[发明专利]基于多哈希表映射误差最小化的图像检索方法

说明书

技术领域

本发明属于图像检索技术领域，涉及到基于内容的图像检索方法，特别涉及到一种基于多哈希表映射误差最小化的图像检索方法。

背景技术

给定一幅查询图像，图像检索的任务是从图像库中找到与其相似的图像。传统的图像检索方法是将图像表示成高维的欧氏向量，采用线性扫描图像库的方式进行搜索。对于海量图像库而言，所需的特征存储空间非常庞大，对图像库的线性搜索非常耗时。图像哈希法通过将高维欧氏特征编码成简洁的二值哈希码，极大降低了特征的存储空间；同时，采用近似最近邻法搜索相似图像，有效得提高了搜索效率。

目前，哈希方法主要有两大类：基于随机映射的哈希法和简洁编码哈希法。

随机映射哈希法采用服从某种分布的随机向量作为映射基，构造超平面对特征空间进行分割，将分割结果作为哈希值。它的特点是，相似性大的高维向量有较大的概率获得相同的哈希码。但为了达到此效果，此类哈希方法需要较长的哈希码。locality-sensitive hashing(LSH)方法[P.Indyk and R.Motwani.Approximate Nearest Neighbors：Towards Removing the Curse of Dimensionality.In STOC，1998.]，测度学习法[P.Jain，B.Kulis，and K.Grauman.Fast image search for learned metrics.In Proceedings of CVPR，2008]和Kernelized Local-Sensitive Hashing(KLSH)法[Brian Kulis and Trevor Darrell.Learning to Hash with Binary Reconstructive Embeddings.In Neural Information Processing Systems(NIPS)，2009]是随机映射哈希法的代表。

简洁编码哈希法通过在高维数据的主成分方向构造线性或者非线性的哈希函数，根据设定的阈值，可生成非常简洁的哈希码。在检索时，该类方法将返回以查询图像的哈希码为中心，某一距离为半径的汉明球内所有哈希码对应的图像。有较高召回率要求的情况下，只需增大汉明球的半径即可。谱哈希法(Spectral Hashing)[Y.Weiss，A.Torrelba，and R.Fergus.Spectral Hashing.In NIPS，2008]，半监督哈希法(S SH)[J.Wang，S.Kumar，and S.Chang.Semi-supervised hashing for scalable image retrieval.In proceedings of CVPR，2010]和序列映射学习哈希法(SPLH)[J.Wang，S.Kumar，and S.Chang.Sequential Projection Learning for Hashing with Compact Codes.In proceedings of ICML，2010]是简洁编码哈希法的代表。

发明内容

本发明要解决的技术问题是针对海量图像检索时图像特征库存储空间大，检索速度慢的问题，克服已有哈希法在较大召回率时准确率较低的不足，提出一种基于多哈希表映射误差最小化的图像检索方法。

本发明的技术方案是：对于图像库中的图像，采用特征描述符提取特征向量，作为待检索特征，并选取部分检索特征组成训练特征。计算训练特征的主成份方向，将训练特征投影到这些主成份方向上，采用迭代量化法优化得到正交矩阵，利用该正交矩阵对主成份方向进行旋转得到新的主成份方向，将检索特征投影到旋转后的主成份方向上，根据设定的阈值对投影后的检索特征进行量化得到其对应的哈希码。对训练特征进行能量弱化作为新的训练特征，并重复上述过程，得到第二组哈希码，重复该过程，直到得到第Num组哈希码。对于查询图像的Num组哈希码与待检测图像Num组哈希码之间的汉明距离，利用距离大小衡量待检索图像与查询图像之间的相似性，返回相似度高的图像。具体实现步骤包括：

(1)给定包含N幅图像的图像库I＝{I₁，I₂，...，I_N}，包含M(M＜N)幅图像的训练库T＝{T₁，T₂，...，T_M}和查询图像q。