一种融合自适应相似度和贝叶斯框架的图像检索方法技术

本发明专利技术涉及图像检索技术领域，公开了一种融合自适应相似度和贝叶斯框架的图像检索方法，包括以下步骤：S1：构建相似度矩阵和标识矩阵；S2：通过构建深度哈希神经网络模型从而将图像转换为近似哈希向量；S3：构建融合贝叶斯框架的损失函数；S4:通过构建相似度更新幅度模型实现图像相似度的调整；S5：对构建的深度哈希神经网络模型进行训练；S6：构建图像的哈希向量数据库；S7：将需检索图像的哈希向量与构建的哈希向量数据库进行比对，以找出相似的图像。通过本发明专利技术可提高图像的检索速度和精度。

【技术实现步骤摘要】
一种融合自适应相似度和贝叶斯框架的图像检索方法
本专利技术涉及图像检索
，特别涉及一种融合自适应相似度和贝叶斯框架的图像检索方法。
技术介绍
图像检索过程中，检索系统需要处理大规模且复杂的图像数据，这就要求在保证检索图像质量的同时，也要保证检索的效率，以及需解决海量信息的有效存储，以达到更好的用户体验。由于图像数据具有较高的复杂性，所以需要从图像中提取出较为关键且有区分度的特征用于表示图像，同时这些特征之间能够快速的进行比较。一般使用哈希方法来对图像进行二进制哈希向量表示，以便于通过使用位运算快速比较特征以及减少存储空间的占用，利用深度哈希网络的哈希方法具有更好的效果。传统的深度哈希方法都只使用了较为粗糙的量化方式来对不同图像之间的相似度进行量化，当数据集中的两个图像共享标签时则视为相似，反之则不相似。同时相似度表示没有随着模型的训练而做出改变，从一定程度上影响了模型的最终效果。在传统的哈希方法中，损失函数只定义为图像哈希向量之间的海明距离和相似度值的关系，而没有从概率角度来构建优化目标，从而降低图像的检索精度。
技术实现思路
针对已有图像检索技术方法中图像检索精度低的问题，本专利本文档来自技高网...

【技术保护点】
1.一种融合自适应相似度和贝叶斯框架的图像检索方法，其特征在于，包括以下步骤：S1：构建相似度矩阵和标识矩阵；S2：通过构建深度哈希神经网络模型从而将图像转换为近似哈希向量；S3：构建融合贝叶斯框架的损失函数；S4:通过构建相似度更新幅度模型实现图像相似度的调整；S5：对构建的深度哈希神经网络模型进行训练；S6：构建图像的哈希向量数据库；S7：将需检索图像的哈希向量与构建的哈希向量数据库进行比对，用于找出相似的图像。

【技术特征摘要】
1.一种融合自适应相似度和贝叶斯框架的图像检索方法，其特征在于，包括以下步骤：S1：构建相似度矩阵和标识矩阵；S2：通过构建深度哈希神经网络模型从而将图像转换为近似哈希向量；S3：构建融合贝叶斯框架的损失函数；S4:通过构建相似度更新幅度模型实现图像相似度的调整；S5：对构建的深度哈希神经网络模型进行训练；S6：构建图像的哈希向量数据库；S7：将需检索图像的哈希向量与构建的哈希向量数据库进行比对，用于找出相似的图像。2.如权利要求1所述的一种融合自适应相似度和贝叶斯框架的图像检索方法，其特征在于，所述S1中，构建相似度矩阵和标识矩阵的步骤如下：S1-1：选取在数据集中出现次数前C位的标签种类及相对应的图像，用于构建图像数据库；S1-2：从图像数据库中随机抽取图像及对应的标签，对标签进行相互内积，从而构建相似度矩阵：公式(1)中，S为相似度矩阵，Sij表示图像i和图像j之间的相似度，n表示图像的个数，L为构建的标签向量矩阵，LT表示L的转置矩阵；S1-3：根据clip函数对相似度矩阵进行裁剪，构建标识矩阵：其中，clip函数为：公式(2)、(3)中，为标识矩阵，表示图像i和图像j是否有共享同一种标签，1表示有共享标签，0表示没有共享标签，n表示图像的个数。3.如权利要求1所述的一种融合自适应相似度和贝叶斯框架的图像检索方法，其特征在于，所述S2中，构建的深度哈希神经网络模型包括5个卷积层、3个全连接层；所述5个卷积层包括conv1、conv2、conv3、conv4及conv5；所述3个全连接层包括fc6、fc7及fhash。4.如权利要求3所述的一种融合自适应相似度和贝叶斯框架的图像检索方法，其特征在于，所述全连接层fhash的神经元个数为64。5.如权利要求1所述的一种融合自适应相似度...

【专利技术属性】
技术研发人员：冯永，乐艺泽，尚家兴，强宝华，
申请(专利权)人：重庆大学，桂林电子科技大学，
类型：发明
国别省市：重庆,50