基于Gabor濾波器和深度學(xué)習(xí)的圖像檢索方法*

徐娟娟， 陳 晨， 楊洪軍

(1. 內(nèi)蒙古大學(xué) 滿洲里學(xué)院， 內(nèi)蒙古 滿洲里 021400； 2. 吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院， 長春 130061)

基于Gabor濾波器和深度學(xué)習(xí)的圖像檢索方法*

徐娟娟1， 陳 晨2， 楊洪軍1

(1. 內(nèi)蒙古大學(xué) 滿洲里學(xué)院， 內(nèi)蒙古 滿洲里 021400； 2. 吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院， 長春 130061)

針對(duì)圖像數(shù)據(jù)庫日漸龐大的問題，研究了將特征提取與深度學(xué)習(xí)相結(jié)合進(jìn)行圖像檢索的方法，提出了基于Gabor小波變換和受限玻爾茲曼機(jī)(RBM)的特征提取和降維模型.將整幅圖像劃分成局部圖像塊，利用Gabor濾波器組提取圖像特征，通過RBM對(duì)特征進(jìn)行學(xué)習(xí)和編碼，從而實(shí)現(xiàn)圖像特征的降維處理.采用基于深度信念網(wǎng)絡(luò)(DBN)和Softmax分類器的圖像檢索算法，利用Corel圖像庫進(jìn)行新方法的圖像檢索實(shí)驗(yàn)，并與其他兩種方法進(jìn)行比較.結(jié)果表明，本文方法在準(zhǔn)確率、查全率和檢索時(shí)間上均具有較好的性能，能得到更好的圖像檢索結(jié)果.

圖像檢索； Gabor小波； 特征提取； 降維； 深度學(xué)習(xí)； 受限玻爾茲曼機(jī)； 深度信念網(wǎng)絡(luò)； 分類器

隨著信息技術(shù)的發(fā)展和互聯(lián)網(wǎng)的普及，每天都會(huì)產(chǎn)生數(shù)以萬計(jì)的圖像和視頻數(shù)據(jù).如何快速且準(zhǔn)確地從多媒體數(shù)據(jù)庫中尋找用戶所需要的圖片是一個(gè)非常重要的現(xiàn)實(shí)問題.因此，圖像檢索技術(shù)[1]已經(jīng)成為了多媒體研究領(lǐng)域中的熱點(diǎn).

圖像檢索的定義就是依據(jù)對(duì)圖像內(nèi)容的描述，從特定的圖像集合中找出具有指定特征或指定內(nèi)容的圖像[2].很多學(xué)者都在這個(gè)領(lǐng)域開展了廣泛研究.張永庫等[3]提出了基于底層特征(局部顏色特征、形狀特征和紋理特征)綜合分析的檢索算法，該方法的準(zhǔn)確度較高，檢索速度較快；孫世然等[4-5]利用圖像信息熵和Gabor濾波器來分別提取顏色和紋理特征，并通過改進(jìn)的猴王遺傳算法來選擇權(quán)值，能夠有效地提高查全率和查準(zhǔn)率；邵虹等[6]研究了醫(yī)學(xué)圖像檢索方法，利用感興趣區(qū)域的灰度統(tǒng)計(jì)量作為特征來查找在相同位置具有相似病理特征的顱腦CT圖像；張剛等[7]改進(jìn)了利用共生矩陣提取紋理特征的方法，在顯著方向集合間和紋理特征向量間計(jì)算相似度，該方法對(duì)有向和無向紋理的圖像均具有較好的檢索性能；許喆等[8]使用多探尋LSH(局部敏感哈希)對(duì)圖像特征點(diǎn)進(jìn)行聚類，并基于嵌入漢明碼的單詞映射鏈投票來對(duì)圖像進(jìn)行檢索，提高了檢索精度.雖然上述圖像檢索方法得到了很好的發(fā)展，但是伴隨著圖像數(shù)據(jù)庫的日漸龐大，考慮到計(jì)算機(jī)的性能，最新的檢索系統(tǒng)也只能同時(shí)處理最多幾千幅圖像，檢索速度己成為該領(lǐng)域需要重點(diǎn)關(guān)注的問題.針對(duì)特征維度過多導(dǎo)致的維數(shù)災(zāi)難和圖像特征表達(dá)能力不足等問題，部分學(xué)者提出了將深度學(xué)習(xí)的理論應(yīng)用到圖像信號(hào)處理領(lǐng)域中[9-13].

深度學(xué)習(xí)來源于人工神經(jīng)網(wǎng)絡(luò)，是一種多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，它由多層運(yùn)算架構(gòu)組成，較低層的輸出是更高層的輸入，可以將低層特征組合不斷學(xué)習(xí)得到較抽象的高層特征，實(shí)現(xiàn)對(duì)數(shù)據(jù)更本質(zhì)的描述，從而有助于解決分類、回歸和信息檢索等問題.本文提出了將特征提取與深度學(xué)習(xí)結(jié)合起來進(jìn)行圖像檢索的方法，利用Gabor濾波器和受限玻爾茲曼機(jī)來提取圖像的特征并進(jìn)行降維處理，從而更好地反映圖像本質(zhì)內(nèi)容的特征，然后利用深度信念網(wǎng)絡(luò)和Softmax分類器來設(shè)計(jì)快速有效的圖像檢索算法，并且給出了實(shí)驗(yàn)結(jié)果的詳細(xì)比較分析.

1 基于Gabor濾波器和RBM的圖像特征提取

1.1 Gabor小波

Gabor小波結(jié)合了Gabor變換和小波理論，具有Gabor變換的空間局部性、方向性與小波變換的多分辨率特性，對(duì)圖像的分類和識(shí)別能力較強(qiáng)，能夠較好地提取目標(biāo)的局部空間和頻率域信息，且對(duì)光照不敏感，在圖像處理和模式識(shí)別等領(lǐng)域得到了廣泛應(yīng)用[14-16].Gabor小波的核函數(shù)表達(dá)式為

(1)

式中：k*=kweiφu為Gabor內(nèi)核，kw=Kmax/fw表示采樣尺度，Kmax為最大頻率，fw為頻域的內(nèi)核間隔因子，φu=πu/m表示采樣方向，u=0，1，…，m-1和w=0，1，…，n分別為方向標(biāo)號(hào)和尺度標(biāo)號(hào)；z=(x，y)表示圖像像素點(diǎn)；σ為常數(shù)，與小波頻率帶寬有關(guān).

使用Gabor小波來提取圖像特征時(shí)，可將圖像I(x，y)與多個(gè)不同方向和不同尺度上的Gabor濾波器進(jìn)行卷積，其表達(dá)式為

Gu，w(x，y)=I(x，y)*gu，w(k*，z)

(2)

式中，Gu，w(x，y)為圖像的Gabor特征.

1.2 特征提取和降維處理

對(duì)于一幅640×480像素的圖像，如果使用全輸入全連接的多隱層網(wǎng)絡(luò)，頻譜數(shù)據(jù)非常多，訓(xùn)練難度非常大.考慮到在同一目標(biāo)的不同圖像之間，大部分區(qū)域的結(jié)構(gòu)幾乎相同，而且在一幅圖像中，空間的聯(lián)系是局部的，類似于視覺系統(tǒng)用局部去感受外界事物，那么可以使用每個(gè)神經(jīng)元去感受圖像的局部區(qū)域，無需感受全局圖像.因此，先將圖像分塊處理，用Gabor小波的核函數(shù)與每塊圖像作卷積，再使用受限玻爾茲曼機(jī)來編碼和學(xué)習(xí)數(shù)據(jù)，得到更本質(zhì)的特征，從而實(shí)現(xiàn)對(duì)高維圖像特征的降維.

(3)

用式(3)中的特征作為RBM的可視層節(jié)點(diǎn)來進(jìn)行訓(xùn)練，即可得到降維之后的特征向量為V(f1，f2，…，fk).模型結(jié)構(gòu)如圖1所示.

圖1 特征提取和降維模型Fig.1 Model for feature extraction and

受限玻爾茲曼機(jī)是構(gòu)成深度信念網(wǎng)絡(luò)的基本模型，其能量函數(shù)表達(dá)式為

E(v，h|θ)= -vTWh-bTv-ah=

(4)

式中：θ={W，b，a}為RBM的參數(shù)；向量v和h分別為可視和隱層節(jié)點(diǎn)狀態(tài)；m′和n′分別為可視和隱層節(jié)點(diǎn)數(shù)；bi和aj分別為可視節(jié)點(diǎn)和隱層結(jié)點(diǎn)的偏置；Wij為兩種節(jié)點(diǎn)之間的連接矩陣.式(4)表明，可視節(jié)點(diǎn)和隱層節(jié)點(diǎn)之間存在能量連接.當(dāng)參數(shù)確定時(shí)，聯(lián)合組態(tài)(v，h)的聯(lián)合概率分布為

(5)

式中，P(v，h|θ)為玻爾茲曼分布函數(shù).考慮到RBM模型是BM模型的一種特殊形式，同一層內(nèi)的節(jié)點(diǎn)沒有連接，則有

(6)

(7)

根據(jù)可視層v，可以得到第j個(gè)隱層節(jié)點(diǎn)hj的激活概率，即

(8)

式中，σ(x)=1/[1+exp(-x)]為sigmoid激活函數(shù).根據(jù)隱層h，也可以得到第i個(gè)可視層節(jié)點(diǎn)vi的激活概率，即

(9)

(10)

(11)

(12)

根據(jù)這三個(gè)偏導(dǎo)數(shù)，用對(duì)比散度算法[17]迭代K*次求得模型參數(shù)，具體步驟如下：

1) 初始化模型參數(shù)，即θ=0；

3) 根據(jù)式(13)更新權(quán)值，即

(13)

2 基于深度信念網(wǎng)絡(luò)的圖像檢索

深度學(xué)習(xí)具備多隱層神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征更具有本質(zhì)特性，極大地有助于分類和檢索.深度信念網(wǎng)絡(luò)(DBN)是一種混合了無監(jiān)督和有監(jiān)督的深度結(jié)構(gòu)學(xué)習(xí)模型，通過構(gòu)建的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型和訓(xùn)練數(shù)據(jù)，學(xué)習(xí)到更本質(zhì)的特征，極大地提高了識(shí)別和檢索的準(zhǔn)確性.DBN包含了多個(gè)RBM，每一層都能夠從上一層的隱層節(jié)點(diǎn)中獲取高度相關(guān)的關(guān)聯(lián).DBN的結(jié)構(gòu)如圖2所示.

圖2 DBN結(jié)構(gòu)Fig.2 DBN structure

使用上文得到的降維之后圖像特征向量來訓(xùn)練DBN，檢索算法的具體過程如下：

1) 設(shè)定相關(guān)參數(shù)，隱層數(shù)取為2，初始學(xué)習(xí)率為0.01，采用自適應(yīng)的學(xué)習(xí)控制率，讓網(wǎng)絡(luò)根據(jù)情況自動(dòng)調(diào)整，即若重構(gòu)誤差下降，則學(xué)習(xí)率保持不變；若重構(gòu)誤差不變或增加，則學(xué)習(xí)率除以2；若學(xué)習(xí)率低于0.000 1，則停止學(xué)習(xí)訓(xùn)練.

2) 將底層圖像特征作為第一層RBM的輸入進(jìn)行無監(jiān)督訓(xùn)練，獲得該層的最優(yōu)網(wǎng)絡(luò)參數(shù).

3) 高層的RBM依次以下一層的RBM的輸出作為輸入，同樣進(jìn)行無監(jiān)督訓(xùn)練，獲得該層的最優(yōu)參數(shù).

4) 當(dāng)DBN學(xué)習(xí)完成之后，再將降維之后的圖像特征向量作為DBN可視層的輸入，使用優(yōu)化之后的網(wǎng)絡(luò)進(jìn)行由下至上的多層次學(xué)習(xí)，并提取出圖像樣本的抽象特征.

(14)

通過最小化式(14)來計(jì)算訓(xùn)練網(wǎng)絡(luò)參數(shù)，即

θ*=argminθH(r，S)

(15)

H(r，S)對(duì)W和b的偏導(dǎo)數(shù)分別為

(16)

(17)

式中，X為隱層各單元狀態(tài).用梯度下降法來更新權(quán)值，其表達(dá)式為

W′=W-η[(S-r)TX+λW]

(18)

b′=b-η(S-r+λb)

(19)

式中，λ和η分別為權(quán)重衰減因子和學(xué)習(xí)速率.

3 實(shí)驗(yàn)結(jié)果與分析

采用實(shí)驗(yàn)來驗(yàn)證本文算法的有效性和可行性.在開展實(shí)驗(yàn)之前，先給出圖像相似度度量的準(zhǔn)則和圖像檢索的評(píng)判標(biāo)準(zhǔn)，其表達(dá)式分別為

(20)

(21)

(22)

(23)

式(20)為特征向量之間的歐式距離，式(21)所示的準(zhǔn)確率是評(píng)估捕獲的結(jié)果中目標(biāo)所占的比例，式(22)所示的查全率就是從關(guān)注領(lǐng)域中返回目標(biāo)的比例，準(zhǔn)確率與查全率互逆.式(23)所示的F值則是這兩個(gè)指標(biāo)的綜合評(píng)估指標(biāo).

選用Corel圖像資源庫中的1 000幅自然圖像(分為10類，每類100張)進(jìn)行圖像檢索實(shí)驗(yàn)，圖像內(nèi)容分別為花卉、非洲土著居民、海灘、汽車、建筑、樹木、山川、馬、恐龍和大象.實(shí)驗(yàn)中，Gabor濾波器組為8個(gè)方向和4個(gè)尺度，且取σ=π，圖像均勻分為32×32的局部圖像塊.計(jì)算待檢索圖片的特征向量與圖片庫特征向量的歐式距離來得到檢索結(jié)果.

為了確定相似度度量的閾值選取范圍與圖像檢索的準(zhǔn)確率、查全率和F值之間的關(guān)系，選用花卉和大象來進(jìn)行測(cè)試，結(jié)果分別如圖3、4所示.

圖3花卉的相似度度量的閾值與準(zhǔn)確率、查全率、F值之間的關(guān)系

Fig.3Relationshipamongthresholdofsimilaritymeasurement，precisionrate，recallrateandFvalueofflower

圖4大象的相似度度量的閾值與準(zhǔn)確率、查全率、F值之間的關(guān)系

Fig.4Relationshipamongthresholdofsimilaritymeasurement，precisionrate，recallrateandFvalueofelephant

從圖3、4中可以看出，花卉的相似度度量的閾值在[0.35，0.55]時(shí)，F(xiàn)值能取到較好值；大象的相似度度量的閾值在[0.3，0.5]時(shí)，F(xiàn)值能取到較好值.綜合這兩種情況，將相似度度量的閾值取為0.4.

選用上述相似度度量的閾值進(jìn)行實(shí)驗(yàn)，從每類圖像中抽取10幅圖像進(jìn)行檢索，分別計(jì)算每一幅待檢索圖像的準(zhǔn)確率和查全率，再計(jì)算每類圖像的平均準(zhǔn)確率和平均查全率，并且分別與文獻(xiàn)[3]的多特征融合檢索方法和文獻(xiàn)[4]的基于信息熵的檢索方法進(jìn)行比較，得到的實(shí)驗(yàn)結(jié)果分別如圖5、6和表1所示.

圖5 三種圖像檢索算法的平均準(zhǔn)確率比較Fig.5 Comparison in average precision ratefor three image retrieval algorithms

圖6 三種圖像檢索算法的平均查全率比較Fig.6 Comparison in average recall rate forthree image retrieval algorithms

s

由圖5、6可以看出，本文算法在對(duì)10類圖像的檢索過程中，在平均準(zhǔn)確率和平均查全率上均高于另外兩種算法.而從表1可以看出，本文算法在檢索時(shí)間上均低于另外兩種算法.實(shí)驗(yàn)結(jié)果表明，該算法利用Gabor濾波器和RBM提取出降維的圖像特征之后，再使用深度信念網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，能夠得到反映圖像本質(zhì)的特征，可以更加有效地表達(dá)圖像中所傳遞的信息，在此基礎(chǔ)上再采用Softmax分類器，不僅提高了圖像檢索的精度，而且縮短了圖像檢索所消耗的時(shí)間.而文獻(xiàn)[3]和文獻(xiàn)[4]在檢索圖像時(shí)，雖然融合了多種特征，但由于特征的相位會(huì)由于圖像的旋轉(zhuǎn)或縮放變得不穩(wěn)定，導(dǎo)致識(shí)別時(shí)的錯(cuò)誤信息匹配，從而降低了檢索的準(zhǔn)確度.因此，綜合考慮檢索準(zhǔn)確度和檢索速度，本文方法具有更優(yōu)越的檢索性能.

4 結(jié) 論

本文研究了一種新的圖像檢索算法，提出了利用Gabor濾波器組和受限玻爾茲曼機(jī)來得到降維之后的圖像特征，并結(jié)合深度信念網(wǎng)絡(luò)和Softmax分類器來對(duì)圖像進(jìn)行有效檢索.在實(shí)驗(yàn)分析中，基于Corel圖像資源庫中10類不同圖像，分別與傳統(tǒng)的多特征融合檢索方法和基于信息熵的檢索方法進(jìn)行了詳細(xì)比較，結(jié)果表明，本文檢索方法能夠提取出反映圖像本質(zhì)內(nèi)容的特征，具有較高的檢索準(zhǔn)確度和較快的檢索速度.

[1] Dahane G M，Vishwakarm A S.Content based image retrieval system [J].International Journal of Engineering and Innovative Technology，2012(5)：92-96.

[2] 陳天華.圖像檢索技術(shù)研究與發(fā)展 [J].北京工商大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，26(6)：52-58.

(CHEN Tian-hua.Research and development of image retrieval technology [J].Journal of Beijing Technology and Business University(Natural Science Edition)，2008，26(6)：52-58.)

[3] 張永庫，李云峰，孫勁光.基于多特征融合的圖像檢索 [J].計(jì)算機(jī)應(yīng)用，2015，35(2)：495-498.

(ZHANG Yong-ku，LI Yun-feng，SUN Jin-guang.Image retrieval based on multi-feature fusion [J].Journal of Computer Applications，2015，35(2)：495-498.)

[4] 孫世然，艾斯卡爾艾木都拉，劉文華.基于信息熵和Gabor濾波器的圖像檢索 [J].激光雜志，2011，32(2)：24-26.

(SUN Shi-ran，ASKAR Hamdulla，LIU Wen-hua.Image retrival based on the entropy value and the Gabor filters [J].Laser Journal，2011，32(2)：24-26.)

[5] 孫世然，卡米力木依丁，劉文華，等.基于區(qū)域加權(quán)信息熵和改進(jìn)遺傳算法的圖像檢索 [J].激光雜志，2012，33(1)：38-40.

(SUN Shi-ran，KAMIL Moydin，LIU Wen-hua，et al.Weight region information entropy and imporved genetic algorithm for image retrieval [J].Laser Journal，2012，33(1)：38-40.)

[6] 邵虹，李紹柱，崔文成.基于感興趣區(qū)域灰度統(tǒng)計(jì)量的顱腦CT圖像檢索 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2008，30(5)：564-567.

(SHAO Hong，LI Shao-zhu，CUI Wen-cheng.Brain CT image retrieval based on gray statistic features of interested region [J].Journal of Shenyang University of Technology，2008，30(5)：564-567.)

[7] 張剛，馬宗民，闞洪敏，等.采用共生矩陣的紋理特征提取方法 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2010，32(2)：192-195.

(ZHANG Gang，MA Zong-min，KAN Hong-min，et al.Texture feature extraction approach using co-occurrence matrix [J].Journal of Shenyang University of Technology，2010，32(2)：192-195.)

[8] 許喆，陳福才，李邵梅，等.基于多探尋局部敏感哈希和單詞映射鏈投票的圖像檢索方法 [J].計(jì)算機(jī)科學(xué)，2014，41(5)：82-85.

(XU Zhe，CHEN Fu-cai，LI Shao-mei，et al.Image retrieval based on multi-probe locality sensitive hashing and word map chain voting [J].Computer Science，2014，41(5)：82-85.)

[9] 張建明，詹智財(cái)，成科揚(yáng)，等.深度學(xué)習(xí)的研究與發(fā)展 [J].江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，36(2)：191-200.

(ZHANG Jian-ming，ZHAN Zhi-cai，CHENG Ke-yang，et al.Review on development of deep learning [J].Journal of Jiangsu University(Natural Science Edition)，2015，36(2)：191-200.)

[10]鄭胤，陳權(quán)崎，章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展 [J].中國圖像圖形學(xué)報(bào)，2014，19(2)：175-184.

(ZHENG Yin，CHEN Quan-qi，ZHANG Yu-jin.Deep learning and its new progress in object and behavior recognition [J].Journal of Image and Graphics，2014，19(2)：175-184.)

[11]孫志軍，薛磊，許陽明.基于深度學(xué)習(xí)的邊際Fisher分析特征提取算法 [J].電子與信息學(xué)報(bào)，2013，35(4)：305-311.

(SUN Zhi-jun，XUE Lei，XU Yang-ming.Marginal Fisher feature extraction algorithm based on deep learning [J].Journal of Electronnics and Information Technology，2013，35(4)：305-311.)

[12]梁淑芬，劉銀華，李立琛.基于LBP和深度學(xué)習(xí)的非限制條件下人臉識(shí)別算法 [J].通信學(xué)報(bào)，2014，35(6)：154-160.

(LIANG Shu-fen，LIU Yin-hua，LI Li-chen.Face re-cognition under unconstrained based on LBP and deep learning [J].Journal on Communications，2014，35(6)：154-160.)

[13]余永維，殷國富，殷鷹，等.基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識(shí)別方法 [J].儀器儀表學(xué)報(bào)，2014，35(9)：2012-2019.

(YU Yong-wei，YIN Guo-fu，YIN Ying，et al.Defect recognition for radiographic image based on deep learning network [J].Chinese Journal of Scientific Instrument，2014，35(9)：2012-2019.)

[14]Pang Y，Yuan Y，Li X.Gabor-based region covariance matrices for face recognition [J].IEEE Transactions on Circuits and Systems for Video Technology，2008，18(7)：989-993.

[15]孔銳，張冰.Gabor濾波器參數(shù)設(shè)置研究 [J].控制與決策，2012，27(8)：1277-1280.

(KONG Rui，ZHANG Bing.Design of Gabor filters’ parameter [J].Control and Decision，2012，27(8)：1277-1280.)

[16]牛連強(qiáng)，趙子天，張勝男.基于Gabor特征融合與LBP直方圖的人臉表情特征提取方法 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2016，38(1)：63-68.

(NIU Lian-qiang，ZHAO Zi-tian，ZHANG Sheng-nan.Extraction method for facial expression features based on Gabor feature fusion and LBP histogram [J].Journal of Shenyang University of Technology，2016，38(1)：63-68.)

[17]Huang G B，Lee H，Learned M E.Learning hierarchical representations for face verification with convolutional deep belief networks [C]//Proceedings of the 2012 IEEE Conference on Computer Vision and Pat-tern Recognition.New York，USA，2012：2518-2525.

(責(zé)任編輯：鐘 媛 英文審校：尹淑英)

ImageretrievalmethodbasedonGaborfilteranddeeplearning

XU Juan-juan1, CHEN Chen2, YANG Hong-jun1

(1. Manzhouli College, Inner Mongolia University, Manzhouli 021400, China; 2. College of Instrumentation & Electrical Engineering, Jilin University, Changchun 130061, China)

To solve the problem that the image database is becoming larger, an image retrieval method combined with both feature extraction and deep learning was investigated, and a model for feature extraction and dimensionality reduction was proposed based on Gabor wavelet transformation and restricted Boltzmann machine (RBM). The whole image was divided into local image blocks, and a set of Gabor filters were used to extract the image features, and the image features were studied and encoded with RBM. Hence, the dimensionality reduction of image features could be achieved. An image retrieval algorithm based on both deep belief networks (DBN) and Softmax classifier was adopted. In addition, the Corel image database was used to perform the image retrieval test for the new method, and was compared with other two methods. The results show that the proposed method has better performance in precision rate, recall rate and retrieval time, and can obtain better image retrieval results.

image retrieval; Gabor wavelet; feature extraction; dimensionality reduction; deep learning; restricted Boltzmann machine(RBM); deep belief network(DBN); classifier

TN 911.73

： A

： 1000-1646(2017)05-0529-06

2016-07-05.

國家自然科學(xué)基金資助項(xiàng)目(61403160)； 內(nèi)蒙古高等學(xué)?？茖W(xué)研究基金資助項(xiàng)目(NJZY6558).

徐娟娟(1982-)，女，內(nèi)蒙古赤峰人，講師，碩士，主要從事圖像與信息處理和計(jì)算機(jī)教育等方面的研究.

* 本文已于2017-01-19 17∶56在中國知網(wǎng)優(yōu)先數(shù)字出版. 網(wǎng)絡(luò)出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170119.1756.008.html

10.7688/j.issn.1000-1646.2017.05.10