【技术实现步骤摘要】
一种基于深度学习和密度峰值聚类的图像检索方法
本专利技术涉及图像检索的方法，特别是涉及一种基于深度学习和密度峰值聚类的图像检索方法。
技术介绍
随着图像采集以及存储技术的不断发展，图像资源正在快速增长，需要有效的图像检索方法。传统的基于文本的图像检索方法由人工标注图像的内容、特征和属性,这种方法简单直观、检索的准确率高且速度快，但标注图像信息需要投入大量人力和财力，费时费力、效率低、容易出错。现在众多的基于内容的图像检索(ContentBasedImageRetrieval,CBIR)方法已成为主流，可以分为基于手工全局特征、局部特征和深度学习三类。基于手工定义全局特征的CBIR，使用颜色、纹理、形状、空间位置等全局特征，用户不需要用精确的文字描述图像，但是全局特征描述的粒度比较粗，往往判别能力较弱。基于局部特征点的CBIR，从图像中检测感兴趣的局部特征点描述图像内容，但局部特征不具备图像内容的自学习能力、普适性较差、区分能力有限。基于深度学习的CBIR方法，具有类似人脑感知视觉的层次化结构，逐层抽象学习数据特征，从而发现数据内在结构信息。基于深度学习的图像检索方...
【技术保护点】
1.一种基于深度学习和密度峰值聚类的图像检索方法，其特征在于，包括如下步骤：步骤1，使用GoogeLeNet预训练模型提取图像的深度学习特征，构建基于局部核密度函数和最小局部核函数峰值距离参数阈值的密度峰值聚类方法，获得图像集的初始聚类类别数和划分子集信息；步骤2，依据聚类类别数构建多组双层稀疏自动编码器的网络结构，基于聚类划分子集生成高斯分布随机数矩阵初始化多组双层稀疏自动编码器参数，基于聚类划分子集构造目标函数和估计多组双层稀疏自动编码器参数；步骤3，基于训练好的多组双层稀疏自动编码器提取图像集和待查图像的精细特征，对图像集的精细特征进行密度峰值聚类划分子集，在与待查图...
【技术特征摘要】
1.一种基于深度学习和密度峰值聚类的图像检索方法，其特征在于，包括如下步骤：步骤1，使用GoogeLeNet预训练模型提取图像的深度学习特征，构建基于局部核密度函数和最小局部核函数峰值距离参数阈值的密度峰值聚类方法，获得图像集的初始聚类类别数和划分子集信息；步骤2，依据聚类类别数构建多组双层稀疏自动编码器的网络结构，基于聚类划分子集生成高斯分布随机数矩阵初始化多组双层稀疏自动编码器参数，基于聚类划分子集构造目标函数和估计多组双层稀疏自动编码器参数；步骤3，基于训练好的多组双层稀疏自动编码器提取图像集和待查图像的精细特征，对图像集的精细特征进行密度峰值聚类划分子集，在与待查图像精细特征最近的聚类划分子集中根据相似性原则实现图像检索。2.根据权利要求1所述的方法，其特征在于，步骤1包括以下步骤：步骤1-1，使用GoogeLeNet预训练模型提取图像的深度学习特征；步骤1-2，计算图像特征的局部核密度函数参数；步骤1-3，计算图像特征的最小局部核函数峰值距离参数；步骤1-4，基于实验数据计算图像集的局部核密度函数参数和最小局部核函数距离参数的阈值；步骤1-5：基于参数阈值计算图像集的密度聚类中心和聚类划分。3.根据权利要求2所述的方法，其特征在于，步骤1-1中，设定图像集有N幅图像X1,X2,…,XN,XN表示第N幅图像，基于GoogLeNet网络直接从第i幅图像Xi中提取1024维深度学习特征ζi作为初始特征，1≤i≤N，基于GoogLeNet网络提取的第j幅图像Xj的深度学习特征则记为ζj，1≤j≤N。4.根据权利要求3所述的方法，其特征在于，步骤1-2包括：计算图像Xi与其周围相邻图像Xj的特征之差ζi-ζj的核密度函数值小于阈值dc的图像数，定义为局部核密度函数参数其中，函数n1为相邻特征点个数，σ为平滑系数。5.根据权利要求4所述的方法，其特征在于，步骤1-3包括：图像Xi到其他更高局部核密度峰值参数图像Xj的最小局部函数距离参数，定义为δi：其中，1≤i,j≤N。6.根据权利要求5所述的方法，其特征在于，步骤1-4包括：取局部核密度函数参数最大值的20％作为阈值最小局部核函数距离参数最大值δmax的20％作为阈值δ0。7.根据权利要求6所述的方法，其特征在于，步骤1-5包括：在局部核密度函数...
【专利技术属性】
技术研发人员：谢从华，张冰，高蕴梅，马超，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。