1.一种基于图像信息提取与改进EMD距离的图像检索方法，其特征在于，包括以下步骤：步骤a、对待检索图像以及图像库图像进行降维处理；

步骤b、网络结构设置并提取降维之后的图像语义信息；

步骤c、改进EMD距离；

步骤d、将改进的EMD距离用于图像相似性度量中；

步骤a的具体步骤如下：

步骤a1：得到标准化数据矩阵 ；

根据图像的数据 ，得到特征空间的标准化数据矩阵，；

其中，是样本数， 是得到的标准数据矩阵， 是原始数据在特征空间H的像；

标准数据化矩阵的特征方程可表示为： ；

其中，是标准数据化矩阵的特征值，是标准数据化矩阵的特征向量；

步骤a2：计算核矩阵；

将标准数据化矩阵获得的最大特征值 所对应的特征向量 生成特征空间中第一个主成分，得到特征向量 ，在标准数据化矩阵的两边同时点乘映射向量，进行内积运算，并得到核矩阵 ；

步骤a3：得到降维数据；

步骤b的具体步骤如下：

步骤b1：网络结构设置；

卷积神经网络主要由四层结构组成，一至三层为卷积神经网络的基本，每一层都由卷积层和池化层组成，最后一层为全连接层，选用softmax分类器；在该网络结构中，激活函数选择激活函数选择“Relu”，池化层选择最大池化；第一层到第三层卷积核的个数依次为10，

60，100，全连接层神经单元个数设置为500；

步骤b2：提取降维之后的图像语义信息将步骤a获得的降维之后的图像作为卷积神经网络的原始数据，输入的影像块大小为，第一层到第三层的卷积核大小依次设置为 、 、 ，池化尺寸都选择为，最后的输出层的个数为输入数据类别的个数，与训练样本中类别个数一致，最后得到图像的语义信息；

步骤c的具体步骤如下：

步骤c1：写出代价函数的方程形式：；

其中， 是代价函数， 为设计参数阈值；x是代价函数中与参数阈值相比较的未知量；t是代价函数中变量参数的标识；

步骤c2：用改进的EMD距离代替传统EMD距离：改进的陆地移动距离为：

；

其中，N为待检索图像特征中的最大值；

M为图像数据库中某幅图像特征的最大值；

H（X，Y）为待检索图像与图像数据库中某幅图像之间的改进的陆地移动距离；

X为待检索图像特征集合；

Y为图像数据库中某幅图像特征集合；

h（xi,yi）的含义是： 为图像特征集合 中的特征分量 到图像数据库中某幅图像特征集合 中特征分量 的欧式距离；

其中，约束条件如下：

 ，

，

 ，

；

其中， 为特征分量 和特征分量 间的最优权重系数；

为集合中 特征分量 的权重值；

为集合 中特征分量 的权重值；

步骤d的具体步骤如下：

根据步骤b得到的图像语义信息，用改进的EMD距离作为图像特征的相似性度量距离函数，将得到的相似性度量结果按照降序排列，得出检索结果；在步骤a3中，求解核矩阵 的特征值和特征向量， 的特征值满足 ，对应的特征向量为 ，当前个特征值累加和与特征值总和的比值大于阈值0.85时，即 ，完成原始图像的特征降维；

其中， 为图像特征集合 中的特征分量 到图像数据库中某幅图像特征集合中特征分量 的欧式距离； 为集合中 特征分量 的权重值； 为集合 中特征分量 的权重值； 是归一化因子； 是特征分量 和特征分量 间的最优权重系数。