[发明专利]一种基于语义保护的紧凑的哈希码学习方法

摘要

本发明提供一种基于语义保护的紧凑的哈希码学习方法，先对数据集进行划分，得到测试样本集、训练样本集和图像库；然后构建深度哈希网络模型，在一般的卷积神经网络模型的最后一层全连接层添加一层隐含层(哈希层)，该层神经元个数为哈希码的长度，激活函数为tanh函数，并设计约束函数，保护图像的语义相似性，同时保证使得学习到的哈希码均匀分布且量化误差较小；接着通过训练好的模型提取查询图像和数据库图像的哈希码，并计算该图像的哈希码与数据库中所有图像的哈希码间的汉明距离；最后按照距离从小到大的顺序，对数据库中哈希码进行排序，顺序输出哈希码对应的原始图像，得到相似图像检索结果。本发明使得对大规模图像的检索更加准确有效。

主权项

1.一种基于语义保护的紧凑的哈希码学习方法，其特征在于，包括以下步骤：第一步，划分数据集：采集图像并构建图像数据集，图像数据集中的每张图像，作为一个样本均包括对应的类别样本标签；将图像数据集分成两个部分，一部分作为测试样本集，另一部分作为图像数据库，并从所述图像数据库中随机抽取一小部分作为训练样本集，计算训练样本集中两两图像(即图像对)的样本类别标签之间的相似度；第二步，构建深度哈希网络模型：采用卷积神经网络，卷积神经网络由多个卷积层和全连接层组成，每个卷积层和全连接层都由多个神经元组成，前一层的输出作为后一层的输入，并由激活函数得到后一层的输出；在卷积神经网络的最后一层全连接层后添加一层隐含层即哈希层，从而构建深度哈希网络模型；所述哈希层神经元个数为哈希码的长度，激活函数采用双曲正切函数tanh，并设计约束函数，保护图像的语义相似性的同时，保证学习到的实数值接近1或者‑1，从而降低了采用阶跃函数sgn将实数值量化成二进制哈希码时的信息损失，并保证学习到的实数值为1或者‑1的概率相等，使得到的二进制哈希码均匀分布；第三步，将训练样本集中的图像对输入到深度哈希网络模型中，并在深度哈希网络模型中前向传播，计算损失；然后，采用反向传播算法调整深度哈希网络模型的参数，得到预训练好的深度哈希网络模型，并提取图像数据库中所有图像的哈希码；第四步，从测试样本集中选取任意一张图像，通过训练好的深度哈希网络模型提取所选图像的哈希码，然后计算所选图像的哈希码与图像数据库中图像的哈希码间的汉明距离；第五步，根据得到的汉明距离，按照距离从小到大的顺序，对图像数据库中图像哈希码进行排序，顺序输出哈希码对应的原始图像，最终得到图像检索结果。