[发明专利]基于流形学习数据压缩哈希的图像检索方法

权利要求书

1.一种基于流形学习数据压缩哈希的图像检索方法，包括如下步骤：

(1)调用图像数据库中原始图像，对原始图像数据进行特征提取，得到图像特征数据：

(1a)对每一张原始图像3个颜色通道的像素值取均值，得到该原始图像数据的灰度图像；

(1b)利用Gabor滤波器对灰度图像进行4个尺度、8个方向的滤波，得到灰度图像的32个特征图；

(1c)将每个特征图分成大小为4×4的子网格，分别对每个子网格中的所有像素取均值，将该均值排列在一个向量中，得到图像的特征数据；

(2)对图像特征数据做归一化处理，得到归一化数据矩阵；

(3)从归一化数据矩阵中随机选取五分之一的数据矩阵作为图像测试数据矩阵V_T，其余的数据矩阵作为图像训练数据矩阵V_X；

(4)对图像训练数据矩阵V_X进行随机近邻压缩，得到图像训练数据矩阵V_X的综合压缩数据矩阵S：

4a)在图像训练数据矩阵V_X中随机选取400个数据点，作为图像训练数据矩阵初始的综合压缩数据矩阵S'；

4b)通过随机近邻压缩算法不断优化图像训练数据矩阵初始的综合压缩数据矩阵S'，得到优化的综合压缩数据矩阵S；

(5)对综合压缩数据矩阵S进行t分布随机近邻嵌入，得到低维的综合压缩数据矩阵Y；

(6)构造低维的综合压缩数据矩阵Y和图像训练数据矩阵V_X之间的近邻图，得到综合压缩数据矩阵Y和图像训练数据矩阵V_X之间的近邻关系矩阵R_X：

6a)根据低维的综合压缩数据矩阵Y和图像训练数据矩阵V_X，求得这两个矩阵两两数据点之间的相似度，并用这些相似度组合成相似度矩阵Z_X；

6b)对相似度矩阵Z_X进行归一化处理，得到综合压缩数据矩阵和图像训练数据矩阵之间的近邻关系矩阵R_X；

(7)将低维的综合压缩数据矩阵Y和图像训练数据矩阵V_X之间的近邻关系矩阵R_X与低维的综合压缩数据矩阵Y进行相乘，得到图像训练数据流形嵌入矩阵E_X；

(8)构造低维的综合压缩数据矩阵Y和图像测试数据矩阵V_T之间的近邻图，得到综合压缩数据矩阵和图像测试数据矩阵之间的近邻关系矩阵R_T；

(9)将综合压缩数据矩阵Y和图像测试数据矩阵V_T之间的近邻关系矩阵R_T和低维的综合压缩数据矩阵Y进行相乘，得到图像测试数据流形嵌入矩阵E_T；

(10)将图像训练数据流形嵌入矩阵E_X和图像测试数据流形嵌入矩阵E_T进行阈值化，分别得到训练数据矩阵的哈希码B_X和测试数据的哈希码B_T；

(11)从测试数据矩阵的哈希码B_T中取其中的一个测试数据的哈希码，计算该哈希码与训练数据矩阵的哈希码B_X之间的汉明距离，得到汉明距离向量；

(12)将汉明距离向量中的数值按从小到大的顺序排序，输出对应的原始图像，得到检索结果。

2.根据权利要求1所述的基于流形学习数据压缩哈希的图像检索方法，其特征在于，步骤(2)所述的对图像特征数据做归一化处理，按如下步骤进行：

(2a)对图像特征数据取均值，用图像特征数据中的每个图像特征数据分别减去该均值，得到相应的图像特征数据的中心化向量；

(2b)对每个图像特征数据中心化向量的各个分量的平方和开根号得到该向量的模；

(2c)用每个图像特征数据中心化向量除以该向量的模，得到每个图像特征数据的归一化向量。