一种基于神经网络的图像检索方法及系统技术方案

本发明专利技术涉及人工智能技术领域，具体涉及一种基于神经网络的图像检索方法及系统。该方法包括：获取每张检索图像输入分类网络中所有神经元输出的输出值序列；根据输出值序列在一个神经元的均值和方差得到特征指标；根据检索图像与对应簇的位置得到每个神经元的区分度；获取检索图像对应样本点的备选样本点，进一步得到每张检索图像对应的高斯模型；根据特征指标与区分度获取高斯模型的权值；获取多张检索图像的混合高斯模型，根据混合高斯模型获取所有备选样本点的匹配概率获取推荐给用户的备选样本点的顺序。能够提取图像中具有的特征，从而更加精准的将检索图像与数据库中的图像进行匹配推荐，提高检索图像分类的准确率。提高检索图像分类的准确率。提高检索图像分类的准确率。

【技术实现步骤摘要】
一种基于神经网络的图像检索方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种基于神经网络的图像检索方法及系统。

技术介绍

[0002]图像检索，简单来说便是从图像检索数据库中检索出满足条件的图片，图像检索技术的研究根据描述图像内容方式的不同可以分为两类，一类是基于文本的图像检索技术，简称TBIR，一类是基于内容的图像检索技术，简称CBIR。
[0003]现有的图像检索方法中，通常是通过分类网络获取检索图像的类别，使用检索图像的类别与数据库中各图像的类别进行对比，根据各类别之间的相似度确定图像之间的匹配程度；但对于一些特殊的检索图像，该检索图像所具有的特征类别对应到数据库中特征的图片较少，而利用数据库中图片对分类网络进行训练时，类别内图片较少对分类网络训练的拟合效果较差，则对检索图像的分类准确率较低。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于神经网络的图像检索方法及系统，所采用的技术方案具体如下：
[0005]第一方面，本专利技术一个实施例提供了一种基于神经网络的图像检索方法，该方法包括：
[0006]将用户上传的多张检索图像输入分类网络，所述分类网络包括多个神经元；获取所述分类网络在对每张检索图像进行分类的过程中所有神经元输出的输出值序列；
[0007]获取在任意一个神经元上多张所述检索图像的输出值的均值和方差，根据所述均值和方差得到该神经元的特征指标；
[0008]所有所述神经元构成一个多维的样本空间，每个所述输出值序列为所述样本空间中检索图像对应的样本点；将样本空间中检索图像对应的样本点匹配到对应的簇，根据样本空间中检索图像对应的样本点的位置得到每个所述神经元的区分度；所述簇是将数据库中所有图像所对应的输出值序列在样本空间中进行聚类得到的；
[0009]根据所述样本空间中数据库中图像对应的样本点与检索图像对应的样本点之间的距离获取检索图像对应样本点的备选样本点，将所述备选样本点与检索图像对应的样本点拟合得到每张所述检索图像对应的高斯模型；根据所述特征指标与所述区分度进行加权平均获取所述高斯模型的权值；
[0010]以所述权值作为对应所述高斯模型的权重进行加权求和获取多张所述检索图像的混合高斯模型，根据所述混合高斯模型获取所有所述备选样本点的匹配概率，所述匹配概率最大的备选样本点最先推荐给用户。
[0011]优选的，所述输出值为所述分类网络的卷积层中每个所述神经元的输出值，每个所述神经元为所述卷积层中的每次卷积操作。
[0012]优选的，所述根据所述均值和方差得到该神经元的特征指标的步骤，包括：
[0013]计算所述均值与所述方差的平方和，对所述平方和求平方根获取所述特征指标。
[0014]优选的，所述将数据库中所有图像所对应的输出值序列在样本空间中进行聚类的步骤，包括：
[0015]将数据库中所有图像输入所述分类网络，得到由所述分类网络的神经元输出的输出值序列，每个所述输出值序列为所述样本空间中数据库中图像对应的样本点，对所有数据库中图像对应样本点聚类得到不同的簇。
[0016]优选的，所述将样本空间中检索图像对应的样本点匹配到对应的簇的步骤，包括：
[0017]拟合所述样本空间中每个簇内样本点对应的输出值序列得到多个高斯函数，将样本空间中检索图像样本点所对应的输出值序列代入多个所述高斯函数得到多个概率值，所述概率值最大时对应的簇为当前所述检索图像的样本点所匹配的对应簇。
[0018]优选的，所述根据样本空间中检索图像对应的样本点的位置得到每个所述神经元的区分度的步骤，包括：
[0019]获取所述样本空间中所述检索图像对应的样本点到对应簇中心的差异性指标；每个所述神经元的区分度与所述差异性指标呈负相关关系。
[0020]优选的，所述根据所述样本空间中数据库中图像对应的样本点与检索图像对应的样本点之间的距离获取检索图像对应样本点的备选样本点的步骤，包括：
[0021]计算所述样本空间中数据库中图像对应的样本点与检索图像对应样本点的欧式距离，选取多个所述欧式距离最小的数据库中图像对应的样本点为所述备选样本点。
[0022]优选的，所述根据所述混合高斯模型获取所有所述备选样本点的匹配概率的步骤，包括：
[0023]将所有所述备选样本点所对应的输出值序列代入所述混合高斯模型中，得到所有所述备选样本点对应的匹配概率。
[0024]第二方面，本专利技术另一个实施例提供了一种基于机器视觉的混凝土砂浆搅拌机控制系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0025]本专利技术具有如下有益效果：本专利技术实施例首先获取分类网络中所有神经元对检索图像的输出值序列，根据所有检索图像的输出值得到该神经元的特征指标；在所有神经元组成的样本空间中，获取数据库中所有图像不同的簇，将检索图像对应的样本点与对应簇中心之间的位置得到每个神经元的区分度。进一步根据样本空间中检索图像对应样本点与数据库中图像对应样本点之间的距离选取备选样本点，以此拟合出每张检索图像对应的高斯模型，并根据每个神经元的特征指标和区分度作为每个高斯模型的权值，最终对所有高斯模型加权求和得到混合高斯模型，根据每个备选样本点在混合高斯模型中输出的匹配概率觉得数据库中图像推荐给用户的顺序。分类网络中的神经元能够准确识别出图像中具有的特征，从而更加精准的将检索图像与数据库中的图像进行匹配推荐，提高检索图像分类推荐的准确率。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施
例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。
[0027]图1为本专利技术一个实施例所提供的一种基于神经网络的图像检索方法流程图。
具体实施方式
[0028]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于神经网络的图像检索方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0029]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0030]本专利技术实施例具体应用于根据多张检索图像的类别去匹配数据库中包含最多类别的图像的场景，首先获取分类网络中所有神经元对检索图像的输出值序列，根据所有检索图像的输出值序列获取每个神经元的特征指标；在所有神经元组成的样本空间中，将数据库中所有图像进行分类，将检索图像对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的图像检索方法，其特征在于，该方法包括以下步骤：将用户上传的多张检索图像输入分类网络，所述分类网络包括多个神经元；获取所述分类网络在对每张检索图像进行分类的过程中所有神经元输出的输出值序列；获取在任意一个神经元上多张所述检索图像的输出值的均值和方差，根据所述均值和方差得到该神经元的特征指标；所有所述神经元构成一个多维的样本空间，每个所述输出值序列为所述样本空间中检索图像对应的样本点；将样本空间中检索图像对应的样本点匹配到对应的簇，根据样本空间中检索图像对应的样本点的位置得到每个所述神经元的区分度；所述簇是将数据库中所有图像所对应的输出值序列在样本空间中进行聚类得到的；根据所述样本空间中数据库中图像对应的样本点与检索图像对应的样本点之间的距离获取检索图像对应样本点的备选样本点，将所述备选样本点与检索图像对应的样本点拟合得到每张所述检索图像对应的高斯模型；根据所述特征指标与所述区分度进行加权平均获取所述高斯模型的权值；以所述权值作为对应所述高斯模型的权重进行加权求和获取多张所述检索图像的混合高斯模型，根据所述混合高斯模型获取所有所述备选样本点的匹配概率，所述匹配概率最大的备选样本点最先推荐给用户。2.根据权利要求1所述的方法，其特征在于，所述输出值为所述分类网络的卷积层中每个所述神经元的输出值，每个所述神经元为所述卷积层中的每次卷积操作。3.根据权利要求1所述的方法，其特征在于，所述根据所述均值和方差得到该神经元的特征指标的步骤，包括：计算所述均值与所述方差的平方和，对所述平方和求平方根获取所述特征指标。4.根据权利要求1所述的方法，其特征在于，所述将数据库中所有图像所对应的输出值序列在样本空间中进行聚类的步骤，包括：将数据库中所有图像输...

【专利技术属性】
技术研发人员：陈明，殷知磊，李玉华，程军强，张世征，楚杨阳，王博，曹洁，李俊龙，杨叁，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：