【基于深度学习的图像检索技术研究15000字】

基于深度学习的图像检索技术研究摘要在这个高速发展的信息化时代，人们获取信息的速度越来越快，并且对于信息获取质量的要求也有了很大提升。如何在海量的图像中检索出自己满意的结果也随之成为了一个值得研究的课题，这无形中使得提高图像的检索效率势在必行。近年来，深度学习已经在图像识别领域取得了许多重要成果，展现出了巨大潜力。本文在深入研究各类经典图像检索技术的基础上，侧重研究了基于深度学习的图像检索技术，并且实现图像检索系统。系统接受用户上传的图像之后，对其进行特征提取，使用卷积神经网络CNN得到图像的特征向量后，结合特征向量数据库中的图像特征进行对比，得到相似度最高的图像，实现图像检索功能。关键词：图像检索；特征提取；特征匹配；深度学习目录第一章引言 [30]如表5-1所示：表5-1CNN-1在图像库上的实验结果方法平均准确率平均查全率CNN-170.3%66.4%栈式自编码网络68.5%63.7%颜色矩58.5%51.1%灰度共生矩阵62.4%56.6%SIFT66.6%58.2%通过上面的对比，不难看出，基于CNN的图像检索系统检索的平均准确率和平均查全率都比较理想。其检索的平均准确率70%以上，平均查全率也超过了栈式自编码网络的检索结果。检索效率整体上看比其他几种检索方式都有提升。基于CNN的特征提取方法是将图像分为小的像素点进行学习，接着使用卷积运算来达到提取图像特征的目的。所以，若想提升此类图像检索系统的检索效率，我们可以从提升数据集质量和网络训练模型质量两方面着手。同时，又通过高层对底层多个特征图的随机组合，希望以此得到更具体、更有效的特征。5.1.2CNN-2在图像库上的实验结果CNN-2在图像检索系统中的平均检索准确率和平均查全率如表5-2所示。表5-2CNN-2在图像库上的实验结果方法平均准确率平均查全率CNN-267.6%64.5%CNN-170.3%66.4%栈式自编码网络68.5%63.7%通过调整网络的学习速率(σ)，达到优化网络对特征的学习效果。σ越大，则说明训练过程中CNN收敛地越快，反之则说明收敛地慢。本文将σ调整至0.0005和0.0002，达到了提升检索效率的目的。检索结果如表5-3所示。表5-3CNN-1在不同学习率下的训练时长方法训练时长CNN-1(σ=0.001QUOTEσ=0.001)10.5(h)CNN-1(σ=0.0005QUOTEσ=0.0005)16.4(h)CNN-1(σ=0.0002QUOTEσ=0.0002)20.8(h)5.1.3实验结果对比根据不同网络模型的检索结果，分别计算出它们的平均检索准确率和查全率，如下表5-4所示。σ=0.0002各类图像检索系统在每类图像上的检索查全率如图5-1所示，σ=0.0005各类图像检索系统在每类图像上的检索查全率如图5-2所示。表5-4各种图像检索系统性能比较方法平均准确率平均查全率CNN-1(QUOTEσ=0.0002σ=0.0002)74.6%70.2%栈式自编码网络68.5%63.7%颜色矩58.5%51.1%灰度共生矩阵62.4%56.6%SIFT66.6%58.1%这几个图表中，通过将传统的图像检索方法的检索效率与基于深度学习的图像检索系统的检索效率进行对比。很明显，基于深度学习的图像检索系统具有更高的检索效率。基于深度学习的检索方式，不需要特征描述算子，而使用自主学习图像特征的方式，更具健壮性。对比栈式自编码神经网络，不难发现，栈式自编码神经网络的网络架构设计非常简单。由于其网络层之间的全连接形式，导致训练起来比较繁琐。CNN的神经网络的网络架构比较复杂，网络结构不如栈式自编码神经网络简单。由于其各层之间是局部连接，而由于CNN具有权值共享机制，整个网络需要训练的参数整体较少，故其训练难度较低。基于CNN的图像检索系统对于大象的一次检索结果展示如图5-3所示。表5-5各种图像检索系统在每类图像上的检索查全率类别CNN-1(σ=0.0002)CNN-1(σ=0.0005QUOTEσ=0.0002)栈式自编码网络基于颜色矩基于灰度共生矩阵基于SIFT衣服73.6%69.6%62.5%51.6%53.5%59.3%海滩68.5%63.5%57.4%43.7%54.6%54.5%建筑70.1%64.2%58.3%42.8%53.7%64.3%山70.8%65.1%59.7%43.4%53.5%57.4%大象76.9%72.2%65.2%48.8%56.9%55.4%恐龙80.2%76.4%70.5%59.6%63.5%62.2%花78.7%74.9%68.1%57.8%57.6%60.3%马79.6%76.6%70.2%57.2%60.1%57.1%车77.8%72.9%66.4%55.6%58.4%58.2%食物69.5%66.1%58.8%50.3%54.4%52.5%图5-1CNN-1（σ=0.0002）各类图像检索系统在每类图像上的检索查全率图5-2CNN-1（σ=0.0005）各类图像检索系统在每类图像上的检索查全率图5-3图像检索系统检索结果5.2存在的不足虽然基于深度学习的图像检索技术在当今世界的应用极为广泛，生活中出现了许多基于此技术的系统，但是距离实现商品检索、医疗影像识别等大规模应用方式还存在距离。图像检索技术还需要进行不断突破，如提高检索效率、在特征提取上更贴近现实等。只有将该图像检索技术真正应用于实际生活中，才算是真正的成功。（1）应加强对于图像特征提取算法的研究，尤其是在提取图像局部特征的方法上的研究。现如今，特征提取方法多种多样，但大多侧重于对于图像全局特征的提取，往往忽略了对于图像局部特征的提取部分，给系统造成了较大的局限性。我们要在关注图像全局特征的基础上，大大提升对于图像局部特征的关注程度。（2）数据集规模不够，导致无法较好的训练测试且搜索效率不够理想；（3）未能找到合适的去除图像背景的算法。图像检索系统运用于生活中，人们上传的图像往往是具有复杂背景的在自然环境中生成的图像，排除图像分辨率不谈，研究去除图像背景的算法也至关重要，是图像检索技术在未来研究的一个重要方向；（4）无法确定目前使用的算法是否为最佳算法及如何提升深度学习的效果；（5）未将移动应用开发运用于本图像检索系统，随着电商平台的普及和智能时代的到来，通过移动应用设备进行图像检索是一个新的趋势；（6）测试次数不够，无法确定当前参数是否为当前算法下的最优值。5.3本章小结本章中，在LeNet-5网络模型的基础上，我们通过实验，做出来一些改进，构建了CNN-1和CNN-2两种模型，之后通过修改参数，优化了CNN-1模型。将本系统的图像检索结果与传统的CBIR的检索结果进行了分析，在一定程度上验证了本算法的可行性。

第六章结论和展望6.1总结现如今，比较成熟的图像检索技术有TBIR和CBIR两种，而二者均不能满足人们的需求。本文对CBIR和TBIR两种图像检索技术的优缺点进行了一定程度上的总结，深入了解了当前各类图像检索技术的研究现状，并进一步分析了图像检索技术的前景及发展趋势。图像检索技术的核心是特征提取，只有实现效果良好的特征提取，才能实现检索效率高的检索系统。本文集中研究了几种提取效果较好的特征提取的方法。通过将检索效率较好的基于栈式自提取网络的图像检索系统的检索效率与基于CNN的图像检索系统的检索效率进行对比，分析得出基于CNN的特征提取方式的优势所在，进而设计出一个图像检索系统。本文研究的具体工作如下：（1）介绍了图像检索系统的研究的意义和背景，了解了TBIR和CBIR的优劣所在。之后研究了关于图像检索系统的国内外研究成果，分析了目前系统的利弊，提出本文的主要工作，介绍我们系统的研究方向以及初步的实现目标。（2）本文在研究了传统的SIFT算法的特征提取和匹配技术之后，进行了一系列实验，实验结果表明，该算法不适用于对旋转、视角等条件发生变化的图像进行检索。该算法的稳定性较强，但也有一些不足之处。（3）研究了将神经网络运用于图像检索技术的基于深度学习的图像检索技术，尝试利用现有检索技术与特征描述的反馈信息相结合，达到提高检索效率的目的。（4）对已有网络模型进行优化，构建了两种CNN模型。训练神经网络时主要采用大象图像库的数据，并在图像检索系统中将其实现。6.2展望6.2.1知识产权保护方面外观专利和商标设计是知识产权的两个重要方面。知识产权管理部门存有大量的设计设计图像，当有新的公司或个人提交新的外观设计专利时，就可以与原有的图像数据库对比，快速的查询是否侵犯了已有的专利，极大的提高工作效率，缩减时间和人工成本。6.2.2医疗和诊断随着科技的进步，医疗体系中有越来越多的病症图像直观的帮助医生更准确地诊断病人的病情。但由于各个医生存在经验水平的差异，会导致医生对病人病情的把握不准确，延误最佳的治疗时机，造成不可逆的后果。若将此技术应用于医疗诊断，便可提升整体的医疗诊断水平，提升医疗效率，拯救生命。6.2.3军事方面军事中可将敌对国家卫星侦察或实地探测的地形地貌、特征建筑等图像存于巡航导弹或弹道导弹的图像数据库中，在粗略的制导飞行过后启动图像匹配技术，进行更为精确的二次制导，便能以最小的代价摧毁目标，完成战略战术任务，维护国家安全。6.2.4文物鉴定现在文物造假愈发猖狂，有许多文物收藏爱好者因此上当受骗，造成较大的经济损失。而许多博物馆存有大量的文物图像数据，我们可以提取相同类型文物的图像特征与想鉴定真伪的物品图像进行比对，可以初步的过滤掉比较粗糙的假文物。减少一定的经济损失。6.2.5美妆穿搭推荐现在生活物质极大的丰富，人们对美有了更多的追求。但仍然有许多人都不知道自己适合穿什么样的衣服，也不知道自己适合什么妆容。我们可以通过存储大量被大家所公认较好的穿搭图像和妆容图像，通过对比身材相貌发送合适的推荐。帮助大家成为俊男靓女。参考文献第45次《中国互联网络发展状况统计报告》发布[J].中国广播,2020(05):27..孙嘉.中国C2C网络贸易税收问题研究复制引用[D].北京:北京邮电大学,2009.黄磊.基于电商网站商品评论的商品属性提取及其情感的可视化表示[D].北京邮电大学,2017.张骞.基于文本的与基于内容的图像检索技术比较研究[J].情报探索,2012(01):111-113.顾文娇.基于内容语义的图像检索技术研究复制引用[D].山东:山东师范大学,2015.高延河.基于复小波理论多尺度颜色和纹理特征描述的图像检索复制引用[D].重庆:重庆大学,2010.于广瑞,赵丹阳.基于立体视觉的目标深度图提取算法研究[J].测绘与空间地理信息,2020,43(04):104-107.胡二雷,冯瑞.基于深度学习的图像检索系统[J].计算机系统应用,2017,26(03):8-19.吴洪,卢汉清,马颂德.基于内容图像检索中相关反馈技术的回顾[J].计算机学报,2005(12):1969-1979.杨宇.基于深度学习特征的图像推荐系统复制引用[D].四川:电子科技大学,2015.刘振鹿,王大玲,冯时,张一飞,方东昊.一种基于LDA的潜在语义区划分及Web文档聚类算法[J].中文信息学报.2011(01)靳洋.基于PCA/ICA的图像特征提取算法研究[D].西安电子科技大学,2014.张慧.基于内容的服装图像检索系统复制引用[D].广东:华南理工大学,2010.InformationTechnology;MaharajaRanjitSinghPunjabTechnicalUniversityDetailsFindingsinInformationTechnology(Content-basedimageretrievalsystemusingORBandSIFTfeatures)[J].InformationTechnologyNewsweekly,2020.马冬梅.基于深度学习的图像检索研究复制引用[D].内蒙古:内蒙古大学,2014.张勇.深度学习下的图像识别算法[J].计算机产品与流通,2020(02):151.肖璞,黄海霞.基于CNN算法的深度学习研究及应用[J].现代计算机,2019(35):27-32.Science-ScienceandEngineering;StudiesintheAreaofScienceandEngineeringReportedfromUniversityofEngineering&TechnologyTaxila(AnOptimalCodebookforContent-BasedImageRetrievalinJPEGCompressedDomain)[J].JournalofEngineering,2019.罗妙辉.基于图像内容检索技术的纺织品图像侵权检测复制引用[D].浙江:浙江大学,2015.赵秋实.注意力驱动的两阶段图像检索方法研究复制引用[D].吉林:东北师范大学,2007.梅尚健.基于特征融合的图像检索研究与实现复制引用[D].四川:西南交通大学,2015.石梦洁.从专利角度浅谈基于底层视觉特征的图像检索技术的发展[J].南方农机,2020,51(07):228.张瑜慧.基于SVM的语义图像检索技术的研究与实现复制引用[D].江苏:扬州大学,2007.方浩,张巍,肖瑞,施斌,刘岩,赵春发.砂土颗粒形状的傅里叶描述符自动生成[J].高校地质学报,2018,24(04):604-612.胡蕾,侯鹏洋.一种基于光谱与纹理特征的多光谱遥感图像地物分类方法复制引用[J].中国科技论文,2015(02):197-200.谢彰桓.基于反馈和多特征融合的图像检索系统研究与实现[D].电子科技大学,2013.张益明.“切比雪夫距离”下的轨迹探究[J].数学教学,2015(08):19-22.范红梅.基于特征的文档图像检索技术研究与应用复制引用[D].山东:山东师范大学,2010.李晓颖,赵安娜,周晓静,杨成伟.基于大数据分析与挖掘平台的个性化商品推荐研究及应用[J].电子测试,2019(12):65-66.郑启财.基于深度学习的图像检索技术的研究复制引用[D].福建:福建师范大学,2015.毛权,肖人彬,周济.CBR中基于