潘丽丽，陈蓉玉，雷前慧，邵伟志，黄诗祺

(中南林业科技大学 计算机与信息工程学院 湖南 长沙 410000)

0 引言

面向海量的图像数据，如何以最小的代价实现快速且精确的图像检索成为目前重要研究内容。传统的手工提取特征已经不能满足互联网时代高效且精确的检索需求，图像检索的研究趋向基于内容的图像检索。基于内容的图像检索通过对图像分析，采用不同算法得到的模型来提取图像的特征并存储在特征数据库，可节省大量人力，体现图像检索的智能性。由于卷积神经网络通过不断训练与学习后具有图像的局部感知能力与局部信息的融合能力，能提取图像信息更丰富的深层语义特征，被研究者应用于图像检索领域并取得了不错的成果。然而，每次拍摄同一件物品的图像背景都不能保证一成不变，数据图像的嘈杂背景会影响卷积神经网络的训练与学习，不利于提取出表征图像主体信息更强的深度特征；经典卷积神经网络提取出的深度特征维度过高，特征表征能力不强；传统分类模型特征存在判别能力不足的缺点，并不适用于图像检索领域。针对存在的问题，本文的研究工作主要从以下几个方面着手。

1)卷积神经网络学习的特征是由具体转向抽象，最终得到的模型在网络深层尽可能忽略图像背景而实现对图像目标主体的聚焦。本文通过预训练模型提取图像最深层的特征图，并利用特征图的色彩明亮程度对图像分割来解决图像噪音问题，提升图像检索的精度。……