基于半監(jiān)督哈希的圖像檢索方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于半監(jiān)督哈希的圖像檢索方法，主要解決現(xiàn)有技術(shù)檢索速度慢、占用內(nèi)存空間大、檢索結(jié)果不精確的問題。其實現(xiàn)步驟為：(1)提取原始圖像的底層特征，并對其作歸一化處理；(3)將歸一化數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；(4)使用類標傳遞方法求訓(xùn)練數(shù)據(jù)的類標，根據(jù)類標產(chǎn)生編碼；(5)使用訓(xùn)練數(shù)據(jù)及其編碼訓(xùn)練支持向量機分類器；(6)使用支持向量機分類器對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)分類，根據(jù)分類結(jié)果產(chǎn)生訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的編碼；(7)根據(jù)訓(xùn)練數(shù)據(jù)編碼和測試數(shù)據(jù)編碼之間的漢明距離得到檢索結(jié)果。本發(fā)明專利技術(shù)降低了內(nèi)存消耗，節(jié)省了檢索時間，提高了圖像檢索的準確性，可用于電子商務(wù)和移動終端設(shè)備的圖片搜索服務(wù)。

【技術(shù)實現(xiàn)步驟摘要】
基于半監(jiān)督哈希的圖像檢索方法
本專利技術(shù)屬于圖像處理領(lǐng)域，更進一步涉及圖像的檢索方法，可有效的對圖像進行編碼，提高圖像的檢索精度。
技術(shù)介紹
隨著計算機技術(shù)、數(shù)字多媒體技術(shù)及互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，人們對信息檢索的需求也日益擴大。圖像作為信息的載體，含有豐富的內(nèi)容，給人們的生產(chǎn)和生活帶來了極大的便利。如何迅速有效的搜索到所需要的圖像，成為當(dāng)前的研究熱點之一。為了在大數(shù)據(jù)中快速有效地檢索到用戶所需要的圖像，人們對原始圖像進行編碼，用一定長度的哈希碼來表示圖像。由于計算機中數(shù)據(jù)的存儲及處理均是哈希碼，因此使用哈希碼能夠大大加快信息檢索速度。天格科技(杭州)有限公司提出的專利申請“一種基于局部敏感哈希的相似人臉快速檢索方法”(申請?zhí)枺?01310087561.5，公開號：CN103207898A)公開了一種基于局部敏感哈希的人臉圖像檢索方法。該方法通過人臉區(qū)域檢測、眼睛和嘴巴特征檢測和特征提取、膚色檢測、人臉膚色分布特征提取等步驟將圖像表示為人臉特征向量，然后利用局部敏感哈希方法對人臉特征向量構(gòu)建索引，從而提高查詢時的速度。該方法存在的不足是：局部敏感哈希方法是一種數(shù)據(jù)無關(guān)的哈希方法，隨機性很強，并且為了保證較好的檢索精度，需要的編碼位數(shù)很長，因此在實際應(yīng)用中有很大的限制。浙江大學(xué)提出的專利申請“基于稀疏降維的譜哈希索引方法”(申請?zhí)枺?01010196539.0，公開號：CN101894130A)公開了一種基于稀疏表達和拉普拉斯圖的哈希索引方法。該方法首先提取圖像底層特征，進一步通過聚類得到視覺單詞，然后利用有權(quán)重的拉普拉斯-貝爾特拉米算子的特征方程和特征根，求得歐式空間到漢明空間的映射函數(shù)，得到低維空間漢明向量。該方法用稀疏降維方式代替譜哈希的主成分分析降維方式，增加了結(jié)果的可解釋性。但是，該專利申請?zhí)岢龅姆椒ù嬖诘牟蛔阒幨牵涸摲椒ㄈ詻]有避免譜哈希模型中強制訓(xùn)練數(shù)據(jù)服從均勻分布的前提假設(shè)，使其應(yīng)用價值受到限制。YunchaoGong和SvetlanaLazebnik在文章“IterativeQuantization:AProcrusteanApproachtoLearningBinaryCodes”(IEEEConferenceonComputerVisionandPatternRecognition,2011,pp.817-824)中提出一種迭代量化方法，該方法首先對圖像提取底層特征，然后使用主成分分析方法對底層特征降維，得到低維特征，然后對低維特征旋轉(zhuǎn)并量化得到圖像的編碼。該方法存在的不足是：該方法的前提假設(shè)是底層特征服從高斯分布，但實際數(shù)據(jù)可能并不服從高斯分布，并且該方法沒有使用數(shù)據(jù)的類標，從而使得檢索精度降低。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于針對上述已有技術(shù)的不足，提出一種基于半監(jiān)督哈希的圖像檢索方法，以節(jié)省哈希編碼的存儲空間，降低檢索的時間復(fù)雜度，有效提高圖像檢索的查準率與查全率。實現(xiàn)本專利技術(shù)的技術(shù)方案是：對原始圖像提取底層特征，通過類標傳遞對底層特征標記，使用支持向量機對標記后的底層特征分類，根據(jù)分類結(jié)果對圖像編碼，達到充分利用少量類標數(shù)據(jù)，得到更為緊湊的哈希碼。其實現(xiàn)步驟包括如下：(1)從圖像數(shù)據(jù)庫中提取10000張原始圖像，對每一張原始圖像提取局部空間約束的全局頻率特征，得到每一張圖像的特征數(shù)據(jù)；(2)對每一張圖像的特征數(shù)據(jù)做歸一化處理，得到歸一化數(shù)據(jù)；(3)將所有圖像的歸一化數(shù)據(jù)隨機分成三部分：已標記的訓(xùn)練數(shù)據(jù)L、未標記的訓(xùn)練數(shù)據(jù)U、測試數(shù)據(jù)T，并對已標記的訓(xùn)練數(shù)據(jù)L標記類標HL，將已標記的訓(xùn)練數(shù)據(jù)L和未標記的訓(xùn)練數(shù)據(jù)U組合得到訓(xùn)練數(shù)據(jù)矩陣X；(4)根據(jù)訓(xùn)練數(shù)據(jù)矩陣X和已標記的訓(xùn)練數(shù)據(jù)的類標HL，使用類標傳遞方法求得未標記訓(xùn)練數(shù)據(jù)U的類標HU，將已標記的訓(xùn)練數(shù)據(jù)的類標HL和未標記訓(xùn)練數(shù)據(jù)的類標HU組合得到訓(xùn)練數(shù)據(jù)矩陣的類標H；(5)根據(jù)訓(xùn)練數(shù)據(jù)矩陣X及訓(xùn)練數(shù)據(jù)矩陣的類標H產(chǎn)生更新的訓(xùn)練數(shù)據(jù)的編碼B′；(6)使用訓(xùn)練數(shù)據(jù)矩陣X和更新的訓(xùn)練數(shù)據(jù)的編碼B′對K個支持向量機分類器進行訓(xùn)練，其中K表示編碼位數(shù)；(7)使用訓(xùn)練得到的K個支持向量機分類器對訓(xùn)練數(shù)據(jù)X和測試數(shù)據(jù)T進行分類，根據(jù)分類結(jié)果得到訓(xùn)練數(shù)據(jù)X的哈希碼CX和測試數(shù)據(jù)T的哈希碼CT；(8)從測試數(shù)據(jù)的哈希碼CT中取一個測試數(shù)據(jù)的哈希碼t，計算該哈希碼t與訓(xùn)練數(shù)據(jù)的哈希碼CT之間的漢明距離，得到漢明距離向量；(9)對漢明距離向量中的數(shù)值按從小到大的順序進行排序，按順序輸出對應(yīng)的原始圖像，得到檢索結(jié)果。本專利技術(shù)與現(xiàn)有技術(shù)相比具有以下優(yōu)點：第一，本專利技術(shù)由于引入了基于類標傳遞的半監(jiān)督方法，克服了現(xiàn)有技術(shù)中對于類標數(shù)量不足而引起的精度下降的缺點，使得檢索精度更高。第二，本專利技術(shù)由于使用支持向量機分類器產(chǎn)生哈希碼，得到了更為緊湊的哈希碼，因此可以減少內(nèi)存空間的占用。第三，本專利技術(shù)由于使用漢明距離度量圖像間的相似度，可通過計算機很快的計算出漢明距離，因此加快了檢索速度。附圖說明圖1為本專利技術(shù)的實現(xiàn)流程圖；圖2為本專利技術(shù)與現(xiàn)有哈希方法在手寫數(shù)字數(shù)據(jù)庫下的仿真實驗結(jié)果圖；圖3為本專利技術(shù)與現(xiàn)有哈希方法在PIE人臉數(shù)據(jù)庫下的仿真實驗結(jié)果圖。具體實施方案下面結(jié)合附圖，對本專利技術(shù)實現(xiàn)的步驟和效果作進一步的詳細描述。參照圖1，本專利技術(shù)的實現(xiàn)步驟如下：步驟1，獲取原始圖像。從給定的圖像數(shù)據(jù)庫中提取10000張原始圖像，如果圖像數(shù)據(jù)庫中的圖像不足10000張，則取圖像數(shù)據(jù)庫中的所有圖像。步驟2，對每一張原始圖像提取局部空間約束的全局頻率特征，得到每一張圖像的特征數(shù)據(jù)。(2a)對每一張原始圖像3個顏色通道的像素值取均值，得到該原始圖像數(shù)據(jù)的灰度圖像；(2b)利用Gabor濾波器對灰度圖像進行4個尺度、8個方向的濾波，得到灰度圖像的32個特征圖；(2c)將每個特征圖分成大小為4×4的子網(wǎng)格，分別對每個子網(wǎng)格中的所有像素取均值，將該均值排列在一個向量中，得到這張圖像的特征數(shù)據(jù)。步驟3，對每一張圖像的特征數(shù)據(jù)做歸一化處理，得到歸一化數(shù)據(jù)。(3a)對所有圖像的特征數(shù)據(jù)求均值，用每一張圖像特征數(shù)據(jù)減去該均值，得到特征數(shù)據(jù)的中心化數(shù)據(jù)；(3b)對中心化數(shù)據(jù)中的每一個向量除以該向量的模，得到特征數(shù)據(jù)的歸一化數(shù)據(jù)。步驟4，對所有圖像的歸一化數(shù)據(jù)隨機劃分。(4a)將所有圖像的歸一化數(shù)據(jù)隨機分成三部分：第一部分是已標記的訓(xùn)練數(shù)據(jù)L，第二部分是未標記的訓(xùn)練數(shù)據(jù)U，第三部分是測試數(shù)據(jù)T；(4b)將已標記的訓(xùn)練數(shù)據(jù)L的類標標記為HL；(4c)將已標記的訓(xùn)練數(shù)據(jù)L和未標記的訓(xùn)練數(shù)據(jù)U進行組合，得到訓(xùn)練數(shù)據(jù)矩陣X。步驟5，根據(jù)訓(xùn)練數(shù)據(jù)矩陣X和已標記的訓(xùn)練數(shù)據(jù)的類標HL，使用類標傳遞方法求得所有訓(xùn)練數(shù)據(jù)的類標H。(5a)建立初始標記矩陣Y，Y的行數(shù)與訓(xùn)練數(shù)據(jù)矩陣X的行數(shù)相同，Y的列數(shù)與已標記的訓(xùn)練數(shù)據(jù)的類標HL中的最大值相同，Y中的每一個元素均初始化為零；(5b)對于訓(xùn)練數(shù)據(jù)矩陣X的第i行為已標記、且其類標為c的訓(xùn)練數(shù)據(jù)，將初始標記矩陣Y的第i行第c列的數(shù)賦值為1，從而得到更新的初始標記矩陣Y；(5c)求訓(xùn)練數(shù)據(jù)矩陣X的每兩行之間的歐氏距離d，根據(jù)相似度公式求得這兩行之間的相似度w，其中σ＝0.9，將訓(xùn)練數(shù)據(jù)矩陣X中的每兩行之間的相似度組合成相似度矩陣W；(5d)對相似度矩陣W的每一行求和，將求和結(jié)果作為矩陣本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種基于半監(jiān)督哈希的圖像檢索方法，包括如下步驟：(1)從圖像數(shù)據(jù)庫中提取10000張原始圖像，對每一張原始圖像提取局部空間約束的全局頻率特征，得到每一張圖像的特征數(shù)據(jù)；(2)對每一張圖像的特征數(shù)據(jù)做歸一化處理，得到歸一化數(shù)據(jù)；(3)將所有圖像的歸一化數(shù)據(jù)隨機分成三部分：已標記的訓(xùn)練數(shù)據(jù)L、未標記的訓(xùn)練數(shù)據(jù)U、測試數(shù)據(jù)T，并對已標記的訓(xùn)練數(shù)據(jù)L標記類標HL，將已標記的訓(xùn)練數(shù)據(jù)L和未標記的訓(xùn)練數(shù)據(jù)U組合得到訓(xùn)練數(shù)據(jù)矩陣X；(4)根據(jù)訓(xùn)練數(shù)據(jù)矩陣X和已標記的訓(xùn)練數(shù)據(jù)的類標HL，使用類標傳遞方法求得未標記訓(xùn)練數(shù)據(jù)U的類標HU，將已標記的訓(xùn)練數(shù)據(jù)的類標HL和未標記訓(xùn)練數(shù)據(jù)的類標HU組合得到訓(xùn)練數(shù)據(jù)矩陣的類標H；(5)根據(jù)訓(xùn)練數(shù)據(jù)矩陣X及訓(xùn)練數(shù)據(jù)矩陣的類標H產(chǎn)生更新的訓(xùn)練數(shù)據(jù)的編碼B′；(6)使用訓(xùn)練數(shù)據(jù)矩陣X和更新的訓(xùn)練數(shù)據(jù)的編碼B′對K個支持向量機分類器進行訓(xùn)練，其中K表示編碼位數(shù)；(7)使用訓(xùn)練得到的K個支持向量機分類器對訓(xùn)練數(shù)據(jù)X和測試數(shù)據(jù)T進行分類，根據(jù)分類結(jié)果得到訓(xùn)練數(shù)據(jù)X的哈希碼CX和測試數(shù)據(jù)T的哈希碼CT；(8)從測試數(shù)據(jù)的哈希碼CT中取一個測試數(shù)據(jù)的哈希碼t，計算該哈希碼t與訓(xùn)練數(shù)據(jù)的哈希碼CT之間的漢明距離，得到漢明距離向量；(9)對漢明距離向量中的數(shù)值按從小到大的順序進行排序，按順序輸出對應(yīng)的原始圖像，得到檢索結(jié)果。...

【技術(shù)特征摘要】
1.一種基于半監(jiān)督哈希的圖像檢索方法，包括如下步驟：(1)從圖像數(shù)據(jù)庫中提取10000張原始圖像，對每一張原始圖像提取局部空間約束的全局頻率特征，得到每一張圖像的特征數(shù)據(jù)；(2)對每一張圖像的特征數(shù)據(jù)做歸一化處理，得到歸一化數(shù)據(jù)；(3)將所有圖像的歸一化數(shù)據(jù)隨機分成三部分：已標記的訓(xùn)練數(shù)據(jù)L、未標記的訓(xùn)練數(shù)據(jù)U、測試數(shù)據(jù)T，并對已標記的訓(xùn)練數(shù)據(jù)L標記類標HL，將已標記的訓(xùn)練數(shù)據(jù)L和未標記的訓(xùn)練數(shù)據(jù)U組合得到訓(xùn)練數(shù)據(jù)矩陣X；(4)根據(jù)訓(xùn)練數(shù)據(jù)矩陣X和已標記的訓(xùn)練數(shù)據(jù)的類標HL，使用類標傳遞方法求得未標記訓(xùn)練數(shù)據(jù)U的類標HU，將已標記的訓(xùn)練數(shù)據(jù)的類標HL和未標記訓(xùn)練數(shù)據(jù)的類標HU組合得到訓(xùn)練數(shù)據(jù)矩陣的類標H；所述的使用類標傳遞方法求得未標記訓(xùn)練數(shù)據(jù)U的類標HU，按如下步驟進行：(4a)根據(jù)訓(xùn)練數(shù)據(jù)矩陣X建立初始化類標矩陣Y，初始化類標矩陣Y的每一行表示訓(xùn)練數(shù)據(jù)矩陣X的對應(yīng)行的類標:(4a1)初始化一個全零矩陣Y，Y的行數(shù)與訓(xùn)練數(shù)據(jù)矩陣X的行數(shù)相同，Y的列數(shù)與已標記的訓(xùn)練數(shù)據(jù)的類標HL中的最大值相同；(4a2)對于訓(xùn)練數(shù)據(jù)矩陣X的第i行為已標記、且其類標為c的訓(xùn)練數(shù)據(jù)，將初始化類標矩陣Y的第i行第c列的數(shù)賦值為1；(4b)求訓(xùn)練數(shù)據(jù)矩陣X的每兩行之間的歐氏距離d，根據(jù)相似度公式求得這兩行之間的相似度w，其中σ＝0.9，將訓(xùn)練數(shù)據(jù)矩陣X中的每兩行之間的相似度組合成相似度矩陣W；(4c)對相似度矩陣W的每一行求和，將求和結(jié)果作為矩陣的對角值，得到相似度矩陣的度矩陣D；(4d)根據(jù)相似度矩陣W和度矩陣D得到歸一化的相似度矩陣S：S＝D-1/2WD-1/2(4e)根據(jù)相似度矩陣S和初始化類標矩陣Y得到類標矩陣F：F＝(I-αS)-1Y其中I是單位矩陣，α是調(diào)節(jié)參數(shù)，取值為0.9；(4f)求類標矩陣F的每一行的最大值所在位置，將最大值所在位置作為這一行所對應(yīng)的數(shù)據(jù)的類標，從而得到所有訓(xùn)練數(shù)據(jù)的類標，將其中的未標記訓(xùn)練數(shù)據(jù)對應(yīng)的類標取出，組成未標記訓(xùn)練數(shù)據(jù)的類標HU；(5)根據(jù)訓(xùn)練數(shù)據(jù)矩陣X及訓(xùn)練數(shù)據(jù)矩陣的類標H產(chǎn)生更新的訓(xùn)練數(shù)據(jù)的編碼B′；(6)使用訓(xùn)練數(shù)據(jù)矩陣X和更新的訓(xùn)練數(shù)據(jù)的編碼B′對K個支持向量機分類器進行訓(xùn)練，其中K表示編碼位數(shù)；(7)使用訓(xùn)練得到的K個支持向量機分類器對訓(xùn)練數(shù)據(jù)X和測試數(shù)據(jù)T進行分類，根據(jù)分類結(jié)果得到訓(xùn)練數(shù)據(jù)X的哈希碼CX和測試數(shù)據(jù)T的哈希碼CT；(8)從測試數(shù)據(jù)的哈希碼...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李潔，高憲軍，王秀美，劉衛(wèi)芳，鄧成，王穎，寒冰，王斌，路文，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：陜西;61