[发明专利]一种基于深度哈希特征和异构并行处理的图像检索方法

说明书

本发明公开了一种基于深度哈希特征和异构并行处理的图像检索方法，具体按照如下步骤实施：步骤1，训练深度哈希网络模型；步骤2，将测试集和查询图像送入训练好的网络模型中得到测试集和查询图像的深度哈希特征，即二进制哈希编码；步骤3，计算步骤2得到的测试集和查询图像的二进制哈希编码之间的汉明距离并进行升序排序，得到初排结果；步骤4，选取初排结果里的前p张图像的二进制哈希编码，与查询图像的二进制编码再次进行汉明距离计算，根据汉明距离升序排序得到重排序结果，即最终得到与查询图像最相似的q个检索结果。本发明的一种基于深度哈希特征和异构并行处理的图像检索方法，解决了现有技术中存在的图像检索精度不高的问题。

技术领域

本发明属于计算机图像检索方法技术领域，涉及一种基于深度哈希特征和异构并行处理的图像检索方法。

背景技术

随着存储设备、计算机网络以及多媒体技术的迅猛发展，人们所接触和制造的图像数据与日俱增。在海量数据库中快速、准确的找到用户想要的图像已经成为当下研究的热点，因此，图像检索技术也备受关注并迅速发展。此类应用目前也存在两个重要的挑战：(1)图像特征通常是高维数据，存储要求高且计算效率低；(2)大规模数据的检索方法对速度、时间等有很高的要求。

现有技术在进行图像检索时，主要采取两种方法。一种是基于图像整体特征描述进行检索，因为特征维度较高，导致存储、运算、检索等一切的速度影响；另一种是基于图像局部特征进行检索，虽然该方法可以准确描述图像局部特征，但是对图像整体的描述有所损失，导致检索精度不高。

因此，如何提供一种图像检索方法来提高检索精度和速度成为计算机视觉领域亟待解决的问题。

发明内容

本发明的目的是提供一种基于深度哈希特征和异构并行处理的图像检索方法，解决了现有技术中存在的图像检索精度不高的问题。

本发明所采用的技术方案是，一种基于深度哈希特征和异构并行处理的图像检索方法，具体按照如下步骤实施：

步骤1，离线训练网络模型

采用GoogLeNet网络模型作为初始化网络结构并将其最后一层分类层替换为哈希层，且哈希层的单元数即为图像要编码成的比特数，得到GoogLeNet-1网络模型，将图像数据集CIFAR-10划分为训练集和测试集，训练集分10类，每类5000张，测试集分10类，每类1000张。

将训练集输入GoogLeNet-1网络模型中，通过卷积层提取图像深度特征，同时进行哈希函数学习，最终深度特征经过哈希层映射得到对应的二进制哈希编码，再通过对损失函数进行迭代优化和更新，得到最优的网络参数和最终的深度哈希网络模型GoogLeNet-hash；

步骤2，将测试集和查询图像送入训练好的GoogLeNet-hash网络模型中得到测试集和查询图像的深度哈希特征，即二进制哈希编码；

步骤3，计算步骤2得到的测试集和查询图像的二进制哈希编码之间的汉明距离并进行升序排序，得到初排结果；

步骤4，选取初排结果里的前p张图像的二进制哈希编码，与查询图像的二进制编码再次进行汉明距离计算，根据汉明距离升序排序得到重排序结果，即最终得到与查询图像最相似的q个检索结果(q＜p)。

本发明的特征还在于，

步骤1和步骤2中在哈希层生成二进制哈希编码生成过程具体为：

假设从GoogLeNet-hash网络模型的全连接层得到m维图像深度特征x后，将x传入到哈希层，假设哈希层的节点个数是q，即有q个哈希函数，生成q位哈希编码，q个哈希函数产生的哈希编码如下公式所示：