[发明专利]基于半监督学习和哈希索引的眉毛图像分割方法

权利要求书

1.一种基于半监督学习和哈希索引的眉毛提取方法，其特征在于依次包括以下步骤：

步骤1；接受用户的原始眉毛图像，并将眉毛图像划分成大小相等的小像素块s×s，s 的值可根据速度和精度要求选择s＝2，3，4，...，10；

步骤2；通过计算机从原始眉毛图像中选定眉毛点和非眉毛点，所有的像素块按照所 包含的眉毛点与非眉毛点的多少给予相应的标号：如果眉毛点数大于非眉毛点数则该像素 块的标号为1，反之为0；如果像素块中不包含任何选定的眉毛点和非眉毛点，则该像素 块没有标号；

步骤3；所有的像素块均用向量表示；记所有像素块对应的向量组成的集合为X，其 中有标号的子集为L；通过局部敏感的哈希方法计算像素块之间的相似度，生成相似距离 矩阵W，并归一化该相似距离矩阵为S；

步骤4；在归一化的相似距离矩阵S的基础上，采用基于图的半监督学习技术进行迭 代计算，为没有标号的像素块打上标号；

步骤5；根据迭代的结果，从原始眉毛图像中提取出与原始标号为1的像素块相连通 且迭代结果为眉毛的像素块，完成眉毛的提取工作。

2.根据权利要求1所述的基于半监督学习和哈希索引的眉毛提取方法，其特征在于： 所述步骤3包括：

步骤3.1；令d为像素块的维数，R为分割阈值，欧式距离小于R的像素块将于较大的 概率散列到哈希表中的同一位置，1-δ为希望成功做到距离小于R的像素块散列到哈希表 中的同一位置的概率，w为哈希表的分割尺度；

步骤3.2；按照下面方法估算参数k和l，使哈希表的查询时间最少；

步骤3.2.1；通过计算机，从X中分别任意选出固定数目的向量，组成新的集合X_t和 X_q；

步骤3.2.2；选定k为某固定常数，l为logδ/log(1-p₁^k)的上取整值，其中 p1=∫0w(1/w)(1/π)e-t2/2R2(1-t/R)dt;]]>

步骤3.2.3；通过计算机生成l个k维复合向量c_i＝(c_i1，c_i2，...，c_ik)(1≤i≤l)，其中 c_ij(1≤i≤l，1≤j≤k)为d维向量，且c_ijz(1≤i≤l，1≤j≤k，1≤z≤d)均为取自标准正态分布的 实数；记这l个k维复合向量组成的集合为C；通过计算机生成l个实数b_i(1≤i≤l)， b_i(1≤i≤l)均取自均匀分布U(0，w)；

步骤3.2.4；对X_t中的每一个向量x_t令：

p_ij＝(C_ij·x_t+b_i)/w(1≤i≤l，1≤j≤k)

其中·表示向量的点积；令向量p_i＝(p_i1，p_i2，...，p_ik)(1≤i≤l)，则x_t的l个哈希键值可表示 为

1≤i≤l)

其中表示上取整函数，a_u(1≤u≤k)取自均匀分布U(0，hashsize)，hashsize为哈希表H 的长度，一般取为X_t的向量个数；哈希表H由每个哈希值到对应哈希桶的索引构成，而 每个哈希桶则由X_t中具有相同哈希值的向量构成；

步骤3.2.5；按照x_t的l个哈希键值，依次将x_t装入H中该哈希键值对应的哈希桶中；

步骤3.2.6；对X_q中的每一个向量x_q：执行步骤3.2.4计算x_q的l个哈希键值，并用U_q表示所需要的时间；根据x_q的l个哈希键值，查找哈希表H中对应的哈希桶B_q，用T_q表示 所有B_q的向量个数之和，用V_q表示总的查找时间；令u_q＝U_q/Kl，令v_q＝V_q/l；计算所 有B_q的每个向量和x_q之间的欧氏距离，所花费的时间记为G_q；令g_q＝G_q/T_q；

步骤3.2.7；令u=(Σxq∈XqUq)/n,]]>v=(Σxq∈Xqvq)/n,]]>g=(Σxq∈Xqgq)/n,]]>其中n为集合X_q中的 向量个数；

步骤3.2.8；利用u、v和g的值，估算新的k值，满足条件：

k=arg min1≤k≤100{Σxq∈Xq(u×k×l+v×l+g×collision)}]]>

其中l为logδ/log(1-p₁^k)的上取整值，collison=Σxt∈Xt∫0w(1/w)(1/π)e-x2/2dist2(1-x/dist)dx,]]>

其中dist为x_t与x_q之间的欧氏距离；

步骤3.2.9；根据新的k值，计算新的l为logδ/log(1-p₁^k)的上取整值；

步骤3.3；令X_t为X，执行步骤3.2.3至步骤3.2.5重新生成哈希表H；

步骤3.4；遍历整个哈希表H，对于X中任意两个向量x_i与x_j，若具有相同的哈希键 值，则定义x_i与x_j之间的相似度为：

w_ij＝exp(-||x_i-x_j||²/2σ²)

其中σ为常数，否则定义t_i与t_j之间的相似度为0，由此得到相似距离矩阵W；

步骤3.5；归一化相似距离矩阵W，令

S=D-12WD-12]]>

其中D为斜对角矩阵，且