一种基于深度卷积特征和语义相似度量的图像检索方法技术

本发明专利技术涉及一种基于深度卷积特征和语义相似度量的图像检索方法，属于计算机视觉、图像处理、图像理解等相关领域。首先针对图像集，利用已训练好的深度卷积神经网络模型提取每一幅图像的卷积层特征，对所提的卷积层特征进行聚合表示，然后采用AFS框架对其进行语义描述，在此基础上定义一种基于语义相似的图像相似度度量方法，并依此对图像库中的图像的相似性进行计算，最终通过对相似性的排序完成图像检索任务。本发明专利技术能有效解决当前基于底层视觉特征的传统检索方法检索缺乏语义、准确率低的问题，更好地满足用户对基于内容的图像检索的实际需求。

【技术实现步骤摘要】
一种基于深度卷积特征和语义相似度量的图像检索方法
本专利技术涉及一种基于深度卷积特征和语义相似度量的图像检索方法，属于计算机图像检索

技术介绍
基于内容的图像检索(ContentbasedImageRetrieval,CBIR)一直是计算机视觉领域一直备受关注的研究热点之一。随着互联网时代多媒体信息的剧增，如何从涵盖各类内容的海量图像数据中快速地、准确地检索出符合用户要求的图像，是一个极具挑战的任务。在CBIR中，图像特征提取和图像的相似度度量是两个关键环节。近年来，随着深度学习技术在图像识别领域的成功应用，卷积神经网络(CNNs)作为一种特征提取方法来获得具有高层语义深度卷积特征，从而达到提高图像检索准确率的目的。但由于该方法要求大量的训练图像，当图像规模较小时，或者当所用以训练模型的图像领域和图像检索的图像领域差别较大时，相比在图像识别领域的卓越表现，CNNs在图像检索应用中还有很大改进和提升的空间。此外，针对图像相似性度量，传统的图像检索方法大多采用较为常用的距离公式，比如Euclidean、City-Block、Cosine距离等，在所提取的全图像特征空间上，对图像本文档来自技高网...

【技术保护点】
1.一种基于深度卷积特征和语义相似度量的图像检索方法，其特征在于：针对图像集，利用已训练好的深度卷积神经网络模型提取每一幅图像的卷积层特征，对所提的卷积层特征进行聚合表示，然后采用AFS框架对其进行语义描述，在此基础上定义一种基于语义相似的图像相似度度量方法，并依此对图像库中的图像的相似性进行计算，最终通过对相似性的排序完成图像检索任务。

【技术特征摘要】
1.一种基于深度卷积特征和语义相似度量的图像检索方法，其特征在于：针对图像集，利用已训练好的深度卷积神经网络模型提取每一幅图像的卷积层特征，对所提的卷积层特征进行聚合表示，然后采用AFS框架对其进行语义描述，在此基础上定义一种基于语义相似的图像相似度度量方法，并依此对图像库中的图像的相似性进行计算，最终通过对相似性的排序完成图像检索任务。2.根据权利要求1所述的基于深度卷积特征和语义相似度量的图像检索方法，其特征在于：假设图像集为X＝{x1,x2,…,xN}中有N个图像样本，所述图像检索方法的具体步骤如下：Step1、图像特征提取：针对图像集中的每一幅图像执行Step1.1-Step1.4，具体步骤为：Step1.1、将图像归一化为所用网络模型适合的大小；Step1.2、将归一化后的图像送入VGG-verydeep-16的网络；Step1.3、提取VGG-verydeep-16网络中pool5层H*W*L维的卷积特征；Step1.4、基于Sum-pooling方式对H*W*L维的卷积特征进行聚合并形成D维特征，得到N*D维的原始图像特征矩阵；Step1.5、利用PCA将N*D维的原始图像特征矩阵维数降至N*d维；Step2、图像特征的语义化：Step2.1、将图像集的每个属性空间采用线性变换的方式将属性值归一化到[0,1]区间，构成图像特征空间F＝{f1,f2,…,fd}，其中fi为N*1的向量，表示N个图像的第i个属性值；Step2.2、基于公理模糊集理论的特征语义表示：Step2.2.1、构造简单语义集M；在特征空间F上构造一个简单语义概念集M＝{mi,j|1≤i≤d,1≤j≤3}，其中mi,1,mi,2,mi,3分别表示特征fi上的“小”、“中”和“大”的概念，其权重函数分别为和Step2.2.2、在简单语义的基础上构造复杂语义集合Y；在简单概念集M上，对两个或两个以上的简...

【专利技术属性】
技术研发人员：周菊香，张姝，王俊，徐坚，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：云南,53