摘 要

由于科学技术的不断发展，数字图像的数量正在飞速地增长。20世纪90年代，大型数据库和互联网技术迅猛地发展，以文本为基础的图像检索技术所面临的问题日益严重。此时有学者提出了基于内容的图像检索（Content-based image retrieval，CBIR）这一新的图像检索思路，并很快吸引了相关研究人员的极大兴趣，相关领域的专家和学者也正在将这种方法作为图像检索技术的主流进行研究。为了更好地了解动物资源，动物图像的检索是一项具有较好经济价值和社会价值的工作。可以发现近年来深度学习在计算机视觉研究方面取得了惊人的成就，所以本文想以深度学习为基础，利用深度学习中的卷积神经网络模型来提取动物图像特征，借此实现动物图像的检索功能。借助深度学习这一方法，本文实现的系统在动物图像的准确率和查全率两方面都取得了理想的结果。

关键词：动物图像；深度学习；PyTorch；卷积神经网络

Abstract

With the continuous development of science and technology, the number of digital images is growing rapidly. In the 1990s, with the development of large databases and the Internet, text-based image retrieval technology faced increasingly serious problems. At this time, some scholars put forward a new image retrieval idea of content-based image retrieval (CBIR), and soon attracted great interest from related researchers. Experts and scholars in related fields are also This method is studied as the mainstream of image retrieval technology. In order to better understand animal resources, the retrieval of animal images is a work with good economic value and social value. It can be found that in recent years, deep learning has achieved amazing achievements in computer vision research, so this article wants to use deep learning as the basis to extract animal image features using the convolutional neural network model in deep learning and achieve animal image retrieval. With the help of deep learning, the system implemented in this paper has achieved good results in both accuracy and recall of animal images.

Keywords: Animal Images ; deep learning ; PyTorch ; convolutional neural network

目 录

第一章 绪论 6

1.1课题的研究背景和意义 6

1.1.1图像检索的研究背景和意义 6

1.1.2 动物图像检索的研究背景和意义 7

1.2 国内外研究现状 7

1.2.1动物图像检索的研究现状 7

1.2.2 深度学习的研究现状 7

1.3 本文的主要研究内容 9

第二章 深度学习相关理论 10

2.1 人工神经网络 10

2.2 深度神经网络理论基础 11

2.2.1 卷积层 12

2.2.2 激励层 13

2.2.3 池化层 14

2.2.4 全连层 15

2.2.5目标函数 15

2.2.6 BP算法 16

2.2.7 梯度下降算法 17

第三章 基于内容的动物图像检索 18

3.1基于内容的图像检索系统结构 18

3.2图像的特征提取 19

3.2.1 颜色特征 19

3.2.1.1 颜色直方图 19

3.2.1.2 累计直方图 20

3.2.2 形状特征 21

第四章 动物图像检索系统 22

4.1 动物图像数据库 22

4.2 实现步骤 22

4.2.1 准备数据 23

4.2.2 网络设计 24

4.2.3 搭建网络 25

4.2.4 训练网络 25

4.2.5 测试网络 26

4.3 动物图像检索系统 26

4.4 检索结果 28

第五章 总结展望 29

参考文献 30

附录 31

致谢 34

第一章 绪论

1.1课题的研究背景和意义

1.1.1图像检索的研究背景和意义

21世纪的今天，通信信息技术高度发达，每天人们都会与各式各样的图像相接触，图像已经成为人们生活中必不可少的信息资源。20世纪90年代，随着大规模数据库和互联网的发展，基于文本的图像检索越来越无法胜任人们的日常工作需求。不难发现图片所表达的内容比文字所描述的内容要更加完整和丰富，于是人们提出了对图像的内容信息进行提取并分析的方法，我们称这一技术为基于内容的图像检索（Content-based image retrieval，CBIR）。这一新的检索方法的出现迅速吸引了研究人员的目光，相关领域的专家学者试图使其成为目前图像检索技术的主流。这种新的方法把图像的语义特征当作线索来进行查找工作，主要是将图像中的颜色等特征进行提取和分析，然后在已有的图像数据库中找出其他的相似图像，判定图像中物体的种类。本质上说，CBIR是一种相似匹配技术，它结合了计算机视觉、图像处理和数据库等诸多领域的研究成果，这一技术中计算机能够自主完成特征提取和索引建立过程，大幅提高了检索的准确率，避免了人为因素的干扰。图像特征提取主要有低级特征和高级语义两大类：1、低级特征，主要有颜色、纹理、形状等；2、高级语义，包含了深层的概念意义，需要借助人类的知识推理对物体进行解释和分析。不过现在的研究仍受限于科学技术水平，所以目前比较成熟的检索算法都是用低级特征完成的，然而这一方法已经无法获得让人满意的检索结果，不能有效地解决语义问题，没有真正支持图像的语义查询。如果能够将语义特征和视觉特征有效地结合起来，相似匹配度会大大提高，检索结果会更令人满意，但这也是研究的一大难题。

近年来，5G通信技术、手机电子设备、数码相机等技术都高速地发展，图像信息的应用大到国防安全、工业制造，小到生活娱乐，信息通讯等各个方面都不可或缺。随着图像数据库的不断发展，图像数据量不断增加，图像成为承载大量数字信息的重要载体。为此，迫切需要建立一个高效、准确的图像检索系统，其中特征提取技术是重点和难点。本文希望借助具有线性映射、自我学习和自适应能力的深度神经网络使计算机能够像人脑一样学习图像的信息，从而提高图像检索的效率。