一种基于深度哈希学习的菊花图像内容检索方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108932314A(43)申请公布日2018.12.04(21)申请号201810640741.4(22)申请日2018.06.21(71)申请人南京农业大学地址210095江苏省南京市玄武区卫岗1号(72)发明人袁培森曹雪莲李美玲任守纲顾兴健徐焕良(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人柏尚春(51)Int.Cl.G06F17/30(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图6页(54)发明名称一种基于深度哈希学习的菊花图像内容检索方法(57)摘要本发明公开了一种基于深度哈希学习的菊花图像内容检索方法，该方法利用深度神经网络算法和Hash编码来进行图像的识别和检索，首先建立训练集和测试集对待识别图像进行预数据处理，增强图像的泛化能力和识别度，然后通过卷积神经网络构建菊花图像特征提取模型，通过在卷积神经网络的哈希层哈希编码实现查询计算。该方法基于深度哈希学习使得高维数据在向低维空间映射时，数据在高维空间的相似性能够在海明空间得到保持，使得高维数据在向低维空间映射时保持编码平衡准则，本发明对菊花数据集进行处理，增强数据集以增强模型泛化能力，并提高了图像的检索质量和检索效率。CN108932314ACN108932314A权利要求书1/2页1.一种基于深度哈希学习的菊花图像内容检索方法，其特征在于：包括下列步骤：(1)图像数据信息预处理，包括训练数据集和测试数据集预处理，预处理的方法包括图像的旋转、白化、均值与方差的均衡；(2)构建图像检索模型，所述图像检索模型基于卷积神经网络建立，卷积神经网络包括输入层、卷积层、全连接层、池化层和哈希层；(3)建立图像检索系统，所述图像检索系统包括选择图像、查看图像和检索图像三个子系统模块。2.根据权利要求1所述的一种基于深度哈希学习的菊花图像内容检索方法，其特征在于：所述方法构建的图像检索模型中模型训练步骤如下：(a)初始化网络参数的权值参数；(b)将选取好的训练集图像输入卷积神经网络，并设定网络参数，所述网络参数包括训练集图像数量Train_coun、图像大小、学习率η、每批次训练图像数BATCH_SIZE、迭代次数EPOCH和哈希编码长度BITSLENGTH，所述学习率η为0.001-0.1，所述哈希编码长度BITSLENGTH为16，24，32，48，64；(c)训练图像通过卷积神经网络进行前向传导，得到输出值；(d)设置损失函数，计算实际的输出值与预测的输出值之间的误差，其计算表达式如下：其中，bi,1，bi,2为网络哈希层得到的二进制编码，yi为“伪”类标签，若两张图像相似，那么yi＝0，否则yi＝1；N为数据集大小，λ为阈值参数，设为2*BITSLENGTH，α为控制正则化强度的权重参数，设为0.01；(e)将误差进行反向传播，且逐步更新卷积神经网络的所有权值参数，参数的更新计算表达式如下所示：其中θ表示参数，L(θ)是损失函数，参数θ的梯度为η为学习率，定义每次参数更新的幅度；(f)哈希函数的阈值设置为均值，其计算表达式如下：3.根据权利要求2所述的一种基于深度哈希学习的菊花图像内容检索方法其特征在于：步骤(d)中采用正则化方法避免过拟合问题，具体包括L1正则和L2正则，其计算公式如下：L1正则化公式如下：2CN108932314A权利要求书2/2页L2正则化公式如下：4.根据权利要求1所述的一种基于深度哈希学习的菊花图像内容检索方法，其特征在于：步骤(1)中训练数据集和测试数据集在对菊花图像进行处理后按照菊花图像类别分别保存到文本文件中，然后将所有图像的顺序随机化后保存到新的文本文件中，生成最终的训练集目录和测试集目录。5.根据权利要求4所述的一种基于深度哈希学习的菊花图像内容检索方法，其特征在于：所述的菊花图像类别包括平瓣型、匙瓣型、管瓣型、桂瓣型和畸瓣型。6.根据权利要求1所述的一种基于深度哈希学习的菊花图像内容检索方法，其特征在于：步骤(2)所构建的图像检索模型包括5层卷积层、5层池化层、1层全连接层和1层哈希层，所述哈希层阈值采用均值作为阈值。7.根据权利要求1或6所述的一种基于深度哈希学习的菊花图像内容检索方法，其特征在于：所述方法的输入层的数据大小为64*64*3，经过一层卷积层，卷积filter大小为3*3，stride为1，filter数量为32，使用全0填充；然后经过一层池化层，大小为3*3，stride为2，池化层全0填充；其次经过Relu激活函数和LRN处理，输出结果作为下一层的输入；接着按照相同的方式进行4次卷积和池化操作，缩小图像的宽和高，增加通道数，直到256；最后用一个全