[发明专利]基于局部随机敏感自编码器的哈希图像检索方法

说明书

本发明公开了一种基于局部随机敏感自编码器的哈希图像检索方法，包括：1)对图像数据库中的图像提取GIST特征；2)建立局部随机敏感自编码器模型，将图像的GIST特征输入模型进行训练；3)使用交替优化方法训练局部随机敏感自编码器模型，得到图像的哈希编码；4)计算检索图像的哈希编码与图像数据库中图像的哈希编码间的汉明距离，根据汉明距离升序排序，得到图像数据库中与检索图像最为相似的图像。本发明基于局部随机敏感自编码器进行哈希图像检索，训练出的模型能够学习到更具有泛化性的特征，增强了模型的鲁棒性，提升了模型在面对未知图像时的表现；本发明将二值化约束加入到模型中，通过模型直接生成哈希编码，提高哈希编码的质量，提升检索效果。

技术领域

本发明涉及哈希图像检索和机器学习的技术领域，尤其是指一种基于局部随机敏感自编码器的哈希图像检索方法。

背景技术

哈希图像检索是指将图像通过哈希函数转化为一串较短的哈希编码，计算检索图像的哈希编码与图像数据库中所有图像的哈希编码间的汉明距离，汉明距离最小的图像就是与检索图像最为相似的图像，在快速目标检测、图像搜索、位置识别等计算机视觉领域中均有广泛应用。哈希图像检索的关键在于如何训练得到能产生高质量哈希编码的哈希函数，高质量的哈希编码能够更好的保留图像特征。

哈希图像检索方法可分为数据独立与数据依赖两类方法：1、数据独立的哈希图像检索方法没有考虑图像数据的分布信息和语义相似度信息，通过随机投影生成哈希编码，这类方法通常需要较长的哈希编码才能取得较为准确的检索效果，占用了更多的计算机存储空间，降低了检索效率；2、数据依赖的哈希图像检索方法是指基于机器学习的方法，这类方法使用大量的数据对神经网络模型训练。但如果将哈希的二值化约束直接加在神经网络模型上，也就是使神经网络模型直接输出二值化的哈希编码，神经网络模型的训练就成了NP-hard的难题，难以解决。因此，大部分方法采用忽略二值化约束，先令模型输出连续的编码，再通过离散化方法将连续编码转化为哈希编码的思路。但在离散化的过程中必然会丢失部分图像数据的特征信息，降低了哈希编码的质量。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于局部随机敏感自编码器的哈希图像检索方法，将二值化约束加入到神经网络模型—局部随机敏感自编码器模型中，通过模型直接生成哈希编码，而不是先输出连续编码，再离散化为哈希编码，避免了丢失图像的特征信息，提高哈希编码的质量。并通过交替优化的方法训练模型，解决了将二值化约束加入神经网络模型后难以训练模型的问题。

为实现上述目的，本发明所提供的技术方案为：基于局部随机敏感自编码器的哈希图像检索方法，包括以下步骤：

1)对图像数据库中的图像提取GIST特征，作为局部随机敏感自编码器模型的输入数据；

2)建立局部随机敏感自编码器模型，将图像的GIST特征输入模型进行训练；

3)使用交替优化方法训练局部随机敏感自编码器模型，得到图像的哈希编码；

4)计算图像哈希编码间的汉明距离，根据汉明距离进行升序排序，得到图像数据库中与检索的图像之间汉明距离最小的图像，即为与检索的图像最为相似的图像。

进一步，在步骤1)中，GIST特征提取是将图像划分为小区域块，随后对每个小区域块与不同方向和不同尺度的Gabor滤波器进行滤波，在每个小区域块内取平均值，最后将每个小区域块的平均值级联起来得到GIST特征，GIST特征表示为：

式中，X_n是指图像数据库中第n张图像的GIST特征，局部随机敏感自编码器模型将X_n作为训练样本，x₁,x₂,x₃,…,x_D分别是图像每个小区域块与各个Gabor滤波器进行滤波之后的平均值，共有N张图像。

进一步，所述步骤2)包括以下步骤：