基于深度神经网络的图像信息快速检索研究

张梦君

（闽北职业技术学院 信息系， 福建 南平 353000）

进入数字信息时代以后， 数据已经成为人们日常生活与工作非常重要的一部分， 而图片数据又 是 电 子 数 据 的 重 要 组 成 部 分 之 一［1-2］， 尤其是电子商务的兴起， 使得图像信息检索的研究逐步深入。 在京东、淘宝、亚马逊、拼多多等电子商务网站中， 每日的图片访问率可以达到这些网站数据访问率的80%左右， 而且现阶段还呈现出大幅度增加的趋势［3-4］。 为满足用户的需求，需要研究提高图像信息检索精度及检索速度的措施。文献［5］使用深度学习的方法提高图像的清晰度， 在特定损失函数以及随即变换等手段的辅助下，完成了对检索精度的优化；文献［6］结合多尺度池化和范数注意力机制计算了空间位置向量，完成了高精度的图像信息检索；文献［7］针对复杂的空间影像提出了完备的拓扑变量描述方法，提升了复杂空间与具有深度特征的检索效率与检索精度。

但是将上述方法应用至图像信息检索过程中存在量化误差高、 平均准确率低以及检索时间长的问题，本文以解决上述方法存在的问题作为研究目标，设计了一种基于深度神经网络的图像信息快速检索方法。

1 图像信息局部特征提取

式 中， F （a ， b）表 示 排 除 最 小 化 向 量 之 和 后 的 标 准化特征值。 结合该直方图法标准化系数，可以计算局部敏感区域的图像信息特征。 将原始空间数据中的图像特征进行随机映射，在保证数据空间内的概率之和小于阈值的情况下，计算原始空间距离的数据点［8］，此时的哈希函数变换应满足的条件为

2 基于深度神经网络的图像信息检索模型和检索流程

为保证图像信息能够被有效识别， 将分类损失函数作为深度神经网络的学习条件， 此时的损失函数可以表示为

图1 基于深度神经网络对图像信息的快速检索方法的检索流程

在检索时首先训练特征样本，设置相应的算法参数，同时获取图像信息快速检索的旋转矩阵与量化编码结构。 在随机初始化参数以后，可以查找是否获得了网络的初始特征［9］。 若没有获取初始特征，则需要重新训练特征样本，并进行不断迭代处理。 当获取初始特征之后，就需要制定并更新网络策略，通过优化编码结构的方式，判定优化目标是否实现。 若没有实现优化目标，则需要重新返回到训练特征样本的阶段，若得到优化目标，则该优化目标即为最终的优化结果，以此实现图像信息快速检索。

3 实验设计

3.1 实验数据集构建

为测试所设计的基于深度神经网络的图像信息快速检索方法的有效性和优越性，设计如下实验。将Linux 操作系统作为本实验的操作平台，将Python 语言下的TensorFlow 框架作为深度学习框架。 实验中将个人的PC 机作为主要设备，CPU 环境采用Intel Xeon E5-2670 以及八核处理器，显存为12 GB，硬盘使用256 G 固态硬盘加1 T 机械硬盘的格式， 实验中的主要软件使用MARLAB。 为了保证图像信息检索实验的有效性，建立图像数据集，该数据集（图2）内主要有数字1～4 构成的图案。

图2 图像数据集

3.2 实验指标计算

在本实验中，使用量化误差作为衡量算法，针对图像检索损失误差进行计算，其计算公式为

3.3 实验结果分析

在实验中，为验证所设计的方法的性能，将本文设计的基于深度神经网络的图像信息快速检索方法、深度学习算法、多尺度池化和范数注意力机制、 精细拓扑结构表示与深度特征融合方法作为实验对比方法。 设置图像数据集内的图像数量为1 000，其中每一种类型的图像数量为250，哈希码的长度分别设置为12、32 和48 bit， 并将其作为变量。 建立独特的学习框架，考虑检索损失误差以及检索平均准确率，同时在特征学习中对上述图像信息检索的分类性能进行测试，以证明所设计的检索方法的有效性与优越性，此时可以得到2 种指标在不同算法和不同哈希码变量下的数据结果， 如表1所示。

表1 不同算法及不同变量下的数据结果

由表1 可知，随着哈希码长度的增加，检索损失误差增加，且检索平均准确率小幅度增加，哈希码长度对图像信息检索的精度呈正向促进作用。 本文方法的检索损失误差更低，检索平均准确率更高，实际应用效果更好。

不同数据数量下4 种方法的检索时间如图3所示。 由图3 知，当数据数量为500 时，4 种算法的检索时间差距较小， 但是随着数据数量的增加，不但其检索所需时间越来越长，4 种方法检索时间之间的差距也在不断变大。 到了4 000 条图像数据时，4 种 方 法 的 检 索 用 时 分 别 为17 s、24 s、31 s 和38 s， 本文方法所需的检索时间更短， 检索效率更高，本文所设计的基于深度神经网络的图像信息快速检索方法在检索精度以及检索速度方面均优于其他3 种方法。

图3 检索时间

4 结束语

为了提升图像信息检索效果， 本文设计了一种基于深度神经网络的图像信息快速检索方法， 在大规模的图像数据集中， 利用该检索方式对某一项内容进行检索与匹配，提取局部特征信息，结合特征信息提取结果实现图像信息快速检索。 对比其他3 种方法，该检索方法的精度以及运算速度均更优越，可见该图像信息快速检索方法优于其他方法， 实际应用效果好。