檢索和分類方法，其特征在于，Adam算法：

在確定給定隨機目標函數的一、二矩估計的指數衰減率和超參數學習率后，在滿足迭代終止條件之前迭代執行以下參數更新過程。在確定給定隨機目標函數f(θ)的一、二矩α和β₁和β₂后,循環執行下列規則以更新參數；

4.1、從訓練集種隨機采樣包含m個樣本{x⁽¹⁾,x⁽²⁾,L x^(m)}；

4.2、計算梯度g，

4.3、更新時間步t，t＝t+1；

4.4、更新偏一階矩估計s，

s^(t)＝β₁s^(t-1)+(1-β₁)g^(t-1) (4-2)

4.5、更新偏二階矩估計r，

r^(t)＝β₂r^(t-1)+(1-β₂)g^(t-1) (4-3)

4.6、修正一階矩偏差

4.7、修正二階矩偏差

4.8、計算更新Δθ，

θ＝θ+Δθ (4-6)

其中δ是一個防止除0的小浮點數,L為損失函數。