[发明专利]基于线性鉴别分析深度哈希算法的图像检索方法及系统

权利要求书

1.一种基于线性鉴别分析哈希算法的图像检索方法，其特征在于，所述基于线性鉴别分析哈希算法的图像检索方法包括：

步骤一，通过CNN提取特征数据获得原始图像特征，所述特征数据为X＝[x₁,x₂,...x_n]，x_i∈R^m，n是数据点的总数；

步骤二，构造基于线性判别分析的目标函数，通过所述目标函数，将获得的训练图像特征映射到哈希码；

步骤三，将目标函数最小化，将CNN提取出来的原始图像特征通过多层感知器进行分块编码映射到哈希标签，将简单的深度学习网络训练成深度哈希网络；

步骤四，利用CNN提取检索图像的图像特征，然后使用深度哈希模型得到检索图像对应的哈希码；

步骤五，将检索图像的哈希码和哈希标签进行异或运算，位异或运算和计算非零位的个数，计算出两个二值哈希码之间的海明距离，进行图像检索；

所述步骤二构造基于线性判别分析的目标函数的方法包括：

步骤1，通过邻域保存和判别增强分别构造图像的局部和全局结构；

步骤2，根据构造的结构生成一个散列函数f(x)＝sign(P^TX)其中P∈R^m×d和x∈R^m；

步骤3，利用散列函数f(.)，将X中的每个数据点x_i映射到y_i∈{-1,1}^d(d＜m)中；Y＝[y1，y2，…，yn]属于海明空间；

所述步骤2根据构造的结构生成散列函数的方法包括：

(1)采用基于局部结构的方法，利用亲和图刻画局部结构，利用亲和矩阵A表示图，其中A(i,j)是数据点x_i和x_j之间边的权重，N_k(x)表示数据点x的k个近邻；

(2)通过检查数据映射到海明空间后保留多少亲和图来评估局部性的保留程度，被定量表示为:

其中L＝D-A＝I-A，L是图的拉普拉斯矩阵；将(1)进行优化化简，遵循：

P^TP＝I_d (2)

(3)线性判别分析寻找一组线性投影，LDA通过优化目标函数找到投影矩阵P＝[p₁,p₂,...,p_n]∈R^m×d。

2.如权利要求1所述的基于线性鉴别分析哈希算法的图像检索方法，其特征在于，步骤(3)所述的线性判别分析寻找一组线性投影，LDA优化目标函数找到投影矩阵的方法包括：

(1)定义对于每个数据点，都被分配到唯一的一个集群，假设数据集X被划分为K个集群，LDA寻找一组线性投影，其中类内散布S_w最小化，类间散布S_b最大化，定义总散射S_t，类内散射S_w，类间散射S_b为：

其中u是所有数据点的质心，u^(k)是k类的质心，n_k是k类中的数据点的数目，表示属于k类的数据点x_i；

(2)LDA通过优化以下目标函数找到投影矩：

max:Tr(P^T(S_t+μI)^-1S_bP)(6)

p

服从：P^TP＝I_d，其中Tr(.)是迹算子，加入μI以避免奇异值问题，μ0是标度因子；在X居中之后，上式(6)为下列目标函数：

服从：P^TP＝I_d。