[发明专利]一种基于相似性哈希的图像暗数据价值评估方法

说明书

本发明公开了一种基于相似性哈希的图像暗数据价值评估方法，包括以下步骤：获取暗数据集，并将该暗数据集输入训练好的DSTH模型中，以得到该暗数据集中每幅图像的哈希码，根据得到的暗数据集中每幅图像的哈希码构建哈希图谱，该哈希图谱中的节点就是图像的哈希码，节点之间的连接边是构建的邻接矩阵中的元素，获取得到的哈希图谱中每个节点的重要性分数，按照从大到小的顺序对得到的所有节点的重要性分数进行排序，将排序结果中前k位的重要性分数所对应的图像输出给用户。本发明针对企业对拥有的大规模图像暗数据占据着巨大的存储空间且缺乏管理和利用的问题，通过“点亮”其中价值被忽略的图像暗数据，提升其存储性价比。

技术领域

本发明属于计算机图像挖掘技术领域，更具体地，涉及一种基于相似性哈希的图像暗数据价值评估方法。

背景技术

随着云计算和互联网的快速发展，数据的指数级增长已给存储系统与数据中心带来了巨大开销。然而，暗数据作为一种无标签无关联的数据资源，一直占据着大量的存储空间，却难以在当下发挥其自身的价值。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于相似性哈希的图像暗数据价值评估方法和系统，其目的在于，针对企业对拥有的大规模图像暗数据占据着巨大的存储空间且缺乏管理和利用的问题，通过“点亮”其中价值被忽略的图像暗数据，提升其存储性价比。

为实现上述目的，按照本发明的一个方面，提供了一种基于相似性哈希的图像暗数据价值评估方法，包括以下步骤：

(1)获取暗数据集，并将该暗数据集输入训练好的DSTH模型中，以得到该暗数据集中每幅图像的哈希码；

(2)根据步骤(1)得到的暗数据集中每幅图像的哈希码构建哈希图谱，该哈希图谱中的节点就是图像的哈希码，节点之间的连接边是构建的邻接矩阵中的元素。

(3)获取步骤(2)得到的哈希图谱中每个节点的重要性分数；

(4)按照从大到小的顺序对步骤(3)得到的所有节点的重要性分数进行排序，将排序结果中前k位的重要性分数所对应的图像输出给用户，其中k为自然数。

按照本发明的另一方面，提供了一种基于相似性哈希的图像暗数据价值评估方法，包括以下步骤：

(1)获取暗数据集，并将该暗数据集输入训练好的DSTH模型中，以得到该暗数据集中每幅图像的哈希码；

(2)根据步骤(1)得到的暗数据集中每幅图像的哈希码构建哈希图谱，该哈希图谱中的节点就是图像的哈希码，节点之间的连接边是构建的邻接矩阵中的元素。

(3)获取步骤(2)得到的哈希图谱中每个节点的重要性分数；

(4)从用户接收代表待挖掘任务T的查询元组q，该查询元组中包括多个待查询图像及其对应的权重；

(5)根据查询元组q获取该查询元组的价值评分S(q)和重要程度T(q)，并将该价值评分S(q)和重要程度T(q)返回给用户。

优选地，步骤(1)中的DSTH模型是通过以下步骤训练得来的：

(1-1)获取ImageNet数据集，使用该ImageNet数据集上训练的GoogLeNet作为网络模型对该ImageNet数据集进行特征提取；

(1-2)使用聚类算法并利用步骤(1-1)中提取到的特征构造图，利用拉普拉斯特征映射算法对构造的图进行降维处理；

(1-3)对步骤(1-2)降维处理后的结果进行二值化处理，以得到ImaggNet数据集的全部哈希标签；

(1-4)将ImageNet数据集输入卷积神经网络模型中进行迭代训练，以得到训练好的DSTH模型。