[发明专利]一种基于分层卷积神经网络的图像检索方法

权利要求书

1.一种基于分层卷积神经网络的图像检索方法，其特征在于，所述方法包括如下步骤：

(1)对输入的全天空极光图像数据库D＝{I₁,I₂,...,I_N}，使用自适应极化栅栏法确定全天空极光图像的k个局部关键点，得到每个局部关键点的位置信息，其中，I_n(n＝1,…,N)为所述数据库中的第n幅图像，N为所述数据库中图像的总个数；

(2)对于所述数据库中的每幅图像，以所述k个局部关键点为中心，利用SIFT描述子提取特征，得到k个局部关键点的k个局部SIFT特征，N幅图像共得到kN个局部SIFT特征，将所述kN个局部SIFT特征量化到对应的视觉单词，并确定每个视觉单词对应的所有局部关键点；

(3)使用汉明嵌入法对所述每个的局部SIFT特征f^sift进行二值化处理，得到二值化后的局部SIFT特征f^b-sift，每个特征长度为8个字节；

(4)对输入分层卷积神经网络的所述数据库中的图像，将极化区域池化层的输出送入第一个全连接层，得到每幅图像的每个局部关键点的区域CNN特征f^cnn-r和全局CNN特征f^cnn-g，其中，所述分层卷积神经网络包括五个卷积层、一个极化区域池化层、两个全连接层；

(5)使用迭代量化法分别对每个局部关键点的区域CNN特征f^cnn-r和全局CNN特征f^cnn-g进行二值化处理，得到二值化后的区域CNN特征f^b-cnn-r和二值化后的全局CNN特征f^b-cnn-g，每个特征长度为16个字节；

(6)构建所述数据库中每幅图像的每个局部关键点的分层特征f^h＝[f^b-sift,f^b-cnn-r,f^b-cnn-g]，将其存入倒排索引表，完成线下索引；

(7)对于输入的一幅查询图像Q，提取该查询图像的每个局部关键点的分层特征然后计算其与线下索引保存的每个局部关键点的分层特征f^h＝[f^b-sift,f^b-cnn-r,f^b-cnn-g]的匹配函数；

(8)计算所述查询图像Q与所述数据库中每一幅图像的相似度；

(9)按照相似度取值从高到低的顺序对所述数据库中图像进行排序，相似度取值最高的图像被认为是与查询图像最相似，输出排序结果完成线上查询。

2.根据权利要求1所述的一种基于分层卷积神经网络的图像检索方法，其特征在于，步骤(1)所述的使用自适应极化栅栏法确定全天空极光图像的k个局部关键点，得到每个局部关键点的位置信息，按如下公式进行：

其中，x(i,j)和y(i,j)分别为局部关键点的横坐标和纵坐标，i为径向指数，其取值为从1到G的有序整数，G为径向指数取值的最大值，j为角度指数，其取值为从1到H的有序整数，H为角度指数取值的最大值，C为全天空极光图像的半径长度；ρ(i)为径向坐标，ρ(0)为径向坐标的初始值，Δρ为参考径向间隔，v为控制径向坐标分布的参数：当v为0时，径向间隔i^vΔρ相同；当v取正值时，随着i的增大，径向间隔i^vΔρ越大；当v取负值时，随着i的增大，径向间隔i^vΔρ越小；θ(j)为角度坐标，θ(0)为角度坐标的初始值，Δθ为参考角度间隔，w为控制角度坐标分布的正参数：当w为0时，角度间隔Δθ/i^w相同；当w为1时，角度间隔Δθ/i^w反比于径向指数i；当w大于1时，随着i的增大，角度间隔Δθ/i^w越小；当w小于1时，随着i的增大，角度间隔Δθ/i^w越大。