[发明专利]一种基于KPCA多表索引图像哈希检索方法

权利要求书

1.一种基于KPCA多表索引图像哈希检索方法，其特征在于，包括以下步骤：

步骤S1：对原始高维的特征进行特征提取，采用KPCA方式获取区分性强的特征作为训练集；

步骤S2：采用改进的k-means聚类算法，计算特征库中任意两个样本点特征向量x_i和x_j之间的欧几里得距离dis(x_i,x_j)，找到两个距离最远的样本特征c₀和c₁，计算c₀和c₁中间点c₂，并将这三个样本点作为初始聚类中心；对步骤S1得到的区分性特征进行聚类量化处理，将不同特征的多类样本n分到k个不同的组里面，并选取特征聚类中心进行二次筛选找到每类的λ个相邻类，并将这些相邻类归为一组相似簇，用于学习哈希函数；

步骤S3：构建多组哈希函数，根据多组哈希函数将特征库的所有样本特征和查询样本特征建立哈希索引，并将这些索引号映射到多个哈希索引表里，在查询相似样本特征时，通过检索多个哈希表，提高相似样本的召回率。

2.根据权利要求1所述的基于KPCA多表索引图像哈希检索方法，其特征在于：步骤S1包括以下具体步骤：

step1、从特征库R^n×m中随机的选取部分样本集作为初始训练集

X＝{x₁,x₂,...,x_n}∈R^n×m；

Step2、选择合适的核函数k(x,x_i)，计算训练集的核矩阵K；

Step3、根据核矩阵K，计算前k个最大的特征值λ^k及对应的特征向量v；

λ^k:{λ₁^k,λ₂^k,...,λ_k^k}，v:{v₁,v₂,...,v_k}

Step4、选取k个最大的特征值对应的特征向量v，构造最佳投影矩阵u^T

u^T＝{v₁,v₂,...,v_k}^T

Step5、计算核矩阵在投影矩阵u^T上的投影X′＝u^TK

即所得的投影X′为原始特征中降低维度后的易于区分的样本特征。

3.根据权利要求1所述的基于KPCA多表索引图像哈希检索方法，其特征在于：步骤S3中每一组哈希函数的构建过程包括以下步骤：

定义：超几何中垂面

其中C_i，μ_j表示相似簇和其中一个子集聚类中心，推导相应的哈希函数如下：

其中

由上可知，假设哈希编码的长度为L，特征聚类最终得到L个相似簇，并且每个相似簇ζ包含λ个相似类，从而得到λ组哈希函数，每组哈希函数对应一个投影矩阵其中表示每个相似簇的中心与其中相似类中心的中垂面；最终得到λ个投影矩阵并构建λ个哈希函数，最终原始的高维图像特征将被哈希映射为λ个索引码，并对应λ个哈希索引表，其中每个索引编码长度为L。