[发明专利]一种基于最优编码的监督离散哈希的图像检索方法

摘要

本发明公开了一种基于最优编码的监督离散哈希的图像检索方法，该方法首先将所有训练样本和测试样本通过高斯核映射到核空间，求解最优编码；将每个训练样本的哈希码映射到其对应的最优编码，然后求解对应的投影矩阵；求解平移向量；求解针对核化样本的投影矩阵；通过离散循环坐标下降法求解哈希码，反复迭代进行直至算法收敛。本发明提高了在图像检索应用中的精度，使得检索的结果更加精确，更加适应于精准检索，很好地改善了用户体验。本发明更具有通用性，可用于公共安全、信息安全、金融安全的防护和监督。

主权项

1.一种基于最优编码的监督离散哈希的图像检索方法，其特征在于，包括以下步骤：步骤S1，训练样本用表示，其中n和d分别是训练样本的个数和维数，x_i表示第i个训练样本；测试样本用表示，其中m表示测试样本的个数，t_j表示第j个测试样本；将训练样本和测试样本进行归一化，然后通过高斯非线性核映射至核空间得到训练样本和测试样本的核化表达矩阵φ(X)和φ(T)；随机生成针对训练样本的初始哈希码其中l代表哈希码的长度；b_i表示第i个哈希码；训练样本的标号矩阵用表示，c代表类别数，y_i表示第i个标号；如果x_i属于第k类，则y_ik＝1，否则为零，其中y_ik是y_i的第k个元素；最优编码R初始化为标号矩阵Y；初始化哈希码的投影矩阵其中e_n是一个n维列向量，所有元素都等于一，I是n×n单位矩阵，B^T是B的转置，是e_n的转置，λ是一个正则化因子；初始化平移向量初始化核化的训练样本的映射矩阵P＝(φ(X)Tφ(X))‑1φ(X)TB；初始化变量正则化因子λ、v及系数tol，λ＝1,v＝1e‑5,tol＝1e‑5；步骤S2，利用步骤S1中的哈希码的投影矩阵，通过离散循环坐标下降法计算哈希码其中Q＝((R‑e_nt^T)W^T+vF(X))^T，代表矩阵二范数的平方，tr()代表矩阵的迹，即矩阵的对角线所有元素之和，F(X)＝φ(X)P，t^T是t转置；步骤S3，利用平移向量t，哈希码的投影矩阵W及步骤S2得到的哈希码，通过求解方程组求解最优编码R；步骤S4，根据步骤S3得到最优编码R，计算哈希码的投影矩阵步骤S5，根据步骤S3得到最优编码R以及步骤S4计算出的哈希码的投影矩阵，计算平移向量步骤S6，根据步骤S2获得的哈希码，计算核化的训练样本的映射矩阵P＝(φ(X)Tφ(X))‑1φ(X)TB；步骤S2‑S6反复迭代直至最大迭代次数或者离散循环坐标下降法收敛；步骤S7，根据步骤S6得到的映射矩阵输出训练样本的哈希码：B＝sgn(F(X))，其中F(X)＝φ(X)P；根据步骤S6得到的映射矩阵输出测试样本的哈希码：sgn(F(T))＝sgn(φ(T)P)；步骤S8、根据所有训练样本和测试样本的哈希码进行图像检索。