張夢君

（閩北職業(yè)技術學院 信息系， 福建 南平 353000）

進入數(shù)字信息時代以后， 數(shù)據(jù)已經(jīng)成為人們?nèi)粘Ｉ钆c工作非常重要的一部分， 而圖片數(shù)據(jù)又 是 電 子 數(shù) 據(jù) 的 重 要 組 成 部 分 之 一［1-2］， 尤其是電子商務的興起， 使得圖像信息檢索的研究逐步深入。 在京東、淘寶、亞馬遜、拼多多等電子商務網(wǎng)站中， 每日的圖片訪問率可以達到這些網(wǎng)站數(shù)據(jù)訪問率的80%左右， 而且現(xiàn)階段還呈現(xiàn)出大幅度增加的趨勢［3-4］。 為滿足用戶的需求，需要研究提高圖像信息檢索精度及檢索速度的措施。文獻［5］使用深度學習的方法提高圖像的清晰度， 在特定損失函數(shù)以及隨即變換等手段的輔助下，完成了對檢索精度的優(yōu)化；文獻［6］結合多尺度池化和范數(shù)注意力機制計算了空間位置向量，完成了高精度的圖像信息檢索；文獻［7］針對復雜的空間影像提出了完備的拓撲變量描述方法，提升了復雜空間與具有深度特征的檢索效率與檢索精度。

但是將上述方法應用至圖像信息檢索過程中存在量化誤差高、 平均準確率低以及檢索時間長的問題，本文以解決上述方法存在的問題作為研究目標，設計了一種基于深度神經(jīng)網(wǎng)絡的圖像信息快速檢索方法。

1 圖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 標 準化特征值。 結合該直方圖法標準化系數(shù)，可以計算局部敏感區(qū)域的圖像信息特征。 將原始空間數(shù)據(jù)中的圖像特征進行隨機映射，在保證數(shù)據(jù)空間內(nèi)的概率之和小于閾值的情況下，計算原始空間距離的數(shù)據(jù)點［8］，此時的哈希函數(shù)變換應滿足的條件為

2 基于深度神經(jīng)網(wǎng)絡的圖像信息檢索模型和檢索流程

為保證圖像信息能夠被有效識別， 將分類損失函數(shù)作為深度神經(jīng)網(wǎng)絡的學習條件， 此時的損失函數(shù)可以表示為

圖1 基于深度神經(jīng)網(wǎng)絡對圖像信息的快速檢索方法的檢索流程

在檢索時首先訓練特征樣本，設置相應的算法參數(shù)，同時獲取圖像信息快速檢索的旋轉(zhuǎn)矩陣與量化編碼結構。 在隨機初始化參數(shù)以后，可以查找是否獲得了網(wǎng)絡的初始特征［9］。 若沒有獲取初始特征，則需要重新訓練特征樣本，并進行不斷迭代處理。 當獲取初始特征之后，就需要制定并更新網(wǎng)絡策略，通過優(yōu)化編碼結構的方式，判定優(yōu)化目標是否實現(xiàn)。 若沒有實現(xiàn)優(yōu)化目標，則需要重新返回到訓練特征樣本的階段，若得到優(yōu)化目標，則該優(yōu)化目標即為最終的優(yōu)化結果，以此實現(xiàn)圖像信息快速檢索。

3 實驗設計

3.1 實驗數(shù)據(jù)集構建

為測試所設計的基于深度神經(jīng)網(wǎng)絡的圖像信息快速檢索方法的有效性和優(yōu)越性，設計如下實驗。將Linux 操作系統(tǒng)作為本實驗的操作平臺，將Python 語言下的TensorFlow 框架作為深度學習框架。 實驗中將個人的PC 機作為主要設備，CPU 環(huán)境采用Intel Xeon E5-2670 以及八核處理器，顯存為12 GB，硬盤使用256 G 固態(tài)硬盤加1 T 機械硬盤的格式， 實驗中的主要軟件使用MARLAB。 為了保證圖像信息檢索實驗的有效性，建立圖像數(shù)據(jù)集，該數(shù)據(jù)集（圖2）內(nèi)主要有數(shù)字1～4 構成的圖案。

圖2 圖像數(shù)據(jù)集

3.2 實驗指標計算

在本實驗中，使用量化誤差作為衡量算法，針對圖像檢索損失誤差進行計算，其計算公式為

3.3 實驗結果分析

在實驗中，為驗證所設計的方法的性能，將本文設計的基于深度神經(jīng)網(wǎng)絡的圖像信息快速檢索方法、深度學習算法、多尺度池化和范數(shù)注意力機制、 精細拓撲結構表示與深度特征融合方法作為實驗對比方法。 設置圖像數(shù)據(jù)集內(nèi)的圖像數(shù)量為1 000，其中每一種類型的圖像數(shù)量為250，哈希碼的長度分別設置為12、32 和48 bit， 并將其作為變量。 建立獨特的學習框架，考慮檢索損失誤差以及檢索平均準確率，同時在特征學習中對上述圖像信息檢索的分類性能進行測試，以證明所設計的檢索方法的有效性與優(yōu)越性，此時可以得到2 種指標在不同算法和不同哈希碼變量下的數(shù)據(jù)結果， 如表1所示。

表1 不同算法及不同變量下的數(shù)據(jù)結果

由表1 可知，隨著哈希碼長度的增加，檢索損失誤差增加，且檢索平均準確率小幅度增加，哈希碼長度對圖像信息檢索的精度呈正向促進作用。 本文方法的檢索損失誤差更低，檢索平均準確率更高，實際應用效果更好。

不同數(shù)據(jù)數(shù)量下4 種方法的檢索時間如圖3所示。 由圖3 知，當數(shù)據(jù)數(shù)量為500 時，4 種算法的檢索時間差距較小， 但是隨著數(shù)據(jù)數(shù)量的增加，不但其檢索所需時間越來越長，4 種方法檢索時間之間的差距也在不斷變大。 到了4 000 條圖像數(shù)據(jù)時，4 種 方 法 的 檢 索 用 時 分 別 為17 s、24 s、31 s 和38 s， 本文方法所需的檢索時間更短， 檢索效率更高，本文所設計的基于深度神經(jīng)網(wǎng)絡的圖像信息快速檢索方法在檢索精度以及檢索速度方面均優(yōu)于其他3 種方法。

圖3 檢索時間

4 結束語

為了提升圖像信息檢索效果， 本文設計了一種基于深度神經(jīng)網(wǎng)絡的圖像信息快速檢索方法， 在大規(guī)模的圖像數(shù)據(jù)集中， 利用該檢索方式對某一項內(nèi)容進行檢索與匹配，提取局部特征信息，結合特征信息提取結果實現(xiàn)圖像信息快速檢索。 對比其他3 種方法，該檢索方法的精度以及運算速度均更優(yōu)越，可見該圖像信息快速檢索方法優(yōu)于其他方法， 實際應用效果好。