[发明专利]一种图像检索方法

说明书

本发明公开了一种图像检索方法，具体包括如下步骤：步骤一：对查询图像和数据库中的图像进行多尺度深度卷积特征提取，将得到的不同尺度卷积特征进行PCA降维处理后并特征融合，以获取具有图像内容信息的全局特征描述符；步骤二：对查询图像与图像库中的图像用排序算法计算排序分数，根据排序分数返回一定数量的图像。该方法引入了多尺度深度卷积特征，将各尺度的卷积特征融合作为图像的特征，其考虑了图像中感兴趣的目标或者区域出现在不同的位置、尺寸大小也可能不同，当采用多尺度时，能更好更全面的获取图像特征来表示该图像。

技术领域

本发明涉及计算机视觉和模式识别的技术领域，特别涉及一种基于深度学习特征提取和流行相似度排序的图像检索方法。

背景技术

在大数据时代，图像检索技术在大规模数据上的应用是一个热门的研究领域，如何高效、准确、迅速地在海量图像信息检索到所需图像信息是图像检索的热点问题。基于内容的图像检索(content-based image retrieval,CBIR)指的是用于搜索的对象本身是一副图像，或者是对于图像内容的特征描述，其核心是利用图像的可视化特征进行检索。基于图片内容的图像检索技术的关键在于图像的特征提取和特征之间的相似性度量。

图像的特征提取主要是对图像的颜色、纹理、形状、灰度等信息进行提取，常用的有基于颜色的直方图、相关图、颜色矩的检索方法，基于统计法、频谱法、模型法等纹理特征的图像检索方法，基于边缘、区域的形状检索方法。然而这些经典方法均以人为设计的特征为基础，设计方法的好坏直接影响图像检索的效果。深度学习是机器学习研究的新领域，具有利用大数据自动学习数据特征的优势而引起人们的关注，从而解决了人为因素所带来的不确定性。目前已有较多的研究证明，基于深度卷积神经网络模型提取的卷积特征用于图像检索上能有很好的检索效果。但是，大部分的研究工作只是直接把原图像直接输入卷积神经网络，并未考虑感兴趣的目标或区域可能出现在图像的不同区域、尺寸大小可能也会有差异的情况。同时深度特征的维度高，直接利用深度特征进行大数据图像检索在实际应用中不可行。

在特征之间的相似性度量方面，一般是采用向量之间的距离来计算的。目前的图像检索方法中常用的相似度度量方法有：余弦距离、欧氏距离和马氏距离等。然而，对于图像而言，简单的向量之间的距离其实是难以真实地反映图像之间的相似程度。

发明内容

本发明的主要目的在于提供一种图像检索方法，其利用多尺度方法提取不同目标区域下的特征来刻画图像，提高了深度卷积特征对图像的刻画能力；采用基于流形学习的相似性度量方法，即流形排序(Manifold Ranking，MR)，进行图像间相似度的度量，使其能够更真实地反映图像之间的相似程度。

为达到以上目的，本发明采用的技术方案为：一种图像检索方法，其特征在于，具体包括如下步骤：

步骤一：对查询图像和数据库中的图像进行多尺度深度卷积特征提取，将得到的不同尺度卷积特征进行PCA降维处理后并进行特征融合以获取具有图像内容信息的全局特征描述符；

步骤二：根据步骤一中得到的全局特征描述符对查询图像与图像库中的图像采用算法获取图像库中的图像与查询图像的相似度，并根据相似度从图像库中返回一定数量的图像。

优选地，所述步骤一具体包括以下步骤：

步骤a：对查询图像和图像库中的图像进行n种不同尺度图像块的提取，在第i种尺度下，提取i2个相同大小的图像块，i2个图像块包含对应图像的全部信息，然后将所有图像块调整成相同的像素大小，1≤i≤n；

步骤b：将获取的图像块送入深度卷积神经网络VGG-19进行特征提取，并抽取最后一层卷积层的卷积特征；