[发明专利]一种基于改进的深度残差卷积神经网络和深度哈希的高清遥感图像快速检索方法

说明书

一种基于改进的深度残差卷积神经网络和深度哈希的高清遥感图像快速检索方法属于计算机视觉和遥感图像检索领域。该方法对深度残差神经网络进行了改进，用于提取遥感图像的深度特征；然后采用了深度哈希算法DPSH(Deep Pairwise‑Supervised Hashing)将提取的深度特征映射为二值哈希码，通过汉明距离度量两幅图像哈希码之间的相似性。该方法可以在获得高检索精度的同时，实现快速检索，对发挥遥感数据效应具有重要的意义，在资源勘探、海洋环境保护、自然灾害评估、军事、国防等各种领域均具有重要的应用价值。

技术领域

本发明属于计算机视觉和遥感图像检索领域，具体涉及深度学习、遥感图像处理等技术。

背景技术

遥感图像检索是对海量遥感图像进行高效管理和共享的重要手段，是发挥遥感图像数据效应的关键所在。基于内容的图像检索(Content Based Image Retrieval,CBIR)根据图像的内容来衡量图像之间的相似度，从而实现图像的检索，是目前主流的遥感图像检索方案。CBIR提取图像的特征来表征图像的内容，建立图像特征库，并通过这些特征为每幅图像建立索引。查询时，将提取到的查询图像特征与特征数据库中的特征逐一比较，确定特征之间的相似度，并按照相似度的大小进行排序，将特征最相似的若干幅图像作为结果返回给用户。

在早期研究中，计算机通过提取图像的低层视觉特征(如颜色、纹理、轮廓、统计特征等)来表征图像的内容，而用户对图像的理解是通过更加抽象的图像高层语义特征来完成的，这两种特征具有不一致性，从而导致了低层视觉特征与高层语义特征之间固有的差距，被称为“语义鸿沟”，使得基于低层视觉特征的检索方法难以准确反映用户的真实检索意图。

近年来，深度学习在计算机视觉领域取得了巨大的突破，获得了远超过传统方法的性能。其中，最具代表性的是卷积神经网络(Convolutional Neural Network,CNN)，CNN含有复杂的多层网络架构，能够对原始图像数据进行逐层提取和抽象，获取多层次的图像特征表达，在表达图像的高层语义信息方面具有明显的优势。然而，采用CNN提取到的深度特征维度往往都很高，应用于高清遥感图像检索时会导致检索速度非常慢，对于海量遥感图像数据库来说甚至不可能完成。

近年来，近似最邻近搜索(Approximate Nearest Neighbor Search)技术发展迅猛，其中哈希(hashing)作为一种代表性方法，受到了广泛关注。哈希算法将样本表示成一串固定长度的二值编码，相似的样本具有相似的二值编码。人们将哈希用于图像检索中，将图像特征转换为哈希码，通过汉明距离来度量两个哈希码之间的相似性，大大降低了对存储空间的需求，实现了海量图像的快速检索。

本发明针对高清遥感图像检索的需求和特点，提出了一种基于深度残差卷积神经网络和深度哈希的高清遥感图像快速检索方法。该方法对深度残差神经网络进行了改进，用于提取遥感图像的深度特征；然后采用了深度哈希算法DPSH(Deep Pairwise-Supervised Hashing)将提取的深度特征映射为二值哈希码，通过汉明距离度量两幅图像哈希码之间的相似性。该方法可以在获得高检索精度的同时，实现快速检索，对发挥遥感数据效应具有重要的意义，在资源勘探、海洋环境保护、自然灾害评估、军事、国防等各种领域均具有重要的应用价值。

发明内容

本发明的目的是提出一种兼具检索精度和速度的高清遥感图像检索方法。为此，本发明设计如下的技术方案，主要分为如下几个步骤：

步骤1：特征提取与降维

本发明将特征提取与降维操作结合在一起，利用改进后的深度残差卷积神经网络，可以实现特征提取、降维两个功能。具体来说，本发明在原有的深度残差卷积神经网络结构的最后一个池化层后面添加了两个全连接层，将最后一个全连接层的输出提取出来，作为遥感图像的深度特征。与原有的网络结构相比，所提取的特征维度大大降低，仅为96维。

步骤2：哈希码生成