[发明专利]一种基于集成哈希编码的快速图像检索方法

说明书

技术领域

本发明涉及基于内容的图像检索方法，特别涉及一种基于集成哈希编码的快速图像检索方法，属于数字图像检索技术领域。

背景技术

随着多媒体网络技术的发展，互联网上的图像资源呈爆炸式增长，使得用户很难在浩如烟海的数据中找到真正感兴趣的信息。因此，如何对海量的图像进行快速有效的分析和检索成了一个非常具有挑战性的任务。传统的基于内容的图像检索技术往往都是通过提取图像的底层特征进行穷举比对，但因其比较过程的时间复杂度是线性的，无法在大规模网络图像数据上进行扩展和应用，并且由于图像的底层视觉特征动辄成千上万维，许多图像检索应用还会遇到维数灾难的问题，如何对如此庞大的原始数据进行存储也是一个巨大瓶颈。

过去的十年中，研究者们对图像的快速检索技术进行了详细研究。其中，基于哈希编码的图像搜索方法取得了巨大成功。该类算法通过将图像表示成低维的二进制编码向量来完成近似近邻搜索。利用二进制编码进行图像的近似近邻搜索是极其快速的，其原因在于：(1)图像的编码向量是高度压缩的，可以将其全部载入内存之中；(2)编码之间的汉明(Hamming)距离通过按位的异或操作便可得到，因此该计算过程是非常高效的(如今，一台普通的台式机在几毫秒之内就可以完成数百万汉明距离的计算)。

目前，传统的图像哈希编码算法主要分为非数据依赖和数据依赖两种方案。其中一种非常著名的非数据依赖哈希算法便是局部敏感哈希(Locality Sensitive Hashing,LSH)，但是其投影向量的随机性导致其编码效率并不高，它往往需要构建具有很长编码长度的多个哈希表才能获得较为理想的效果。近年来，研究者们将研究重点转移到数据依赖的哈希算法上来，试图通过机器学习的方法代替随机投影来寻找更好的数据依赖哈希函数，如基于深度学习网络的限制玻尔兹曼机(Restricted Boltzmann Machines,RBMs)和基于谱图分割的谱哈希(Spectral Hashing,SH)算法等。RBMs算法通过神经网络模型逐层对图像的原始特征进行降维和学习，并最终得到一个紧致的二进制编码。SH算法则通过构建拉普拉斯特征图并利用主成分分析(PCA)方法提取其特征向量对原始图像进行哈希编码。但是上述方法都是基于单一的图像底层视觉特征信息进行哈希编码，无法全面地表达图像丰富的内容信息。后续的研究，如多特征哈希算法(Multiple Feature Hashing,MFH)和多源信息合成哈希算法(Composite Hashing with Multiple Information Sources,CHMIS)等，又在多种特征信息的融合等方面对数据依赖哈希算法进行了相关的拓展。虽然上述哈希算法是针对问题的不同角度提出，都具有各自的一些特点和优越性，但它们往往只在某些特定的设置条件或者数据库上有效，范围扩展性较差。此外，鉴于网络图像数据特征的多样性和结构的复杂性，目前传统的基于单一哈希编码的图像检索方法已无法满足实际应用中对于快速图像检索的准确率的需求。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于集成哈希编码的快速图像检索方法。本发明的特点在于能够充分利用不同哈希算法的特点，融合不同哈希算法的编码优势，通过一致性约束准则更有效地进行集成哈希编码的学习，从而提高快速图像检索方法的准确率和普适性。

本发明的技术方案是：一种基于集成哈希编码的快速图像检索方法，对数据库中的训练图像和查询图像分别提取其SIFT特征并利用K-均值聚类将其量化表示成特征向量的形式，利用不同的图像哈希编码算法对训练图像的特征向量进行初始哈希编码，然后在不同算法得到的初始哈希编码基础上分别计算训练图像之间的相似度矩阵，并通过集成学习算法的一致性约束准则学习得到新的集成哈希映射矩阵，最后利用集成哈希映射矩阵对所有训练图像和查询图像的特征向量重新进行集成哈希编码，并在集成哈希编码的基础上通过计算查询图像与训练图像之间的汉明距离来进行快速检索。其具体步骤如下：