[发明专利]从图像中提取哈希码的方法、装置及图像检索方法、装置

权利要求书

1.一种从图像中提取哈希码的方法，其中，该方法包括：

构建哈希码提取模型，该模型包括编码器和解码器；其中，编码器由多层深度神经网络DNN组成，从图像数据中提取哈希码输出给解码器，解码器由多层DNN组成，将输入的哈希码转换为图像；

对所述解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近，从而简化解码器网络结构，倒逼编码器提取高质量的哈希码，得到抗冗余哈希码深度提取模型；

对抗冗余哈希码深度提取模型进行训练，确定模型中的参数；

利用训练好的抗冗余哈希码深度提取模型中的编码器，从图像中提取哈希码。

2.如权利要求1所述的方法，其中，

所述构建哈希码提取模型包括：构建变分自编码器VAE模型或随机哈希生成SGH模型，其目标函数如式(1)所示；

其中，D_KL为KL散度；X为输入数据，Z为解码器输出的图像哈希码，θ是由解码器DNN模型得到的用于表示似然的参数；

对所述解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近，从而简化解码器网络结构，倒逼编码器提取高质量的哈希码，得到抗冗余哈希码深度提取模型包括：

在(1)所示的目标函数中增加一项约束项得到式(2)所示的目标函数；

其中，Z为编码器输出的图像哈希码，为弗罗贝尼乌斯范数，η0，η为正则化参数，K为Z的维度，H^(M)为解码器网络第M层输出，表示数学期望，k＝1,2,...,K，φ为标量线性或深度非线性变换。

3.如权利要求2所述的方法，其中，在对哈希码提取模型进行训练之前，该方法进一步包括：

在所述编码器中通过度量隐层编码冗余度对隐层编码进行正则化，从而降低编码空间信息冗余。

4.如权利要求3所述的方法，其中，在所述编码器中通过度量隐层编码冗余度对隐层编码进行正则化，从而降低编码空间信息冗余具体包括：

在(2)所示的目标函数中再增加一项约束项得到式(3)所示的目标函数；

其中，A是系数矩阵，Z是解码器输出的图像哈希码，δ0，δ为正则化参数。

5.如权利要求1-4中任一项所述的方法，其中，所述对抗冗余哈希码深度提取模型进行训练包括：

利用训练数据，对目标函数中θ、φ和A交替训练。

6.如权利要求5所述的方法，其中，所述利用训练数据，对目标函数中θ、φ和A交替训练包括：

获取原始训练数据；

将原始训练数据进行随机打乱后，均分成多份，依次取各份训练数据，用每份训练数据对θ、φ和A交替训练一次；

重复上述步骤预设数次。

7.一种图像检索方法，其中，该方法包括：

利用如权利要求1-6中任一项所述方法，计算图像库中的各图像的哈希码以及计算检索图像的哈希码；

计算检索图像的哈希码与图像库中的各图像的哈希码的相似度，输出相似度最高的一个或多个图像。

8.一种从图像中提取哈希码的装置，其中，该装置包括：

模型构建单元，适于构建哈希码提取模型，该模型包括编码器和解码器；其中，编码器由多层深度神经网络DNN组成，从图像数据中提取哈希码输出给解码器，解码器由多层DNN组成，将输入的哈希码转换为图像；以及适于对所述解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近，从而简化解码器网络结构，倒逼编码器提取高质量的哈希码，得到抗冗余哈希码深度提取模型；

模型训练单元，适于对抗冗余哈希码深度提取模型进行训练，确定模型中的参数；

哈希码提取单元，适于利用训练好的抗冗余哈希码深度提取模型中的编码器，从图像中提取哈希码。