1.一种基于多次重排序的多级语义图像检索方法，其特征在于，包括：步骤1：将查询图像p和所有待查询图像G输入到已训练好的多级语义图像检索模型中，得到所有图像的特征向量；

步骤2：利用所述特征向量计算所述查询图像p和所述待查询图像G的欧氏距离DE(p,G)，根据所述特征向量之间的欧氏距离的大小，对所述待查询图像G进行排序，得到原始排序结果；

步骤3：语义级别的总数为L，对每个语义级别l，l∈[0,L‑1]，基于所述原始排序结果计算所述查询图像p和所述待查询图像G中所有图片的k‑互近邻图片集合，并计算所述查询图像p和所述待查询图像G中所有图片的杰卡德距离 将所述欧氏距离和所述杰卡德距离加权得到所述每个语义级别的加权距离Dl(p,G)；

步骤4：选取每个语义级别相对应语义距离排序在前的图像，形成重排序队列，判断当前语义级别重排序队列中的图像是否出现在之前的语义级别重排序队列中，来计算最终检索距离，根据所述最终检索距离的大小再计算多级语义图像重排序结果；

所述步骤4中，

语义级别l＝0时，根据距离 计算第0级的重排序结果并输出，选取L0(p,G)的前 个图片组成

任意语义级别l∈[1,L‑2]时，根据距离矢量Dl(p,G)选取排序在前 的图像记为定义Dl(p,T)＝(dl(p,t1),dl(p,t2),...,dl(p,t|T|))，|T|表示集合T的元素个数，其中，计算 根据距离矢量

再计算第l+1语义级别的重排序结果并输出N个元素的排序。

2.根据权利要求1所述的一种基于多次重排序的多级语义图像检索方法，其特征在于，所述查询图像集合为G＝{gi|i＝1,2,...,N}，所述已训练好的多级语义图像检索模型为φ(·,θ)，多级语义级别排序参数为 距离加权系数为λ。

3.根据权利要求2所述的一种基于多次重排序的多级语义图像检索方法，其特征在于，所述步骤1包括：计算查询图像p和所有待查询图像 的特征向量，即：φ(p,θ)，φ(gi,θ)，

4.根据权利要求1所述的一种基于多次重排序的多级语义图像检索方法，其特征在于，所述步骤2包括：步骤2.1：利用提取的特征向量计算查询图像p和所有待查询图像G的原始欧氏距离，即：DE(p,G)＝(dE(p,g1),dE(p,g2),...,dE(p,gN))，其中，dE(p,gi)＝‖φ(p,θ)‑φ(gi,θ)‖2表示特征向量之间的欧氏距离；

步骤2.2：根据dE(p,gi)的大小对所述待查询图像G中的图像进行排序，得到原始排序集L(p,G)＝{g1,g2,...,gN}，其中，dE(p,gi)

5.根据权利要求1所述的一种基于多次重排序的多级语义图像检索方法，其特征在于，所述步骤3包括：步骤3.1：根据原始排序L(p,G)，在L个语义级别上分别计算所述查询图像p和所述待查询图像G中所有图片的k‑互近邻图片集合步骤3.2：计算所述查询图像p和所述待查询图像G中图片的杰卡德距离，形成长度为N的矢量其中，

步骤3.3：计算L个语义级别下所述查询图像p和所述待查询图像G中图片的加权距离，即：矢量Dl(p,G)＝(dl(p,g1),dl(p,g2),...,dl(p,gN))，其中，

6.根据权利要求5所述的一种基于多次重排序的多级语义图像检索方法，其特征在于，所述k‑互近邻图片集合 的计算方法为：根据原始排序L(p,G)＝{g1,g2,...,gN}计算所述查询图像p和所述待查询图像G中所有图片的k‑近邻图片集合计算k‑互近邻图片集合

通过以下流程扩充集合 并得到新集合 初始化 为空集，任取如果 则执行

遍历所有 并反复执行以上流

程得到最终的

7.根据权利要求5所述的一种基于多次重排序的多级语义图像检索方法，其特征在于，的计算过程为：计算 得到长为N的二值向量

将Vp归一化为k‑近邻集合 的平均，即： 其中，得到改造后的杰卡德距离：