1.一种基于改进乘积量化PQ算法的基于内容的图像检索CBIR方法，其特征在于：通过改进深度卷积网络提取图像深度特征，然后通过采用非线性检索ANN搜索策略的基于倒排索引的乘积量化IVPQ算法的索引检索模块编码压缩图像特征数据，并生成基于Faiss框架的动态索引数据库的索引，通过特征向量编码对全索引库的数据空间进行分割，进行查询图片的检索时，通过汉明距离重排，快速锁定某一子空间再进行遍历，并输出检索图像。

2.根据权利要求1所述的一种基于改进PQ算法的CBIR方法，其特征在于：所述IVPQ算法分为索引构建与非线性检索查询，记X＝[x1,x2,...,xN]∈RN×Ω为训练样本集的特征向量数据集矩阵，其中Ω为训练样本数据维度，N为训练样本集的样本个数，查询样本为xq；

所述索引构建具体为：

进行编码预处理：对训练样本特征向量数据集X进行K-Means聚类算法，得到M个样本聚类中心C＝[c1,c2,...,cM]∈RM×Ω，设ci＝NNC(xi)表示训练样本数据特征向量xi最近的样本聚类中心，两两相减得到残差向量组R，R表示公式为：R＝[r1,r2,...,ri,...,rN]∈RN×Ω

ri＝|xi-ci|  (2)

对残差向量ri的维度空间Ω进行P平分，记ri＝[ri,1,ri,2,...,ri,j,...,ri,P]∈R1×Ω且ω1+...+ωj+...+ωP＝Ω,并分别对不同子空间内所有训练样本的残差子向量进行K-Means聚类生成聚类中心个数一致的码本集CΩ，CΩ表示公式如下：其中， 为训练样本残差向量组R的维度空间Ω被平分后形成的第j个维度子空间的码本(聚类集)，P为Ω平分后的维度子空间的个数； 为 中的第k个聚类中心，M'为每个子空间的聚类中心个数，且满足M'＝2p，2p为IVPQ二进制编码位数；

利用CΩ对ri进行IVPQ编码，每个样本残差向量ri由其P个残差子向量对应的聚类中心的ID号来表示，生成训练样本IVPQ编码集S，S表示公式如下：S＝{S(1),S(2),...,S(i),...,S(N)}

其中，S(i)为训练样本残差向量ri所生成的一组IVPQ编码，ci为所对应的训练样本聚类中心标记；n(i,j)为S(i)中样本残差子向量ri,j在对应的维度子空间ωj中最近的聚类中心编号； 表示子空间ωj中子向量ri,j最近的聚类中心编号数字；

所述非线性检索查询具体：

对查询样本向量xq进行上述类似编码预处理，生成查询残差向量rq＝|xq-cq|，同样将rq切分成P个相同子向量,记rq＝[rq,1,rq,2,...,rq,j,...,rq,P]∈R1*Ω,并分别在其每个子空间的计算与该子空间内M'个聚类中心的距离，生成大小为P×M'的查询向量距离池DΩ，DΩ表示公式如下：其中，cq为查询样本向量的样本聚类中心， 为查询残差子向量rq(j)与子空间ωj中M'个聚类中心的距离集合； 为rq(j)所对应ωj中第k个聚类中心的距离值， 为rq(j)所对应ωj中第k个聚类中心；

进行检索时，仅对训练样本编码集S中与查询样本向量xq的样本聚类中心cq一致下标的IVPQ编码组集Sq，即感兴趣区域ROI，进行遍历查询；设与查询向量一致的编码组数量为N',由式(4)得Sq表达式：Sq＝{Sq(1),Sq(2),...,Sq(i)...,Sq(N')}

在查询向量距离池DΩ中分别计算与Sq中各编码组对应的P个汉明距离值之和，生成查询检索距离集合Dq，则Dq表示公式如下：Dq＝[Dq(1),Dq(2),...,Dq(i),...,Dq(N')]

其中，Dq(i)表示Sq中第i个训练样本向量xi与查询样本向量xq的IVPQ编码距离；若距离之和Dq(i)超过根据实际训练需要设置的阈值距离t,t∈[30,100]，则丢弃；最后以每个训练样本与查询样本的距离排序作为非线性检索的结果返回。