[发明专利]基于卷积神经网络的印花织物图像检索方法

说明书

本发明公开了基于卷积神经网络的印花织物图像检索方法，具体为：步骤1，建立印花织物图像数据库，并批量进行预处理；步骤2，基于AlexNet网络模型训练印花织物卷积神经网络模型；步骤3采集待检索图像，并对其进行预处理；步骤4，用步骤2建立的印花织物的卷积神经网络模型对步骤1建立的图像数据库中的图像及步骤3采集的待检索图像进行4096维特征向量提取；步骤5，对待检索图像的4096维特征向量与图像数据库图像中的每一个4096维特征向量进行欧式距离计算，对数据库图像按照欧式距离由小到大的顺序排列，按顺序将对应的top k织物图像反馈给用户，完成检索。解决了现有技术中存在的图像检索准确率低、耗费时间长的问题。

技术领域

本发明属于计算机与机器视觉技术领域，涉及一种基于卷积神经网络的印花织物图像检索方法。

背景技术

在网络日益丰富且数据日益庞大的背景下，印花织物图像作为纺织行业生产的资源，其来源越来越广泛，并且保持着持续增长的趋势。而且织物纹理花型种类繁多，按照传统的方法从众多的图像中找出目标图像需要耗费很长时间。随着客户需求的增加及计算机与网络技术的发展，建立有效的检索机制实现快速有效的图像检索便成为一种需要。目前，在众多的图像检索系统中，基于内容的图像检索方法得到了越来越广泛的应用，它满足了人们用已有的样本快速找出目标图像的需求。常见的百度搜图、谷歌搜图等就属于图像检索范畴。传统的基于内容的图像检索方法主要是根据图像的颜色、形状、纹理、空间关系等底层视觉特征来衡量两幅图像之间的相似性，但这些视觉特征编码固定，缺少学习能力，导致图像表达能力不强，检索结果容易受到图像缩放、平移、旋转等变化的影响，而且图像的颜色、纹理等特征比较复杂，视觉维数较高，利用传统的方法进行检索时会特别耗时而且准确度也比较低。

卷积神经网络是目前工业研究和应用领域的热点，和传统的人工智能方法相比，它可以提高不同视觉任务的性能，比如目标检测、图像分类和分割等，尤其是在人脸识别领域，其准确率已经超过了人眼识别。目前的卷积神经网络技术也有应用于图像检索领域，但在印花织物领域的研究比较少。卷积神经网络本身具有自学习能力，所以利用卷积神经网络能够有效地学习出图像本身的特征，提高图像检索性能。

发明内容

本发明的目的是提供一种基于卷积神经网络的印花织物图像检索方法，解决了现有技术中存在的图像检索准确率低、耗费时间长的问题。

本发明所采用的技术方案是，基于卷积神经网络的印花织物图像检索方法，具体按照以下步骤实施：

步骤1，建立印花织物图像数据库，并批量进行预处理；

步骤2，基于AlexNet网络模型训练印花织物卷积神经网络模型；

利用步骤1中建立的数据库训练印花织物卷积神经网络模型，包括五个卷积层和三个全连接层；

步骤3，采集待检索图像，并对其进行预处理；

步骤4，用步骤2建立的印花织物的卷积神经网络模型对步骤1建立的图像数据库中的图像及步骤3采集的待检索图像进行4096维特征向量提取；

步骤5，对待检索图像的4096维特征向量与图像数据库图像中的每一个4096维特征向量进行欧式距离计算，对数据库图像按照欧式距离由小到大的顺序排列，按顺序将对应的top k织物图像反馈给用户，完成检索。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

步骤1.1，准备用于检索的印花织物图像库，对库中所有图像进行手动分类，并按其所在类别进行重命名；

步骤1.2，将经步骤1.1重命名的所有的印花织物图像分为训练集train和测试集test两个部分，训练集和测试集中均包括图像的每一个类，然后根据图像所属类对训练集和测试集的图像加上对应的标签生成train.txt和test.txt标签文件；