利用图像图自动化图像检索的制作方法

利用图像图自动化图像检索
1.相关申请的交叉引用
2.本技术要求于2018年11月20日提交的申请号62/770,159的美国临时申请的权益，该申请通过引用整体并入。


背景技术：

3.本发明通常涉及检索与查询图像相关的图像，并且更具体地涉及通过探索和遍历图像检索图来标识相关的图像。
4.通过计算系统标识有关图像是具有挑战性的问题。从用作输入的查询图像，图像检索系统尝试标识与查询图像相似或有关的相关图像。有关图像彼此共享特征，并且例如可能是对相同场景、环境、对象等拍摄的不同图像。尽管共享这种相似度，但即使是在相同上下文中拍摄的，图像也可能在许多方面有所不同。照明、视角、背景杂波和图像捕获的其他特性可能会改变给定环境在图像中的显示方式，增加了标识这些相关图像的挑战。例如，埃菲尔铁塔的四个不同图像可能在角度、照明和其他特性方面都不同。使用这些图像中的一个图像来标识在数千或数百万个其他图像的存储库中的其他三个是挑战性的。结果是，在现有方法中成功标识相关图像(以及排除不相关图像)的成功率继续需要改进。此外，许多方法也可能是计算密集型的，并且当图像检索系统接收到查询图像时需要进行大量分析，这会阻止这些方法在实时执行环境中有效运行。


技术实现要素：

5.图像检索系统使用图像检索图以标识与在查询中指定的图像相关的图像。图像检索图将图像表示为由图中的边缘连接的图像节点。边缘具有表示两个图像相似度的边缘权重。一个实施例中的图像检索图是通过标识在图中要连接的相关图像，并且随后标识针对在图像检索图中连接相关图像的边缘的权重来生成的。每个图像可以由将图像表征为向量的图像描述符来表示。为了确定相关图像，比较给定图像和其他图像之间的图像描述符，以基于描述符之间的相似度确定图像之间的相似度得分。这种相似度可以由图像描述符之间的内积确定。可以确定不同图像之间的相似度，并且可以选择高度相似的图像用于生成图中的边缘。在一个实施例中，这表示k
‑
nn选择：选择与所选数目的最接近的邻居(如由相似度得分所测量)的最高k个图像。在选择与边缘连接的图像之后，可以基于所确定的相似度得分向边缘分配权重，或者可以基于权重函数来确定权重，例如基于内点(inlier)计数比较图像的函数。通过标识哪些图像节点与边缘连接，相应地对边缘加权，生成连接图像存储库中的各种图像的图像检索图。
6.为了在图像存储库中搜索相关图像，图像检索系统接收标识图像的请求，针对该图像以标识图像存储库中的相似图像。为了标识相关图像，图像检索系统搜索图像检索图。在执行搜索时，在图像检索图中遇到的节点被指定到查询结果集(针对查询的相关结果)、探索集(要被探索的图像节点)和遍历集(针对相关性评估的图像节点以及添加到查询结果集和探索集的图像节点)中。
7.为了执行根据一个实施例的搜索，图像检索系统在探索探索集中的节点和遍历(“利用”)遍历集中的节点之间交替，以当遍历集中节点的相关性超过阈值时、将节点从遍历集中添加到探索集(和查询结果集)。这些步骤之间交替的每次迭代称为探索
‑
利用迭代。探索步骤标识图像检索图中可能不被直接连接到查询图像的图像节点，并且允许搜索到达远离查询图像但与查询图像相关的图像节点。因此，遍历/利用步骤使用被标识为与查询相关的每个图像节点的直接邻域，并且标识后续节点以添加到查询结果并且后续进行探索。
8.最初，针对与查询相关联的图像的图像节点被添加到探索集。在执行探索
‑
利用迭代时，迭代评估探索集，以标识连接到探索集中的节点的节点，并且通过将节点添加到遍历集中来更新遍历集。在遍历集中，节点与将遍历集中的节点连接到被连接的节点的边缘的权重一起被存储。当被探索时，与节点相关联的最高权重被存储在遍历集中并且称为遍历权重。当探索集中的图像节点被探索时(即，它的被连接的节点在遍历集中被添加/更新)，该节点从探索集中被移除。当探索集为空时，遍历集被评估以向查询结果集和探索集添加附加的节点。将节点的遍历权重与相关性阈值进行比较，并且当图像节点的遍历权重高于阈值时，将图像节点添加到探索集和查询结果集中。在一些实施例中，遍历集被组织为由遍历权重的优先级化的堆。在这些实施例中，当遍历权重高于相关性阈值时，系统可以读取堆的顶部并从堆中弹出图像节点。当保留在遍历集中的节点没有节点高于相关性阈值时，探索
‑
利用迭代的另一次迭代通过在探索集中探索新添加的图像节点开始。在一些实施例中，为了保证附加的查询结果继续被标识，当探索集为空并且遍历集中没有图像节点高于阈值时，将一个或多个具有最高遍历权重的图像节点添加到查询结果集和探索集中。这可以确保总有至少一个节点要探索。在该实施例中，具有最高遍历权重(即使不高于阈值)的(多个)节点的添加，也可以始终被执行或者继续直到最小探索
‑
利用迭代的最小数目被执行。
9.探索
‑
利用迭代可以在停止条件发生时结束，诸如当遍历没有向探索集添加附加节点时或者当查询结果的数目超过针对查询结果的限制时。
10.通过以这种方式搜索图像检索图，可以基于对所生成的图像检索图的遍历而利用有限的执行时间来标识相关图像。例如，这可以允许图像检索系统执行搜索，而没有比较或修改底层图像描述符以搜索图像检索图或者没有在运行时评估相似度。当空间验证被用于细化边缘权重时，探索还可以通过减少当图像之间比较向量描述符时可能发生的误报(false positive)来避免搜索期间的主题漂移。搜索也因此标识仍然“接近”查询图像的图像，因为权重由空间验证分析而被验证，并且查询结果可以根据何时在图像检索图中遇到具有足够相关性的节点来排序。
附图说明
11.图1示出了根据一个实施例的示例图像检索系统。
12.图2a示出了根据一个实施例的用于在图像检索图的图像节点之间生成边缘的示例过程。
13.图2b示出了针对图像检索图的示例相似度得分和生成的边缘。
14.图3示出了根据一个实施例的用于在图像检索图上执行图像查询的过程。
15.图4a
‑
h示出了针对示例图像检索图的示例查询执行以及查询结果集、探索集和遍历集的对应状态。
16.附图仅用于说明的目的描绘了本发明的各种实施例。本领域技术人员将从以下讨论中容易地认识到，在不脱离本文描述的本发明的原理的情况下，可以采用本文图示的结构和方法的替代实施例。
具体实施方式
17.图1示出了根据一个实施例的示例图像检索系统100。图像检索系统基于与接收到的图像查询相关联的图像来标识相关图像。图像查询可以从另一设备接收或者可以由用户在图像检索系统100处输入。图像检索系统100包括用于描述图像并且响应于查询返回相关图像的各种模块和数据存储。这些包括描述符提取模块110、图生成模块120、图像搜索模块130、图像存储库140和图像检索图150。在各种实施例中，图像检索系统100可以包括附加的计算模块或者数据存储。未在图1中示出可以包括在各种实施例中的附加的模块和设备，以避免描述过于复杂。例如，提供图像查询的用户设备、设备与图像检索系统100通信所通过的网络未在图1中示出。
18.为了准备用于与查询一起使用的图像，相关图像之间的关系由具有权重的图像检索图150中的节点表征，图像节点之间的权重描述图像之间的相似度。为了检索与图像查询有关的图像，图像检索系统100标识针对查询图像的图像节点，并且基于图像节点之间的权重在图像检索图150上执行搜索。特别地，搜索在1)选择要被添加到查询结果中的相关节点(称为遍历或“利用”)，和2)探索连接到所选节点的附加节点的相关性之间交替。这允许在相对较短的时间内利用有效结果执行搜索，该时间随着在搜索中所考虑的图像的数目而有效地缩放。。
19.由图像检索系统100接收的图像查询与图像相关联或者以其他方式指定图像。图像检索系统100针对在图像存储库140中的查询图像来标识相关图像。图像存储库140可以包括可能被视为针对查询的相关结果的各种环境和对象的数千或数百万张图像。例如，图像存储库140可以包括在旅行期间由车辆捕获的图像，或者可以是由个人用户捕获并且上传到图像存储库140的图像。当它们具有相同的人、地标、场景或其他方式共享图像视野中的对象时，可以认为图像是有关的。特定图像可能与不止一张其他图像有关。图像存储库140中的一些图像可以利用与其他图像的关系来被标记，诸如标识两个图像各自显示相同的对象。这些图像可以被用作训练集，例如，用于训练关于描述符提取模块110所讨论的描述符模型。图像通常以各种颜色空间表示，诸如红
‑
蓝
‑
绿(rgb)或色调
‑
饱
‑
值(hsv)。图像存储库中的图像在外观上可能彼此显着不同，即使是有关图像也是如此。各种图像可能关于亮度、颜色、视野、视角、图像中所捕获的附加对象或环境等显著地变化。
20.描述符提取模块110从图像存储库的图像中提取图像描述符。图像描述符是可以用于比较图像检索系统100中的图像的图像的计算的描述。图像描述符可以包括图像的向量表示，其提供可以跨图像比较以确定图像作为整体之间的相似度的紧密表示。在一个实施例中，向量表示是2048个值的向量。图像描述符还可以包括描述图像的“感兴趣”部分的特征描述符，例如基于图像的所检测到的边缘或其他特性。特征描述符可以被用于标识两个图像的匹配部分。因此，虽然向量表示可以是图像的一般、全局特性，特征描述符可以描述可以比较以确定图像是否匹配的图像的单个特征、点或部分。
21.为了生成图像的向量表示，描述符提取模块110可以应用被训练以接收图像并且
输出该图像的向量表示的神经网络。图像检索系统100可以使用输出图像的向量表示的预训练的神经网络，或者基于在图像存储库140中具有标记关系的图像训练集来训练图像。图像之间的相似度得分被用于将神经网络训练为网络的目标，以使得相似度得分被与图像之间的标记关系进行比较，并且基于预测的相似度和所标记的关系之间的误差来训练网络。在一个实施例中，神经网络是针对地标检索的、经微调的基于cnn的r
‑
mac描述符模型。在其他实施例中，可以基于使用局部不变特征的模型或词袋模型来生成向量表示。
22.特征描述符可以是具体于图像内的特定位置，以使得拍摄给定对象的不同图像生成跨越每个图像匹配的特征描述符。在一个实施例中，特征描述符是基于尺度不变特征变换(sift)生成的。在另一实施例中，特征描述符是基于深度局部特征模型(delf)生成的，该模型可以使用卷积神经网络来生成描述图像的部分的特征。在一个实施例中，深度局部特征模型从图像中提取特征向量，并且可以基于主成分分析(pca)来降低向量的维度。
23.图生成模块120使用图像描述符以生成图像检索图。图生成模块120评估图像描述符，以标识相似图像并且生成图像节点之间的边缘权重。
24.图2a示出了根据一个实施例的用于在图像检索图的图像节点之间生成边缘的示例过程。图2b示出了针对图像检索图的示例相似度得分和生成的边缘。该过程可以由描述符提取模块110和图生成模块120执行。最初，从图像存储库中的每个图像提取200图像描述符，这可以由如上所述的描述符提取模块110执行。在一些示例中，针对图像的图像描述符可以是预先生成的或者可能已经与图像存储库中的图像相关联。接着，图生成模块120评估每个图像以标识哪些其他图像与图中的图像连接并且标识向图中的边缘分配什么权重。为了标识图中要连接的图像，图生成模块120通过确定主题图像与图像存储库中的其他图像之间的相似度得分来评估相似度210。在一个实施例中，相似度得分是主题图像的向量表示与另一图像的向量表示之间的内积。内积可以是点积，或者可以是用于比较向量之间的相似度的另一向量相似度函数。作为工作示例，相似度得分表250示出了针对图像a相对于其他图像(包括图像b、c、d)计算的示例相似度得分。
25.接下来，该过程基于相似度得分选择220图像以连接到主题图像。对相似度得分进行排名，并且从排名列表中选择前k个图像。所选择图像的数目k在不同的实现中可能会有所不同，并且可能是50、100、200或更多。在本实施例中，所选择的图像表示到主题图像的最近邻居(k
‑
nn)，如通过相似度得分所测量的。在另一实施例中，高于相似度阈值的图像被选择以在图像检索图被连接，其可以包括多于或少于k个。在另一实施例中，可以使用两种方案，以连接至少前k个最近邻居以及超过阈值得分的附加任何图像。在该示例中，这可以确保至少k个图像节点被连接，同时当更多图像高度相似时还允许附加的连接。作为结果，图像检索图可能是稀疏的，包括针对每个图像节点的k
‑
nn连接。例如，在k值为100的1m图像存储库中，每个图像节点都被连接到图像检索图中的100个其他节点。
26.接下来，可以针对要连接的每对图像确定230权重。在一个实施例中，权重是如上所述的相似度得分。在其他实施例中，可以基于图像的特征描述符的比较来确定权重。特别地，可以比较特征描述符以标识可以在两个图像之间匹配的特征。该分析即使当附加特征不匹配时，也可以主要地或排他地评估两个图像之间的内点，指示两个图像之间匹配的特征。作为一个示例，比较可以基于随机样本一致性(“ransac”)算法。该算法可以应用各种图像变换以尝试标识跨图像的特征匹配并且选择允许最大数目的特征的变换以匹配。当比较
图像的特征描述符时，内点的数目可以被用作图像检索图中图像之间的权重。通过使用基于内点的分析以对图像节点之间的边缘进行加权，节点之间的边缘因此可以基于对图像的部分的描述、以比全局描述更精细的比例来验证图像之间的实际相似度，该全局描述可以从由向量表示确定的相似度得分而被确定。
27.在确定要被连接的图像节点之间的权重之后，利用所确定的权重图中的图像节点之间的边缘可以被生成240，在一个实施例中，图像节点之间的连接和权重可以被表示为稀疏矩阵，其中在两个图像节点的交点处为零(或无值)的值表示图像节点之间没有边缘，非零值是该位置处节点之间的边缘的权重。
28.在一个实施例中，局部图像检索图260示出了表示图像a的图像节点和对应的权重之间的连接。在该示例中，针对图像a选择了三个图像节点，例如，如果在对被连接的节点选择的k
‑
nn方案中k是3。在对节点加权之后，可以生成如局部图像检索图260所示的权重。在该示例中，虽然基于如示例相似度得分表250中所示的相似度得分选择节点，但是节点被分配的权重是基于图像之间的已标识的内点而被生成的。在该示例中，图像a和c之间的内点得分是87，a和b之间的内点得分是80，并且a和d之间的内点得分是15。该示例图示了虽然图像a和d具有足够高以包括a和d之间的边缘的相似度分数，但是基于特征描述符的比较的验证，在a和d之间产生了相对较低的内点分数。针对要添加到图像检索图150的图像中的每个图像可以重复该过程以选择220节点并且生成240它们之间的边。
29.图3图示了根据一个实施例的、在图像检索图上用于执行图像查询的过程。该过程可以由关于图像检索图150的图像搜索模块130执行。为了开始该过程，图像搜索模块130接收300搜索查询，该搜索查询指示针对哪个图像以标识相关图像。查询可以包括图像，或者可以指定在另一位置处的图像，诸如图像存储库140中的图像。接着，图像搜索模块130标识图像是否在图像检索图中具有相关联的图像节点。当图像没有相关联的图像节点时，图像被添加310到图像检索图中。如关于图2所讨论的，图像描述符可以从图像中被提取，针对该图像的相似的图像可以被选择以生成边缘，并且边缘被生成具有基于图像之间的相似度的权重。因此，当请求针对新图像的图像搜索时，可以将新图像快速添加到图像检索图中，而没有要求修改与其他图像有关的图像节点或边缘。此外，对该图像的后续请求可以被快速地处理，因为该图像可能已经包含在图像检索图中。
30.为了执行搜索，图像搜索模块130使用图像节点集以组织搜索。这些图像节点集可以包括查询结果集、探索集和遍历集。最初，这些集中的每个集都可以被初始化为空。为开始搜索，将与查询图像相关联的查询图像节点添加320到探索集。在执行搜索期间，图像搜索模块130可以使用探索
‑
利用迭代以在以下两者之间交替：探索来自感兴趣的图像节点的边缘(“探索”)和评估边缘以标识感兴趣的附加节点(“利用”)。
31.查询结果集存储针对待返回的图像的图像节点集作为查询的相关结果。查询结果集可以将查询结果存储为有序的表或队列，使得添加到查询结果集中的附加项被添加到查询结果集的尾部，并且查询结果集中的项也是典型地根据预期的相关性按顺序排列的。在根据相关性遍历图像图的实施例中，相关性顺序是遍历顺序的结果并且可以不需要进一步分析以确定结果顺序。
32.在探索阶段，被连接到探索集中的节点的边缘被探索以基于探索集中感兴趣的节点的连接来标识其他节点的相关性。随着探索集中针对每个图像节点的边缘被评估，被连
接到探索集中的图像节点的图像节点在遍历集中被更新330。遍历集存储被连接到已探索的节点的图像节点集，并且包括与图像节点关联的遍历权重。遍历集中的遍历权重可以指定在节点被探索时通过查询所遇到的最高边缘权重。通过这种方式，遍历权重表示基于在当前查询探索中感兴趣的节点的给定图像节点的相关性。在一个实施例中，图像节点从探索集中被弹出，并且被连接到该节点的边缘在遍历集中被更新。
33.因此，为了更新遍历集，先前未被探索的图像节点(例如，不在遍历集中)可以被添加到遍历集中，该图像节点具有将已探索的图像节点连接到感兴趣的节点的边缘权重的遍历权重。针对先前已经探索过的图像节点(例如，在遍历集中)，可以利用被连接到当前探索的图像节点的边缘权重来更新遍历权重。当边缘权重高于遍历权重时，遍历权重可以被设置为边缘权重，并且当边缘权重较低时，遍历权重可以保持不变。当图像节点已经在查询结果集中时，遍历集不会被更新，因为该图像节点已经被探索过。
34.在一些实施例中，遍历集被组织为根据遍历权重对图像节点优先级化的堆，以使得堆中的顶部项是具有最高遍历权重的图像节点。遍历集也可以在结构中存储或者按顺序排列，使得可以容易地标识最高遍历权重。
35.在遍历或者“利用”阶段期间，遍历集中的图像节点被评估以确定哪些是足够地相关的以被添加到查询结果集和遍历集中。基于图像节点的遍历权重，遍历集中的至少一个图像节点被添加340到查询集和探索集中。
36.作为一个示例，遍历权重被与相关性阈值相比较，并且高于阈值的图像节点被认为是与搜索查询相关的并且被添加340到查询结果集和探索集中。在遍历集是堆的实施例中，遍历阶段读取遍历集的顶部遍历值，并且当遍历值超过相关值时，图像节点被从遍历集弹出并且被添加到查询结果集和探索集。下一图像节点被读取，直到顶部遍历值不高于相关性阈值。因为可以根据遍历权重对遍历集中的图像节点进行评估，将图像节点添加到查询结果集中是按照预期的相关性顺序的。在一个实施例中，当图像节点的遍历节点没有超过相关性阈值时，该图像节点可以被保留在遍历集中，以使得在查询遍历中评估的每个图像节点出现在查询结果集或遍历集中。在另一实施例中，当遍历集没有超过相关性阈值的遍历权重时，遍历集可以在遍历阶段结尾处被清空。
37.在一个实施例中，当在遍历集中没有节点具有超过相关性阈值的遍历权重时，至少一个节点从遍历集中被添加到探索集，以确保查询继续标识查询结果。换而言之，在该实施例中，遍历阶段将遍历集中的至少最小数目的图像节点添加到查询结果集和探索集中，并且也包括在遍历集中具有高于相关性阈值的遍历权重的附加节点。可以针对每个探索
‑
利用迭代执行这些低于相关性阈值的节点的包含，并且在一些实施例中针对有限的数目的探索
‑
利用迭代执行或者直到最小数目的图像节点在查询结果集中。
38.使用交替的探索
‑
利用迭代，搜索因此评估更接近于查询图像节点的节点并且当边缘权重足够高以满足相关性阈值时探索图。作为结果，在没有修改图像检索图的情况下(除非，如果必要的话，添加310查询图像)，查询可以被执行，并且可以执行重复查询，而不需要图像描述符的运行时比较。进一步地，图像节点最初可能出现为与初始查询不相关(例如，不具有边缘或者边缘权重低于相关性阈值)，该图像节点可能会随着对图像节点具有足够高边缘权重的其他图像节点被探索而变得相关(因此将图像节点的遍历权重放置于相关性阈值之上)。类似地，当边缘权重是基于内点计数时，相关性阈值可以减少误报并且确保
图像之间有足够的关系。这在以下所讨论的示例中针对图像节点d和e进行了说明。在附加的实施例中，可以基于探索
‑
利用迭代的数目增加相关性得分，以使得随着查询探索进一步远离查询图像时，增加用于继续查询的阈值。
39.探索
‑
利用迭代被可以重复直到达到停止条件，诸如查询结果的数目达到最大，或者在遍历阶段之后探索集为空(例如，在遍历集中没有节点超过相关性阈值并且没有节点被添加到探索集)。
40.图4a
‑
h图示了针对示例图像检索图400a
‑
h的示例查询执行和查询结果集410a
‑
h、探索集420a
‑
h和遍历集430a
‑
h的对应的状态。在该示例中，相关性的阈值是60的遍历权重。在该示例中，查询图像对应于图像节点a，并且图4a图示了向探索集420a添加查询图像节点。在图像检索图400a
‑
400h中，包括在探索集中的节点具有虚线边框，已探索的节点利用斜线图案填充，并且在遍历集中边缘连接利用虚线而被图示。
41.在图4a和4b之间，探索阶段被执行以探索针对探索集420a的边缘，其包括图像节点a。被连接到图像节点a的边缘被用于更新遍历集，以使得以下连接被添加到遍历集430b中：从节点a到节点c的具有87的权重的连接，从节点a到节点b的具有80的权重的连接，从节点a到节点d的具有15的权重的连接，如图4b所示。接着，遍历阶段在图4b和4c之间被执行。在该阶段期间，相对于相关性阈值评估遍历集430b。最初，图像节点c相对于它的87的遍历权重而被评估。该值高于60的相关性阈值，因此图像节点c被从遍历集中移除并且被添加到查询结果集410c和探索集420c中。同样地，图像节点b具有80的遍历权重，其高于60的相关性阈值，因此图像节点b被从遍历集中移除并且被添加到查询结果集410c和探索集420c中。当图像节点d的遍历权重被评估时，它具有15的遍历权重，该权重低于阈值相关性，因此图像节点d被保留在遍历集430b中。由于遍历集现在没有具有遍历权重高于相关性阈值的图像节点，遍历阶段结束，并且过程可以评估是否执行另一探索
‑
利用迭代。在该情况下，探索集230c中还有要被探索的图像节点，因此另一探索
‑
利用迭代被执行。
42.从图4c到4d，另一探索阶段被执行，该阶段现在从先前利用阶段被标识为相关的节点进行探索。在该探索阶段中，图像节点c被探索并且从探索集420c中被移除，随后是图像节点b，直到探索集为空，如探索集420d中所示。在探索图像节点c时，利用从图像节点c到图像节点f的、具有40的遍历权重的边缘，以及从图像节点c到图像节点d的、具有66的遍历权重的边缘来更新遍历集430c。图像节点c和图像节点b也有连接到图像节点a的边缘，因为图像节点a是查询图像节点，所以没有被添加到遍历集。在探索图像节点b时，利用从图像节点b到图像节点e的、具有55的遍历权重的边缘，以及从图像节点b到图像节点d的、具有107的遍历权重的边缘来更新遍历集430c。在利用从图像节点b到图像节点d的边缘更新时，遍历权重可以更新针对图像节点d的遍历权重，该遍历权重从图像节点c到图像节点d(即，其具有66的值)的边缘而被确定。当探索集420c为空时，过程进行到针对图4d的遍历阶段，以检查遍历集430d并且前进至图4e。在遍历遍历集430d时，针对图像节点d的遍历权重是107，该权重高于60的相关性阈值，并且图像节点d因此被添加到查询结果集410e和探索集420e并且从遍历集430e中被移除。剩余的图像节点e和f具有低于相关性阈值的遍历权重，因此遍历阶段结束。该过程评估是否执行附加的探索
‑
利用迭代，并且基于当前在探索集中的图像节点(图像节点d)，如图4e
‑
4f中所示执行另一迭代。
43.从图4e到4f，执行探索阶段以探索在探索集420e中的图像节点。在该阶段，探索集
420e中的图像节点d被评估，它具有到图像节点a、b、c、e和g的边。图像节点a是查询图像节点，并且图像节点b和c已经是在查询结果集中(以及之前被探索过)，所以这些节点不会在遍历集420e中被更新。从图像节点d到图像节点e的边缘具有65的边缘权重，并且该边缘权重在遍历集430f中被更新以替换先前55的遍历权重。为了更新从图像节点d到图像节点g的边缘权重，图像节点g被添加到遍历集430f中，其具有9的遍历权重。在评估到图像节点d的连接后，图像节点d从探索集420e中被移除并且探索集为空，允许过程继续针对图4f的遍历阶段。在遍历遍历集430f时，针对图像节点e的遍历权重现在超过了相关性阈值(与图4d不同)，并且图像节点e可以被添加到查询结果集410g和探索集420g中并且从遍历集430g中被移除。因为探索集420g不为空该过程决定执行附加的探索
‑
利用迭代。从图4g到图4h，探索阶段评估在探索集420g中的图像节点e。从图像节点e到图像节点b和d的边缘没有被更新到遍历集430g，因为这些图像节点之前已经被探索过并且被包括在查询结果集410g中。从图像节点e到图像节点h的边缘被更新在遍历集430h中，并且具有52的遍历权重。在探索图像节点e后，探索集420h为空，并且探索阶段结束。在一个实施例中，在遍历阶段处，在遍历集中没有图像节点超过60的相关性阈值。在该实施例中，在该探索
‑
利用迭代结束时，探索集中没有图像节点420h，指示图中没有进一步的图像节点需要考虑足够的相关性。
44.在其他实施例(未示出)中，其中遍历阶段包括来自遍历集(无论最高遍历权重是否超过相关性阈值)的至少一个图像节点，图像节点h可以被添加到探索集和查询结果集中作为在遍历集430h中具有最高遍历权重的。在该实施例中，附加的探索
‑
利用迭代探索图像节点h并且随后可能是图像节点g，最后是图像节点f。
45.最终，将与结果查询集410中的图像节点相关联的图像作为针对与图像节点a相关联的图像的图像的查询结果集而被返回。
46.如该示例所示，探索
‑
利用迭代允许对图像检索图400a
‑
h进行有效探索，并且基于节点在遍历集中变得足够相关时遇到的顺序、在查询结果集中保留相关顺序。附加地，因为节点可以基于权重而被遍历，不需附加的分析来在搜索查询的运行时评估单个图像。作为结果，该方法提供了一种有效方法，以具有低运行时间(特别是针对图像检索图中已经存在的图像)执行图像查询，并且在没有显著地偏离查询图像的特性的情况下有效地标识存储库中的附加的图像。
47.已经为了说明的目的呈现了对本公开的实施例的前述描述；它并不旨在是穷举的或将公开内容限制为所公开的精确形式。相关领域的技术人员可以理解根据上述公开内容许多修改和变化是可能的。
48.本说明书的一些部分根据关于信息的操作的算法和符号表示来描述本公开的实施例。这些算法描述和表示通常由数据处理领域的技术人员使用以将他们工作的实质有效地传达给本领域的其他技术人员。虽然在功能上、计算上或逻辑上描述了这些操作，但应理解为通过计算机程序或等效电路、微代码等来实施这些操作。此外，在不失一般性的情况下，已经证明有时将这些操作的安排称为模块是方便的。所描述的操作及它们相关联的模块可以在软件、固件、硬件或其任何组合中实施。
49.本文中所描述的任何步骤、操作、过程可以由一个或多个硬件或者软件模块单独或者与其它设备的组合来实施或执行。在一个实施例中，计算模块可以利用包括计算机可读介质的计算机程序产品来实施，该计算机产品包含计算机可读介质，该计算机可读介质
包含计算机程序代码，该计算机程序代码可以由计算机处理器执行用于执行所描述的步骤、操作或过程中的任何或全部。
50.本公开的实施例还可以涉及用于执行本文的操作的装置。该装置可以是为所需目的而专门构造的，和/或它可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算设备。这种的计算机程序可以存储在非暂态的、有形的计算机可读存储介质中，或者适于存储电子指令的任何类型的介质中，其可以耦合到计算机系统总线。此外，在说明书中提及的任何计算系统可以包括单个处理器，或者可以是采用多处理器设计用于增加的计算能力的架构。
51.本公开的实施例也涉及由本文所描述的计算过程产生的产品。这种产品可以包括从计算过程中产生的信息，其中信息被存储在非暂态、有形的计算机可读存储介质上并且包括本文所描述的计算机程序产品或其它数据组合的任何实施例。
52.最后，说明书中所使用的语言主要是为了可读性和指导目的而选择的，并且它可能没有被选择来描绘或限制本发明的主题。因此，本发明的范围旨在不受该详细描述的限制，而是由基于本文的应用发布的任何权利要求限制。因此，本公开的实施例的公开旨在为说明性的，而非限制在以下权利要求中所阐述的本发明的范围。