[发明专利]基于点对关系学习和重构的图像特征二值编码表示方法

说明书

本发明公开了基于点对关系学习和重构的图像特征二值编码表示方法，包括：步骤1，将数据转换为字典表示形式，求解约束问题得到表示形式中的系数矩阵；步骤2，对步骤1中获得的系数矩阵构造表示图的权值矩阵，在这个图上通过谱聚类将字典项分割成k个组，从而实现字典分割；步骤3，给定新样本，计算它在所有字典项组上的重构残差，选取最小的重构残差对应的最优字典项组来进行线性表示，从而完成点对关系的学习；步骤4，求解最优模型，学习保持点对关系的最优的二值编码，实现点对关系的重构。

技术领域

本发明属于图像特征编码领域，尤其涉及基于点对关系学习和重构的图像特征二值 编码表示方法。

背景技术

当今时代随着互联网信息时代高速发展，图像数据总量也在高速增加。在图像检索 的应用中，用户给定一个查询图像，需要从大规模数据库中检索出与其相似的图像，并根据相似度排名返回结果。针对这个应用场景，一种最基本的做法是：首先对查询图像 和数据库图像分别提取特征。然后，根据一定的度量方式(例如欧氏距离)计算查询图 像和每个数据库图像之间的距离。最后，根据距离大小对数据库图像进行排序，返回靠 前的数据库图像作为检索结果。此方法在实际应用中，需要选取对图像内容具有较强表 达能力的特征，而这类特征往往是高维的。但使用高维特征会给数据库存储提出很大的 需求，而且高维的实数型特征在距离计算时效率不高，随着数据库量级的增加，普通的 距离计算方式将成为性能瓶颈。因此基于二值编码的图像特征能够很好地解决上述两个 问题，提高大规模图像检索的效率。

在实际应用中，数据往往是无标签的，无监督的二值编码特征表示和学习算法通常 适用于没有语义标签的情况。而在无监督情况下，用传统的基于欧式距离的特征相似度表示方法又过于简单，不能取得令人满意的效果。当数据规模和数据复杂度增加时，如 何学习紧凑且表示能力强的二值编码特征，是针对大规模数据进行检索中一个重要的问 题。

发明内容

发明目的：本发明针对现有无监督算法编码学习过程中，哈希函数和优化目标的损 失函数紧耦合的问题，提出一种松耦合的基于点对关系学习和重构的图像特征二值编码 表示方法，从而提高图像检索的性能和准确率，有效解决基于哈希二值编码的数据下，图像的快速准确检索问题。

通过本发明构建的基于点对关系学习和重构的图像特征二值编码表示方法，旨在利 用机器学习与机器视觉的手段，将传统的图像检索技术中出现的特征维度高、检索效率低等问题，以及针对现有无监督算法编码学习过程中哈希函数和优化目标的损失函数紧耦合的问题，通过基于点对关系学习和重构的图像特征二值编码表示方法来达到提升图像检索性能和准确率的目的。

技术方案：本发明公开了基于点对关系学习和重构的图像特征二值编码表示方法， 提出了一种在图像缺乏标注的情况下有效地对图像进行二值编码的自动化解决方案，具 体包括以下步骤：

步骤1，求解系数矩阵：将数据表示成字典与系数矩阵的线性组合，通过求解对系数矩阵的约束模型从而求得系数矩阵；

步骤2，字典分割：对步骤1中获得的系数矩阵构造表示一个图的权值矩阵，在这个图上通过谱聚类将字典项分割成k₂个组；

步骤3，特征表示：当给定新样本时，计算它在所有字典项组上的重构残差，然后从中选取最小的重构残差对应的最优字典项组来进行线性表示，完成点对关系的学习；

步骤4，点对关系重构：求解最优模型，从而学习到保持点对关系的最优的二值编码，实现点对关系的重构。

步骤1包括：