一种基于过滤深度卷积特征的图像检索方法

摘要

本发明公开一种基于过滤深度卷积特征的图像检索方法，首先将数据集的图像输入预训练的深度卷积神经网络模型，并提取深度卷积特征；其次，对深度卷积特征进行过滤，以除去背景噪声；然后，设计一种空间权重，用来增强目标物体的响应；接着，利用通道权重对通道进行增强，生成图像的表示向量；最后，对图像的表示向量进行标准化和降维，得到最终的特征向量用于相似性匹配，从而返回图像检索的结果。该方法模拟了利用深度卷积神经网络模型获取图像的深度卷积特征来执行图像检索任务，生成的图像表示能够有效的描述图像中的目标物体，能够提高图像检索精确度。

权利要求

1.一种基于过滤深度卷积特征的图像检索方法，其特征是，包括步骤如下：步骤1、分别将数据集中的每张数据图像输入深度卷积神经网络模型中，提取每张数据图像的N个深度卷积特征图Xmn(p，q)；其中每个深度卷积特征图对应一个通道；

步骤2、计算每张数据图像的过滤图Fm(p，q)；

步骤2.1、计算每张数据图像的N个深度卷积特征的方差Emn；

步骤2.2、从每张数据图像的N个深度卷积特征图中选出方差较大的k个深度卷积特征图，作为每张数据图像的过滤选定深度卷积特征图；

步骤2.3、先将每张数据图像的k个过滤选定深度卷积特征图的相同位置上的像素点的特征值相加，得到该张数据图像的叠加深度卷积特征图；再将叠加深度卷积特征图的每个像素点的特征值都除以k，得到每张数据图像的过滤图Fm(p，q)；

步骤3、对于每张数据图像，将步骤2所得到的该张数据图像的过滤图Fm(p，q)与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p，q)进行点乘，得到每张数据图像的N个过滤深度卷积特征图X′mn(p，q)；

步骤4、计算每张数据图像的空间权重图Sm(p，q)；

步骤4.1、将每张数据图像的N个过滤深度卷积特征图X′mn(p，q)的所有像素点的特征值相加，得到每张数据图像的N个过滤深度卷积特征图的综合特征值hmn；

步骤4.2、将所有数据图像的对应通道的过滤深度卷积特征的综合特征值相加，得到N个通道特征值h′n；

步骤4.3、先对N个通道特征值h′n排序，并记录通道特征值h′n较大的前b个通道特征值的序号作为选定通道序号；再从每张数据图像的N个深度卷积特征图中分别选出选定通道序号所对应的深度卷积特征图，作为每张数据图像的空间选定深度卷积特征图；

步骤4.4、将每张数据图像的b个空间选定深度卷积特征图进行相同位置上的像素点的特征值的平方相加，得到每张数据图像的空间叠加深度卷积特征图S′m(p，q)；

步骤4.5、将每张数据图像的空间叠加深度卷积特征图S′m(p，q)进行归一化，得到每张数据图像的空间权重图Sm(p，q)；

步骤5、对于每张数据图像，将步骤4所得到的该张数据图像的空间权重图Sm(p，q)与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p，q)进行点乘，得到每张数据图像的N个空间加权深度卷积特征图X″mn(p，q)；

步骤6、将每张数据图像的N个空间加权深度卷积特征图的通道权重值Pmn与综合特征值Φmn相乘，得到每张数据图像的N个通道加权深度卷积特征值Gmn；

步骤7、对每张数据图像的N个通道加权深度卷积特征值Gmn进行L2标准化和PCA白化降维处理，得到每张数据图像的N个特征表示G′mn，并利用每张数据图像的N个特征表示G′mn构建每张数据图像的特征表示向量G′m；

步骤8、将待检索图像输入深度卷积神经网络模型中，提取待检索图像的N个深度卷积特征图X*n(p，q)；

步骤9、先将步骤4.3中计算空间权重图的过程中所得到的选定通道序号所对应的待检索图像的b个深度卷积特征图进行相同位置上像素点的特征值的平方相加，得到待检索图像的空间叠加深度卷积特征图；再对待检索图像的空间叠加深度卷积特征图进行归一化，得到待检索图像的空间权重图S*(p，q)；

步骤10、将待检索图像的空间权重图S*(p，q)与待检索图像的N个深度卷积特征图X*n(p，q)进行点乘，得到待检索图像的N个空间加权深度卷积特征图X″*n(p，q)；

步骤11、将待检索图像的N个空间加权深度卷积特征图的通道权重值P*n与综合特征值Φ*n相乘，得到待检索图像的N个通道加权深度卷积特征值G*n；

步骤12、对待检索图像的N个通道加权深度卷积特征值G*n进行L2标准化和PCA白化降维处理，得到待检索图像的N个特征表示G′*n，并利用待检索图像的N个特征表示G′mn构建待检索图像的特征表示向量G′*；

步骤13、步骤12所得的计算待检索图像的特征表示向量G′*与步骤7所得的数据集中的每张数据图像的特征表示向量G′m的L2距离，并按照距离从小到大的顺序返回最终检索结果；

其中，m＝1，2，...，M，M表示数据集中数据图像的数量，n＝1，2，...，N，N表示深度卷积特征图也即通道的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，k、b为设定值，ε为设定的常量。

2.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

6中，第m张数据图像的第n个通道权重值Pmn为：其中，m＝1，2，...，M，M表示数据集中数据图像的数量，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，Zmn表示第m张数据图像的第n个空间加权深度卷积特征图的像素点的特征值的非零占比，βmn表示第m张数据图像的第n个空间加权深度卷积特征图的响应强度值，ε为设定的常量。

3.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

6中，第m张数据图像的第n个综合特征值Φmn为：其中，m＝1，2，...，M，M表示数据集中数据图像的数量，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，X″mn(p，q)表示第m张数据图像的第n个空间加权深度卷积特征图。

4.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

11中，待检索图像的第n个通道权重值P*n为：其中，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，Z*n表示待检索图像的第n个空间加权深度卷积特征图的像素点的特征值的非零占比，β*n表示待检索图像的第n个空间加权深度卷积特征图的响应强度值，ε为设定的常量。

5.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

11中，待检索图像的第n个综合特征值Φ*n为：其中，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，X″*n(p，q)表示待检索图像的第n个空间加权深度卷积特征图。

说明书

一种基于过滤深度卷积特征的图像检索方法

技术领域

[0001] 本发明涉及图像检索技术领域，具体涉及一种基于过滤深度卷积特征的图像检索方法。

背景技术

[0002] 随着网络通信技术的迅速发展和广泛应用，人们更愿意通过互联网来分享自己的日常生活，于是大量的图像数据被上传到网络上。网络上的图像数据呈现爆发式的增长。同
时互联网又是人类获取信息的有效技术手段，面对海量的图像，如何查询自己现需要的图
像面临着巨大的困难和挑战。早期的图像检索技术是基于文本的，这需要对每一幅图像都
进行标记，这种标记随着人的主观因素的不同而不同，同时，单一的文本并不能有效的表示
图像的内容，这也就限制了基于文本的图像检索技术的发展。于是，基于内容的图像检索技
术开始出现。在图像检索的早期开发中，研究人员通常使用颜色和纹理等全局特征来表示
图像内容。但是，在某些照明、遮挡和变形条件下，全局特征性能表现不佳，因此很难应用于
某些场景下的图像检索任务。近年来，将深度卷积神经网络应用到图像检索领域表现出非
常优异的性能。主要的步骤是从深度卷积神经网络中提取深度卷积特征，通过聚合深度卷
积特征来形成具有可区分性的图像特征表示向量，利用特征向量来进行特征匹配并返回最
相似的图像。基于深度卷积神经网络的图像检索技术已经成为当前研究的热点，然而由于
深度卷积特征中背景噪声会影响检索结果，因此如何利用深度卷积特征来构建更加具有可
区分性的图像表示是当前面临的主要困难和挑战。

发明内容

[0003] 本发明针对深度卷积特征中背景噪声影响检索结果的问题，提供一种基于过滤深度卷积特征的图像检索方法。

[0004] 为解决上述问题，本发明是通过以下技术方案实现的：

[0005] 一种基于过滤深度卷积特征的图像检索方法，包括步骤如下：

[0006] 步骤1、分别将数据集中的每张数据图像输入深度卷积神经网络模型中，提取每张数据图像的N个深度卷积特征图Xmn(p,q)；其中每个深度卷积特征图对应一个通道；

[0007] 步骤2、计算每张数据图像的过滤图Fm(p,q)；

[0008] 步骤2.1、计算每张数据图像的N个深度卷积特征的方差Emn；

[0009] 步骤2.2、从每张数据图像的N个深度卷积特征图中选出方差较大的k个深度卷积特征图，作为每张数据图像的过滤选定深度卷积特征图；

[0010] 步骤2.3、先将每张数据图像的k个过滤选定深度卷积特征图的相同位置上的像素点的特征值相加，得到该张数据图像的叠加深度卷积特征图；再将叠加深度卷积特征图的
每个像素点的特征值都除以k，得到每张数据图像的过滤图Fm(p,q)；

[0011] 步骤3、对于每张数据图像，将步骤2所得到的该张数据图像的过滤图Fm(p,q)与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p,q)进行点乘，得到每张数据图像的N
个过滤深度卷积特征图X′mn(p,q)；

[0012] 步骤4、计算每张数据图像的空间权重图Sm(p,q)；

[0013] 步骤4.1、将每张数据图像的N个过滤深度卷积特征图X′mn(p,q)的所有像素点的特征值相加，得到每张数据图像的N个过滤深度卷积特征图的综合特征值hmn；

[0014] 步骤4.2、将所有数据图像的对应通道的过滤深度卷积特征的综合特征值相加，得到N个通道特征值h′n；

[0015] 步骤4.3、先对N个通道特征值h′n排序，并记录通道特征值h′n较大的前b个通道特征值的序号作为选定通道序号；再从每张数据图像的N个深度卷积特征图中分别选出选定
通道序号所对应的深度卷积特征图，作为每张数据图像的空间选定深度卷积特征图；

[0016] 步骤4.4、将每张数据图像的b个空间选定深度卷积特征图进行相同位置上的像素点的特征值的平方相加，得到每张数据图像的空间叠加深度卷积特征图S′m(p,q)；

[0017] 步骤4.5、将每张数据图像的空间叠加深度卷积特征图S′m(p,q)进行归一化，得到每张数据图像的空间权重图Sm(p,q)；

[0018] 步骤5、对于每张数据图像，将步骤4所得到的该张数据图像的空间权重图Sm(p,q)与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p,q)进行点乘，得到每张数据图
像的N个空间加权深度卷积特征图X″mn(p,q)；

[0019] 步骤6、将每张数据图像的N个空间加权深度卷积特征图的通道权重值Pmn与综合特征值Φmn相乘，得到每张数据图像的N个通道加权深度卷积特征值Gmn；

[0020] 步骤7、对每张数据图像的N个通道加权深度卷积特征值Gmn进行L2标准化和PCA白化降维处理，得到每张数据图像的N个特征表示G′mn，并利用每张数据图像的N个特征表示
G′mn构建每张数据图像的特征表示向量G′m；

[0021] 步骤8、将待检索图像输入深度卷积神经网络模型中，提取待检索图像的N个深度卷积特征图X*n(p,q)；

[0022] 步骤9、先将步骤4.3中计算空间权重图的过程中所得到的选定通道序号所对应的待检索图像的b个深度卷积特征图进行相同位置上像素点的特征值的平方相加，得到待检
索图像的空间叠加深度卷积特征图；再对待检索图像的空间叠加深度卷积特征图进行归一
化，得到待检索图像的空间权重图S*(p,q)；

[0023] 步骤10、将待检索图像的空间权重图S*(p,q)与待检索图像的N个深度卷积特征图X*n(p,q)进行点乘，得到待检索图像的N个空间加权深度卷积特征图X″*n(p,q)；

[0024] 步骤11、将待检索图像的N个空间加权深度卷积特征图的通道权重值P*N与综合特征值Φ*n相乘，得到待检索图像的N个通道加权深度卷积特征值G*n；

[0025] 步骤12、对待检索图像的N个通道加权深度卷积特征值G*n进行L2标准化和PCA白化降维处理，得到待检索图像的N个特征表示G′*n，并利用待检索图像的N个特征表示G′mn构建
待检索图像的特征表示向量G′*；

[0026] 步骤13、计算待检索图像的特征表示向量G′*与数据集中的每张数据图像的特征表示向量G′m的L2距离，并按照距离从小到大的顺序返回最终检索结果；

[0027] 其中，m＝1,2,...,M，M表示数据集中数据图像的数量，n＝1,2,...,N，N表示深度卷积特征图也即通道的数量，p＝1,2,...,W，W表示深度卷积特征图的高度，q＝1,2,...,H，
H表示深度卷积特征图的高度，k、b为设定值，ε为设定的常量。

[0028] 上述步骤6中，第m张数据图像的第n个通道权重值Pmn为：

[0029]

[0030] 其中，m＝1,2,...,M，M表示数据集中数据图像的数量，n＝1,2,...,N，N表示深度卷积特征图的数量，p＝1,2,...,W，W表示深度卷积特征图的高度，q＝1,2,...,H，H表示深
度卷积特征图的高度，Zmn表示第m张数据图像的第n个空间加权深度卷积特征图的像素点的
特征值的非零占比，βmn表示第m张数据图像的第n个空间加权深度卷积特征图的响应强度
值，ε为设定的常量。

[0031] 上述步骤6中，第m张数据图像的第n个综合特征值Φmn为：

[0032]

[0033] 其中，m＝1,2,...,M，M表示数据集中数据图像的数量，n＝1,2,...,N，N表示深度卷积特征图的数量，p＝1,2,...,W，W表示深度卷积特征图的高度，q＝1,2,...,H，H表示深
度卷积特征图的高度，X″mn(p,q)表示第m张数据图像的第n个空间加权深度卷积特征图。

[0034] 上述步骤11中，待检索图像的第n个通道权重值P*n为：

[0035]

[0036] 其中，n＝1,2,...,N，N表示深度卷积特征图的数量，p＝1,2,...,W，W表示深度卷积特征图的高度，q＝1,2,...,H，H表示深度卷积特征图的高度，Z*n表示待检索图像的第n个
空间加权深度卷积特征图的像素点的特征值的非零占比，β*n表示待检索图像的第n个空间
加权深度卷积特征图的响应强度值，ε为设定的常量。

[0037] 上述步骤11中，待检索图像的第n个综合特征值Φ*n为：

[0038]

[0039] 其中，n＝1,2,...,N，N表示深度卷积特征图的数量，p＝1,2,...,W，W表示深度卷积特征图的高度，q＝1,2,...,H，H表示深度卷积特征图的高度，X″*n(p,q)表示待检索图像
的第n个空间加权深度卷积特征图。

[0040] 与现有技术相比，本发明在基于图像深度卷积特征的视觉应用基础上，提出过滤深度卷积特征的算法，得到一种新的基于深度卷积特征的图像表示向量，它能够显著地描
述了图像中的目标物体，其能够有效抑制深度卷积特征中的背景噪声，能够形成具有可区
分性的图像表示，实验结果证明我们的方法能够有效提高图像检索精确度。

附图说明

[0041] 图1为一种基于过滤深度卷积特征的图像检索方法的流程图。

[0042] 图2是计算每张数据图像的深度卷积特征图的过滤图的示例图。

[0043] 图3是计算空间权重图的示例图。

[0044] 图4是计算通道加权深度卷积特征值的示例图。

具体实施方式

[0045] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。

[0046] 本发明所提出的一种基于过滤深度卷积特征的图像检索方法，如图1所示，首先将数据集的图像输入预训练的深度卷积神经网络模型，并提取深度卷积特征图；其次，对深度
卷积特征进行过滤，以除去背景噪声；然后，设计一种空间权重，用来增强目标物体的响应；
接着，利用通道权重对通道进行增强，生成图像的表示向量；最后，对图像的表示向量进行
标准化和降维，得到最终的特征向量用于相似性匹配，从而返回图像检索的结果。该方法模
拟了利用深度卷积神经网络模型获取图像的深度卷积特征来执行图像检索任务，生成的图
像表示能够有效的描述图像中的目标物体，能够提高图像检索的精确度,通过空间权重和
通道权重来分别对那些包括有关键语义信息的特征图赋予更高权重，以提高图像的可辨别
性能，其具体步骤如下：

[0047] 1)获得数据集中数据图的特征表示向量

[0048] 步骤1、分别将数据集中的每张数据图像输入深度卷积神经网络模型中，提取每张数据图像的深度卷积特征图。

[0049] 将图像数据集中的一张图像输入深度卷积神经网络模型，提取这张图像的深度卷积特征图Xmn(p,q)，其中m＝1,2,...,M，M表示数据集中数据图像的数量，n＝1,2,...,N，N表
示每张数据图像的深度卷积特征图的数量(也是值通道的数量，因为每个通道对应一个深
度卷积特征图)，p＝1,2,...,W，W表示深度卷积特征图的宽度，q＝1,2,...,H，H表示深度卷
积特征图的高度。

[0050] 步骤2、计算每张数据图像的深度卷积特征图的过滤图，如图2所示。

[0051] 步骤2.1、计算每张数据图像的N个深度卷积特征图的方差Emn：

[0052]

[0053] 式中，符号 表示求均值。 表示Xmn(p,q)这张深度卷积特征图的均值，是指把深度卷积特征图Xmn(q,p)的所有像素点的特征值加起来再除以像素点的个数。
表示深度卷积特征图Xmn(p,q)中的每个像素点的特征值都依次
减去均值。

[0054] 步骤2.2、从每张数据图像的N个深度卷积特征图中选出方差较大的k个深度卷积特征图，作为每张数据图像的选定过滤深度卷积特征图。

[0055] 步骤2.3、先将每张数据图像的k个选定过滤深度卷积特征图的相同位置上的像素点的特征值相加，得到该张数据图像的叠加深度卷积特征图；再将叠加深度卷积特征图的
每个像素点的特征值都除以k，得到该张数据图像的过滤图Fm(p,q)：

[0056]

[0057] 步骤3、对于每张数据图像，利用步骤2所得到的该张数据图像的过滤图Fm(p,q)分别与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p,q)进行点乘，得到每张数据
图像的N个过滤深度卷积特征图X′mn(p,q)：

[0058]

[0059] 式中，符号 表示元素点乘，点乘是指过滤图Fm(p,q)分别与N个深度卷积特征图Xmn(p,q)相同位置上的像素点的特征值相乘。

[0060] 步骤4、计算空间权重图，如图3所示。

[0061] 步骤4.1、将每张数据图像的N个过滤深度卷积特征图X′mn(p,q)的所有像素点的特征值相加，得到每张数据图像的N个过滤深度卷积特征图的综合特征值hmn：

[0062]

[0063] 步骤4.2、将所有数据图像的对应通道的过滤深度卷积特征图的综合特征值相加，得到N个通道特征值h′n：

[0064]

[0065] 步骤4.3、先从h′n每的N个通道特征值中选出较大的b个，并记录这些选定的b个通道特征值较大的通道序号，这些通道序号将作为所有数据图像统一的选定通道序号(也就
是说每张数据图像都选择这些序号对应的通道上的深度卷积特征图作为空间选定深度卷
积特征图)。再利用每张数据图像的这些选定通道序号对应的深度卷积特征图作为每张数
据图像的空间选定深度卷积特征图，这些选定的深度卷积特征图将用于构造每张数据图像
的空间权重图。

[0066] 步骤4.4、对每张数据图像的b个选定深度卷积特征图进行平方叠加，得到每张数据图像的空间叠加深度卷积特征图S′m(p,q)；

[0067]

[0068] 步骤4.5、将每张数据图像的空间叠加深度卷积特征图S′m(p,q)进行归一化，得到每张数据图像的空间权重图Sm(p,q)。

[0069] 步骤5、对于每张数据图像，利用步骤4所得到的该张数据图像的空间权重图Sm(p,q)分别与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p,q)进行点乘，得到每张
数据图像的N个空间加权深度卷积特征图X″mn(p,q)：

[0070]

[0071] 步骤6、将每张数据图像的N个空间加权深度卷积特征图的通道权重值Pmn与综合特征值Φmn相乘，得到每张数据图像的N个通道加权深度卷积特征值Gnm，如图4所示。

[0072] 通道权重值Pmn：

[0073]

[0074] 其中，Zmn表示空间加权深度卷积特征图的像素点的特征值的非零占比(即X″mn(p,q)中像素点的特征值大于零的个数与像素点总数的比值)。βmn表示空间加权深度卷积特征
图的响应强度值， ε为设定的一个很小的常量，ε＝
0.0001，其目的是为了保证分母和分子不为0。

[0075] 综合特征值由空间加权深度卷积特征图的所有像素点的特征值相加所得到，其中综合特征值Φmn为：

[0076]

[0077] 其中，m＝1,2,...,M，M表示数据集中数据图像的数量，n＝1,2,...,N，N表示深度卷积特征图的数量，p＝1,2,...,W，W表示深度卷积特征图的高度，q＝1,2,...,H，H表示深
度卷积特征图的高度，X″mn(p,q)表示空间加权深度卷积特征图。

[0078] 则每张数据图像的N个通道加权深度卷积特征值Gmn：

[0079] Gmn＝Pmn×Φmn

[0080] 步骤7、对每张数据图像的N个通道加权深度卷积特征值Gmn进行L2标准化和PCA白化降维处理，得到每张数据图像的N个特征表示G′mn，并利用每张数据图像的N个特征表示
G′mn构建每张数据图像的特征表示向量G′m＝{G′mn，n＝1,2,...,N}。

[0081] 2)获得待检索图像的的特征表示向量

[0082] 步骤8、将待检索图像输入深度卷积神经网络模型中，提取待检索图像的N个深度卷积特征图X*n(p,q)。

[0083] 步骤9、先将计算空间权重图的过程中所得到的选定通道序号所对应的待检索图像的b个深度卷积特征图进行对应像素点的特征值的平方相加，得到待检索图像的空间叠
加深度卷积特征图S′*(p,q)；再对待检索图像的空间叠加深度卷积特征图S′*(p,q)进行归
一化，得到待检索图像的空间权重图S*(p,q)。

[0084] 步骤10、将待检索图像的空间权重图S*(p,q)与待检索图像的N个深度卷积特征图X*n(p,q)进行点乘，得到待检索图像的N个空间加权深度卷积特征图X″*n(P,Q)。

[0085] 步骤11、将待检索图像的N个空间加权深度卷积特征图的通道权重值P*n与综合特征值Φ*n相乘，得到待检索图像的N个通道加权深度卷积特征值G*n。

[0086] 步骤12、对待检索图像的N个通道加权深度卷积特征值G*n进行L2标准化和PCA白化降维处理，得到待检索图像的N个特征表示G′*n，并利用待检索图像的N个特征表示G′*n构建
待检索图像的特征表示向量G′*＝{G′*n，n＝1,2,...,N}。

[0087] 3)通过特征表示向量进行检索

[0088] 步骤13、计算待检索图像的特征表示向量G′*与数据集中的每张数据图像的特征表示向量G′m的L2距离，距离越小表明图像越相似，并按照距离从小到大的顺序返回最终检
索结果。

[0089] 本发明提出一种基于过滤深度卷积特征的图像检索方法，为了消除背景噪声，突出深层卷积特征中的目标对象，我们提出了深度卷积特征的空间和通道加权的新方法，并
将其应用于图像检索。我们提出了新的图像检索框架。关键技术主要分为过滤器、空间权重
和通道权重三部分。当我们关注通道时，过滤器可以消除噪音的干扰，这有利于选择更具区
别的通道。空间权重可以加强空间位置中目标物体的响应，在突出关键特征、进一步抑制背
景噪声方面发挥作用。通道权重可以增强某些通道响应不突出但包含关键功能的通道，在
抑制视觉突然性方面也起着一定的作用。实验结果表明，我们提出的方法能够提高图像检
索的性能。

[0090] 需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是
本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。