[发明专利]一种结合显著特征的图像检索器、数据库及检索方法

说明书

本发明公开了一种结合显著特征的图像检索器、数据库及检索方法及检索方法，获取古生物三维模型，对古生物三维模型进行映射处理，得到古生物三维模型视图集和掩膜图像集；获取真实化石图像集，对真实化石图像集进行预处理得到仿真化石图像集G_X；将仿真化石图像集G_X和掩膜图像集作为输入，训练显著性检测网络，得到训练好的显著性检测网络；本发明中将显著性检测网络编码器提取的显著性特征与全局特征融合，作为最终图像的描述特征，并将此描述特征作为化石图像检索的最终特征，加强了对化石图像中主体部分的特征描述，减小了岩石等噪音对检索的影响，解决了现有技术中化石图像检索精度不高的技术问题。

技术领域

本发明属于古生物信息学和计算机视觉领域，涉及检索方法，具体涉及一种结合显著特征的图像检索器、数据库及检索方法。

背景技术

随着数字媒体技术的发展和深度学习网络性能的提升，图像检索在教育、文化、生命科学等多个领域有非常广泛的应用。但是在古生物信息学方面，化石图像的检索还是主要依靠人为辨别给出具体的类别，如果能够给定一张未知的化石图像，可以从已有的化石图想数据库中找到它的相似图像有着非常好的实际应用价值；这不仅有助于古生物信息学的发展，而且有助于古生物的科普知识传播。

传统的图像检索方法往提取人为设置的特征点作为图像描述符，如HOG 特征、LBP特征、SIFT特征等提取算法，虽然这种方法具有高度的可解释性，但是在化石图像上并不适用，因为化石图像背景与主体相容，并且经过过几亿年的地质变迁，造成了拍摄的化石图像存在大量的噪音，并且传统的特征提取方法无法通过统计的方式学习一个先验的模型用来指导特征提取，以至于传统方法无法准确地对化石图像进行特征描述；同样在深度学习领域，图像的识别方法越来越成熟，但是却高度依赖于训练样本，导致了在较少量的数据上无法以数据驱动的方式训练深度网络，并且由于化石图像的复杂性，经典的深度学习方法如VGG、ResNet等不能直接应用于单幅相似化石图像的检索。

虽然完整化石图像的数据量并不充足，但是在经过古生物专家的指导后可以得到多种古生物的三维模型，相较于晚上化石的难以获取，古生物三维模型的获取方式就相对较为简单，而古生物三维模型具有丰富的古生物信息，通过古生物三维模型不仅可以获得完整的二维古生物复原图像，也可以对三维模型进行不同程度的旋转和遮掩，模拟真实化石中生物的形态特点。因此，本文从古生物三维模型入手，通过古生物三维模型来对训练集补充以达到能够用数据驱动的方式获得检索结果。

针对化石图像数据量不足，无法有效进行深度网络训练的问题，本文采用三维模型的信息，生成多个化石图像，联合真实化石图像进行网络训练，从而解决化石图像数据量不足的问题。而在真实化石图像上，背景噪音非常大，影响主体特征的提取，从而导致检索精度降低，本文通过先进行化石图像主体的检测，以此得到局部显著特征，并联合局部显著特征和全局特征，进行精准化石图像检索。

发明内容

针对现有技术存在的不足，本发明的目的在于，提供一种结合显著特征的图像检索器、数据库及检索方法，解决现有技术中化石图像检索精确度不高的技术问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现

一种结合显著特征的图像检索器，该方法按照以下步骤进行：

步骤1，获取古生物三维模型，对古生物三维模型进行映射处理，得到古生物三维模型视图集和掩膜图像集；

步骤2，获取真实化石图像集，对真实化石图像集进行预处理得到仿真化石图像集G_X；

步骤3，将仿真化石图像集G_X和掩膜图像集作为输入，训练显著性检测网络，得到训练好的显著性检测网络，并用所述的显著性检测网络中的编码模块提取真实化石图像的显著性特征图；

步骤4，构建并训练结合显著特征的图像检索网络；

步骤4.1，构建结合显著特征的图像检索网络；