[发明专利]基于结构最优子空间学习的图像特征二值编码表示方法

权利要求书

1.基于结构最优子空间学习的图像特征二值编码表示方法，其特征在于，包括以下步骤：

步骤1，数据预处理：将原始数据进行数据预处理；

步骤2，哈希函数投影参数学习：用于计算图像特征二值编码而定义的哈希函数形式有两个参数，投影参数w和偏移参数t，采用松弛策略，学习投影参数w；

步骤3，哈希函数偏移参数学习：学习偏移参数t，根据学习得到哈希函数的投影参数和偏移参数，得到哈希函数的完整表达形式，计算得到原始数据经过哈希函数索引后的二值编码。

2.如权利要求1所述的方法，其特征在于，步骤1包括如下步骤：

步骤1-1，给定为N个d维原始数据的集合，其中R^d表示集合X中的每一个元素维度都为d且值属于实数集R，x_i表示第i个d维原始数据，对所有原始数据进行零均值预处理，Y＝{y₁,y₂,...,y_N}为各原始数据对应的语义标签集合，y_N表示第N个d维原始数据x_N对应的语义标签，H＝{h₁,h₂,...,h_K}为一组共K个哈希函数集合，h_K表示第K个哈希函数，则对于第i个d维原始数据x_i，经过第k个哈希函数进行计算后，k取值为1～K，得到一位二进制编码h_k(x_i)：

其中，w_k是第k个投影参数，t_k是第k个偏移参数，第i个d维原始数据x_i经过一个哈希函数索引后，其二值编码其中w是投影参数，t是偏移参数；

步骤1-2，在原始数据的集合X上，由于给定了语义标签集合，能够获得两个集合M和C，其中集合M是原始数据的集合X中一类原始数据的集合，集合C是集合M对于原始数据的集合X的补集，表示剩下所有类原始数据的集合，即M∪C＝X且y_i＝y_j，j取值为1～N；

步骤1-3，对于集合M，定义近邻之间的距离的衡量类内聚合度L_M，即最小化编码空间中近邻之间的平均距离；

对于集合C，定义数据与数据中心的距离的衡量类内聚合度L_C，即最小化编码空间中数据与类中心之间的平均距离；

对于集合M和C，定义M和C数据中心的距离的衡量类间离散度L_B，即最大化编码空间中类中心与类中心之间的距离。

3.如权利要求2所述的方法，其特征在于，步骤1-3中，所述L_M、L_C、L_B的计算表达公式分别如下：

L_B＝Φ(h,μ_C,μ_M)，

其中，NN(x_i)表示第i个d维原始数据x_i的近邻集合，Φ(h,x_i,x_j)表示第i个d维原始数据x_i和第j个d维原始数据x_j经过哈希函数编码后的差异，μ_C和μ_M分别是集合M的数据中心和集合C的数据中心。

4.如权利要求3所述的方法，其特征在于，Φ(h,x_i,x_j)能够表示为：

即第i个d维原始数据x_i经过编码后得到的哈希值和第j个d维原始数据x_j经过编码后得到的哈希值若则Φ(h,x_i,x_j)的值为零，若则Φ(h,x_i,x_j)值为一个正数，且之间相差越多，Φ(h,x_i,x_j)越大。