[发明专利]一种双重补偿的多表哈希图像检索方法

权利要求书

1.一种双重补偿的多表哈希图像检索方法，其特征在于，包括以下步骤：

1)图像特征提取和类别信息处理；

2)哈希表训练，具体如下：

获取m个哈希表，其中m是哈希表的数量，定义S矩阵，大小为n’×n’，n’为有标签图像的数量，初始化为：S_ij＝1时说明图像对(x_i,x_j)具有相同标签，S_ij＝-1时说明图像对(x_i,x_j)不具有相同标签；定义F为单个哈希表中哈希函数的数量，包括内外两重循环：

2.1)在这一部分说明外层循环的机制：对于当前的第t个哈希表,t＝1，…m，具体如下：

2.1.1)如果t＝1，则直接进入内层循环，否则计算第t-1个哈希表的错误并更新S矩阵，错误指的是：对于有标签的图像，具有相同标签的两个图像汉明距离大于δ，或者不同标签的两个图像汉明距离小于δ，其中δ是一个汉明距离的阈值，S矩阵的更新方法如下：

S^t+1＝S^t+c×ΔS^t

式中，S^t指的是第t个哈希表训练时使用的权重矩阵，并初始化S¹＝S，c是一个参数，影响S的变化速度，ΔS^t指的是权重调整的矩阵，定义如下：

式中，d_H(x_i,x_j)指的是图像(x_i,x_j)的汉明距离，使用第t-1个哈希表计算；

2.1.2)进入第t层内层循环，计算第t个哈希表；

2.1.3)如果t＝m，说明m个大小为F的哈希表训练完成，终止；否则t＝t+1，调至步骤2.1.1)；

2.2)第t层内层循环中，第k个哈希函数，k＝1,…,F，首先初始化X_tr＝X,具体如下：

2.2.1)计算M矩阵，

式中，λ是一个参数，用于防止过拟合；S^t,k指的是当前哈希函数使用的S矩阵，且S^t,1＝S^t；

2.2.2)对M矩阵进行特征分解，提取出特征值最大的特征向量w_t,k，合成第t个表第k个哈希函数：

2.2.3)去除X_tr数据中的冗余：

2.2.4)在S^t,k的基础上更新S^t,k+1：S^t,k+1＝S^t,k+ΔS^t,k，

式中，A＝(αk-D_k)/2k,B＝(βk-D_k)/2k,α和β是两个参数，分别是控制相似和不相似的阈值；

2.2.5)如果k＝F的话当前内层循环结束，否则的话k＝k+1,调至步骤2.2.1)；

在步骤3)中，使用哈希函数将图像的特征矩阵X映射至汉明空间，获得m个大小为F×n的二进制矩阵H，其类别权重计算方法如下：

计算m个类别权重矩阵V，其中V矩阵大小为n_c×F，n_c是数据集标签种类的数量，V_t对应于第t个哈希表的类别权重矩阵，t＝1,2,…,m，其中第C个类别包括伪标签的第k个哈希函数的权重，对应于V_t矩阵的元素V_C,i，k＝1,2,…,F：

V_C,i＝max(c_-,c₊)/(c_-+c₊)

式中，c_-和c₊分别是第t个哈希表第k个哈希函数将类别C包括伪标签的图像映射至0和1的数量；

3)根据哈希表将图像特征映射至汉明空间与类别权重计算；

4)根据查询，计算汉明距离，返回查询结果；

5)再排序操作。