[发明专利]基于深度学习和哈希的图像检索方法

摘要

本发明涉及一种基于深度学习和哈希的图像检索方法，利用深度卷积神经网络强大的学习能力，提取图像深层特征，克服现有技术中利用图像底层特征而导致特征表达能力不强、检索精度低的问题；并引入哈希层构造哈希函数，将图像深度特征的学习和哈希函数的构造在同一过程中完成，挖掘图像特征与哈希函数内在关系，大大提高图像检索准确率；将量化误差的损失加入到深度卷积神经网络的损失层，增强了哈希码的表达能力，通过Softmax分类器损失模块和量化误差损失模块，有效降低哈希函数中的二值化造成的量化误差，进一步提高图像检索的准确率。

主权项

1.一种基于深度学习和哈希的图像检索方法，具体包含如下步骤：步骤1.将图像数据集及其对应的类别标签信息分别对应分成两部分，一部分作为训练样本集，另一部分作为测试样本集，其中，训练样本集和测试样本集中每个样本均包括一张图像及对应的类别标签；步骤2.构建深度卷积神经网络架构，深度卷积神经网络架构包含卷积子网络、哈希层、损失层，卷积子网络用于学习图像特征，哈希层包括全连接层、激活层和阈值化层，用于学习哈希函数的构建并得到输入图像的哈希码，损失层包括Softmax分类器损失模块和量化误差损失模块；输入图像通过卷积子网络得到图像特征x⁽ⁱ⁾，进入哈希层，假设需要生成哈希码的长度为q，全连接层将图像特征x⁽ⁱ⁾映射为q维向量，即f(x⁽ⁱ⁾)＝Wx⁽ⁱ⁾，其中，W表示全连接层的参数矩阵；激活层使用双正切激活函数将q维向量映射为值域在[‑1,1]之间的q维向量，即其中，v＝f(x⁽ⁱ⁾)，参数β用于控制平滑度；阈值化层将激活层的值进行量化，其中，s＝tanh(f(x⁽ⁱ⁾))，阈值化层的输出为二进制哈希码；步骤3.利用训练样本集，依据深度卷积神经网络架构，得到深度卷积神经网络模型；步骤4.根据深度卷积神经网络模型，将训练样本集和测试样本集中的每张图像作为输入，得到训练样本集的哈希码Htrain和测试样本集的哈希码Htest；步骤5.从Htest取一个测试图像的哈希码Ht，计算该哈希码Ht与训练样本集哈希码Htrain之间的汉明距离，得到汉明距离向量；步骤6.汉明距离向量中的数值按从小到大的顺序进行排序，按顺序输出对应的原始图像，得到图像检索结果。