[发明专利]一种基于序列保留哈希的超低复杂度图像检索方法

摘要

一种基于序列保留哈希的超低复杂度图像检索方法，涉及图像检索。对于图像库中的图像，随机选取一部分图像作为训练集，并抽取相应的图像特征；采用非线性主成分分析方法将原图像特征降低维度到与哈希编码相同的长度；利用K‑means聚类算法得一系列的支撑点，作为后续哈希函数学习的基础；通过迭代优化学习对应的哈希函数；输出对应的哈希函数并计算整个图像库的哈希编码；对于查询图像，先抽取对应的GIST特征，根据训练得到的哈希编码函数对图像特征进行哈希编码，之后计算查询图像的哈希编码与图像库中的图像特征编码之间的汉明距离，利用汉明距离大小衡量查询图像与图像库中待检索图像之间的相似性，返回相似度高的图像。

主权项

1.一种基于序列保留哈希的超低复杂度图像检索方法，其特征在于包括以下步骤：1)对于图像库中的图像，随机选取一部分图像作为训练集，并抽取相应的图像特征，所述图像特征包括但不限于GIST特征；2)采用非线性主成分分析方法，将原图像特征降低维度到与哈希编码相同的长度；3)利用K‑means聚类算法得到一系列的支撑点，作为后续哈希函数学习的基础；4)通过迭代优化学习对应的哈希函数，具体方法如下：(4.1)选择一个query特征，计算该特征与所有支撑点之间的关系，同时构建序列关系图；(4.2)在序列关系图中，以query最近邻的支撑点为基准，挑选一部分序列关系子集；(4.3)利用随机梯度下降算法计算最优哈希函数；(4.4)置信度判断，满足条件跳出迭代，否则继续循环；5)输出对应的哈希函数，并计算整个图像库的哈希编码；6)对于查询图像，首先抽取对应的GIST特征，然后根据训练得到的哈希编码函数用同样的方法对图像特征进行哈希编码，之后计算查询图像的哈希编码与图像库中的图像特征编码之间的汉明距离，利用汉明距离大小来衡量查询图像与图像库中待检索图像之间的相似性，返回相似度高的图像；所述序列保留哈希的算法，目标在于获取哈希函数，即：H(x)＝{h₁(x),h₂(x),...,h_r(x)}哈希函数将原实数特征矩阵映射为相对应的二值编码矩阵B＝{b₁,b₂,...,b_n}∈{0,1}^r×n，其中，r为哈希编码的长度，其形式化描述如下所示：首先，查询图像和待检索图像库的图像GIST特征抽取的形式化描述为：对于训练集中的每幅图像提取d维的GIST特征，得到一个d×n的原始视觉特征矩阵X＝{x₁,x₂,...,x_n}∈R^d×n,其中，n表示训练集中的训练样本个数，x_i为矩阵X第i列表示样本集合中第i个维度为d的GIST特征向量；其次，使用非线性主成分分析技术，即核化主成分分解，将图像的特征降维到与哈希编码比特长度相同的低维度空间表示，具体步骤如下：(1)对原特征做核特征变换，在样本集中随机选取m个数据点作为锚点，即A＝{a₁,...,a_m}∈R^d×m；(2)采用高斯核变换方法对原特征进行重新描述，原特征x_i对应的高斯核特征k_i中第j维表示为k_ij＝exp(‑||x_i‑a_j||²/2σ²)；(3)对新的核变换特征做主成分分析，求出从高维核特征空间到低维度的线性投影矩阵Z∈R^m×r，其优化函数为：通过非线性主成分分析后，原高维特征矩阵重新表示为在新的低维度特征表达空间中，目标是求解一个序列嵌入的哈希函数，定义为其中，sgn(·)为符号函数，用以将实数值量化为对应的哈希编码，通过双曲正切函数来逼近这个符号函数；整个学习算法过程需要保证原空间中特征之间的序列关系在新的汉明空间中有近似等同的关系，因此目标函数表示为:其中，α和β是模型参数为1；为对样本集进行k‑means聚类得到的聚类中心特征的非线性主成分表达，bl_i为其对应的哈希编码；o(m,j,k)为序列关系函数，定义为D(m,j)为样本x_m和x_j之间的欧式距离；max[0,x]为最大值函数，定义为通过随机梯度下降的优化方法，求出最优的投影矩阵W，进而得到所需要的哈希函数；对于，查询图像特征和待检索的图像库特征，采用如下哈希函数进行相应哈希编码：H(x)＝sgn(W^TZ^Tx)。