1.一种基于特征分类的图像查询方法，其特征在于，包括：步骤1、提取图像所有者上传的初始图像的编码特征和图像特征并储存在数据库中，初始图像存储在图像库中；

步骤2、提取待查询图像的编码特征和图像特征；

步骤3、比对待查询图像的编码特征与初始图像的编码特征，从中优选出若干项作为第一查询结果；

步骤4、计算所述待查询图像的图像特征与第一查询结果对应初始图像的图像特征的余弦距离，得到图像相似度数据；

步骤5、结合第一查询结果及图像相似度数据，通过特征分类器对第一查询结果进行分类，得到分类结果；

步骤6、用决策树对分类结果进行处理，从中优选出若干项作为第二查询结果；

步骤7、将第二查询结果对应的初始图像作为最终查询结果返回给用户；

所述图像库，为入库图像的数据集合；

所述步骤5包括：

步骤5-1、对步骤3中的海明距离计算结果及步骤4中的余弦距离计算结果进行归一化，得到对应的归一化结果；

步骤5-2、对所述归一化结果进行差异距离计算；

步骤5-3、将差异距离计算结果中的特殊值作为边缘进行划分；

步骤5-4、将划分结果中前两类数据作为分类结果；

所述差异距离的计算，以进行归一化后的各项数据作为源数据，通过对有序集合中前后比对，得到其各项间的差异距离，计算公式：D=(next-this)/(Last-First)，其中next表示后一项数据，this表示该项数据，Last表示该有序集合中最后一项数据值，First表示该有序集合中第一项数据值；

所述特殊值，为差异距离大于平均差异距离的项。

2.如权利要求1所述的一种基于特征分类的图像查询方法，其特征在于，所述步骤1和步骤2中的提取图像的编码特征，使用的是差异值哈希算法。

3.如权利要求1所述的一种基于特征分类的图像查询方法，其特征在于，所述步骤1和步骤2中提取的图像特征，包括：使用特征向量提取神经网络模型对图像进行处理得到高维度特征向量；

再使用特征向量降维神经网络模型对高维度特征向量进行降维，得到低维度特征向量，作为图像的图像特征。

4.如权利要求1所述的一种基于特征分类的图像查询方法，其特征在于，所述步骤3、比对待查询图像的编码特征与初始图像的编码特征，从中优选出若干项作为第一查询结果，包括：

步骤3-1、提取数据库中所储存的初始图像编码特征；

步骤3-2、分别计算待查询图像编码特征和初始图像编码特征间的海明距离，得到海明距离计算结果集；

步骤3-3、对海明距离计算结果按值从小到大进行排序，得到有序的海明距离计算结果集；

步骤3-4、从所述有序的海明距离计算结果集中选择前15%项数据作为第一查询结果。

5.如权利要求1所述的一种基于特征分类的图像查询方法，其特征在于，所述步骤4、计算所述待查询图像的图像特征与第一查询结果对应初始图像的图像特征的余弦距离，得到图像相似度数据，包括：

步骤4-1、提取数据库中所储存的第一查询结果对应的初始图像的图像特征；

步骤4-2、分别计算待查询图像的图像特征和提取的初始图像的图像特征间的余弦距离，得到余弦距离计算结果集；

步骤4-3、对余弦距离计算结果按值从小到大进行排序，得到有序的余弦距离计算结果集，作为图像相似度数据。

6.如权利要求1所述的一种基于特征分类的图像查询方法，其特征在于，所述步骤6，包括：

步骤6-1、对分类结果对应初始图像的图像相似度数据进行两两比较，将比较结果中的特殊值作为边缘，把分类结果划分为若干类；

步骤6-2、将划分结果中前两类数据作为对比度分类结果；

步骤6-3、将对比度分类结果中对应图像的编码特征进行两两比较，将比较结果中最小的十项数据作为第二查询结果。