一种训练样本深度优化的低耗图像检索方法及系统技术方案

本发明专利技术提出了一种训练样本深度优化的低耗图像检索方法及系统，涉及图像检索的技术领域。检索预设数量的正负样本图像；利用HC显著性检测方法对样本图像进行检测，若其显著性区域面积低于整幅图像的第一预设比例，进行删除；利用卷积核对样本图像进行处理，并计算相似度，对相似度达到预设第一阈值的样本进行保留；利用SVM模型对训练样本进行训练；将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，判定为目标类别图像，将其作为检索结果进行展示；当计算得分小于第二预设阈值，判定为非目标类别图像，进行排除。其能够减少了样本使用量，降低了人力和计算资源的消耗。和计算资源的消耗。和计算资源的消耗。

【技术实现步骤摘要】
一种训练样本深度优化的低耗图像检索方法及系统


[0001]本专利技术涉及图像检索的
，具体而言，涉及一种训练样本深度优化的低耗图像检索方法及系统。

技术介绍

[0002]在数字媒体时代和大数据时代，海量的图像已经在生活、教育、心理、科研、医疗等多个领域发挥了重要的作用，为整个社会带来了巨大的进步。同时，随着数字图像数量的爆炸式增长，如何从海量的图像库中检索出目标图像，则成为了一个非常有价值和意义的问题。相比于深度学习的图像检索方法，基于SVM模型的图像检索方法可以利用较少的训练样本实现高精度的图像检索。然而，质量低下的训练样本不仅显著降低了SVM模型的实际应用价值，还增加了训练样本的使用量、计算资源和人力资源的消耗。因此，急需一种训练样本深度优化的低耗图像检索方法。

技术实现思路

[0003]本专利技术的目的在于提供一种训练样本深度优化的低耗图像检索方法，其能够减少了样本使用量，降低了人力和计算资源的消耗。
[0004]本专利技术的实施例是这样实现的：第一方面，本申请实施例提供一种训练样本深度优化的低耗图像检索方法，其包括从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本； 利用SVM模型对训练样本进行训练，得到检索决策模型；将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。
[0005]在本专利技术的一些实施例中，利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本的步骤包括：利用空洞率为1的卷积核对样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到第一训练样本；利用空洞率为2的卷积核对第一训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的第一训练样本进行保留，得到第二训练样本；利用空洞率为3的卷积核对第二训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的第二训练样本进行保留，得到最终的训练样本。
[0006]在本专利技术的一些实施例中，并分别计算正样本之间的相似度和负样本之间的相似
度的步骤包括：分别对正样本和负样本的样本图像进行深度自编码；计算不同样本图像自编码后的欧式距离；将欧氏距离计算结果在预设范围内的样本图像，认定为相似图像，在相似图像中选取任选一个进行保存。
[0007]在本专利技术的一些实施例中，利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除的步骤包括：对样本图像进行量化颜色通道，找出样本图像中颜色种类数量以及对应的像素总数；按照像素总数从大到小排序，并同时记录相应颜色；找出像素数目覆盖图像不小于第二预设比例的高频颜色种类，以及其他的不高于第三预设比例的低频颜色种类；把低频颜色的像素归类到与其LAB颜色空间中颜色距离相距最近的高频颜色内；计算每一种颜色的显著值，为图像中每一个像素分配显著值，生成显著图，计算显著值大于预设显著值阈值的像素在图像中的比例，若比例低于整幅图像的第一预设比例，将样本图像进行删除，反之继续下一步。
[0008]在本专利技术的一些实施例中，生成显著图后的步骤还包括：对显著图进行归一化处理以及进行线性空间滤波。
[0009]在本专利技术的一些实施例中，对样本图像进行量化颜色通道的步骤包括：利用颜色空间缩减算法对样本图像进行量化颜色通道。
[0010]在本专利技术的一些实施例中，第一预设比例为三分之一。
[0011]第二方面，本申请实施例提供一种训练样本深度优化的低耗图像检索系统，其包括采集模块，用于从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；显著性检测模块，用于利用HC显著性检测方法对任一样本图像进行检测，若样本图像的显著性区域面积低于整幅图像的第一预设比例，将样本图像进行删除；样本处理模块，用于利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本； 决策模型模块，用于利用SVM模型对训练样本进行训练，得到检索决策模型；判断模块，用于将待检测图片输入至检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将待检测图片判定为目标类别图像，将目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将待检测图片判定为非目标类别图像，进行排除。
[0012]第三方面，本申请实施例提供一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：处理器与存储器通过数据总线完成相互间的通信；存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行一种训练样本深度优化的低耗图像检索方法。
[0013]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种训练样本深度优化的低耗图像检索方法。
[0014]相对于现有技术，本专利技术的实施例至少具有如下优点或有益效果：利用显著性检测和多空洞率的空洞卷积深度优化了训练样本群体，得到了更加精良的训练样本。同时利用更加精良的训练样本进行训练学习，减少了样本使用量，降低了人力和计算资源的消耗。
附图说明
[0015]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0016]图1为本专利技术中一种训练样本深度优化的低耗图像检索方法的流程示意图；图2为本专利技术中样本之间相似度计算的流程图；图3为本专利技术中HC显著性检测方法的流程示意图；图4为本专利技术中一种训练样本深度优化的低耗图像检索系统的结果示意图；图5为本专利技术中一种电子设备的结构示意图。
[0017]图标：1、采集模块；2、显著性检测模块；3、样本处理模块；4、决策模型模块；5、判断模块；6、处理器；7、存储器；8、数据总线。
具体实施方式
[0018]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练样本深度优化的低耗图像检索方法，其特征在于，包括：从互联网公开的图像库中检索出预设数量的正样本图像和负样本图像；利用HC显著性检测方法对任一所述样本图像进行检测，若所述样本图像的显著性区域面积低于整幅图像的第一预设比例，将所述样本图像进行删除；利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本；利用SVM模型对所述训练样本进行训练，得到检索决策模型；将待检测图片输入至所述检索决策模型；当基于SVM模型计算得分大于或等于第二预设阈值，将所述待检测图片判定为目标类别图像，将所述目标类别图像作为检索结果进行展示；当基于SVM模型计算得分小于第二预设阈值，将所述待检测图片判定为非目标类别图像，进行排除。2.如权利要求1所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，利用预设空洞率值的卷积核对样本图像进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到训练样本的步骤包括：利用空洞率为1的卷积核对样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的样本进行保留，得到第一训练样本；利用空洞率为2的卷积核对所述第一训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的所述第一训练样本进行保留，得到第二训练样本；利用空洞率为3的卷积核对所述第二训练样本进行处理，并分别计算正样本之间的相似度和负样本之间的相似度，对相似度达到预设第一阈值的所述第二训练样本进行保留，得到最终的训练样本。3.如权利要求2所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，并分别计算正样本之间的相似度和负样本之间的相似度的步骤包括：分别对正样本和负样本的样本图像进行深度自编码；计算不同样本图像自编码后的欧式距离；将欧氏距离计算结果在预设范围内的样本图像，认定为相似图像，在所述相似图像中选取任选一个进行保存。4.如权利要求1所述的一种训练样本深度优化的低耗图像检索方法，其特征在于，利用HC显著性检测方法对任一所述样本图像进行检测，若所述样本图像的显著性区域面积低于整幅图像的第一预设比例，将所述样本图像进行删除的步骤包括：对所述样本图像进行量化颜色通道，找出所述样本图像中颜色种类数量以及对应的像素总数；按照像素总数从大到小排序...

【专利技术属性】
技术研发人员：吴昊，叶舟，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：