[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

说明书

本发明属于图像检索技术领域，公开了一种基于线性鉴别分析深度哈希算法的图像检索方法及系统，利用CNN提取图像特征；构造基于线性判别分析LDA的目标函数，将图像特征映射到哈希标签中；利用生成的hash标签训练一个简单的图像哈希深度学习网络，利用深度哈希模型将新的图像的特征映射到哈希码完成图像检索。对于目前的图像检索技术来说，图像数据庞大，并且标签在大数据时代是难以获取的，在大量图像中进行图像检索，这是非常耗时和不可扩展的，所以根据现有的问题，本发明提出的技术方法一方面避免了依赖类标签来监督散列的过程，另一方面也避免了由于深度网络获取图像特征而导致的大量的时间消耗。

技术领域

本发明属于图像检索技术领域，尤其涉及一种基于线性鉴别分析深度哈希算法的图像检索方法及系统。

背景技术

目前，随着大数据时代的到来，图像数据的规模呈指数级增长。从海量图像中有效提取相关信息的方法是大数据时代图像检索技术的核心，其中基于内容的图像指纹识别是一种有效的方法。基于内容的图像指纹识别的核心是为图像生成指纹。在一个大型的图像数据库中，本发明通过在相应的指纹数据库(从数据库中的图像中提取)中查找与查询图像相对应的相似图像。因此，为了保证大数据时代图像检索的有效性，图像指纹应保持以下几个特性：(1)鉴别：感知相似的图像应映射为相似的指纹，而两个感知不同的图像应映射为不同的指纹。(2)压缩：指纹应该压缩，以减少在大型图像数据库中查找查询图像匹配的时间消耗。为了保证图像检索的有效性和效率，图像指纹应该平衡上述两个特性，因为当鲁棒性和紧凑性增加时，识别率会在一定程度上降低。

对于大规模图像检索，很明显，最近邻搜索用于寻找相似特征并没有给出实用的解决方案，而近似最近邻搜索为这些问题给出了有效的解决方案。为了解决实值特征的无效性，将散列引入基于内容的图像检索领域，将图像映射到近似保留原始空间中的数据结构的紧凑二进制代码。由于通过位异或运算和非零位计数可以有效地计算出两个二值hash码之间的Hamming距离，因此在图像搜索过程中所需的时间和内存开销远小于计算图像特征之间的欧氏距离。图1 显示了欧氏距离和汉明距离的区别。所以，一台普通的PC机在几毫秒内就能完成数百万的汉明距离计算。因此，哈希算法在快速图像检索中显示出无可比拟的优越性。

现有方法的缺陷：现有的散列方法仍然面临两方面的困难。首先，现有的散列方法很大程度上依赖于手工绘制的特征提取，如颜色直方图、基于DCT域的图像特征、尺度不变特征变换(SIFT)、广义搜索树(GIST)等，它们在反映图像语义信息方面是有限的，因为它们只在一个视图(全局或本地视图)中表示语义内容。其次，散列的另一个关键问题是保持或放大提取特征的相似性。自学散列被认为是最先进的作品之一。然而，由于训练数据的散列码生成和测试数据的散列函数生成的操作都是独立处理的，导致泛化能力差，因此存在着过度拟合的问题。

由于深度学习的良好性能，将其引入图像哈希，一定程度上提高了散列性能，另一方面，现有方法总是利用深度网络来获得精确的图像特征，导致高的时间消耗。

通过上述分析，现有技术存在的问题及缺陷为：(1)现有的图像检索技术的核心是基于内容的图像指纹识别，关键问题在于如何在大数据背景下生成图像指纹。现有技术为了解决实值特征的无效性引入了散列，但是目前的散列仍然面临着较多困难。

(2)现有散列方式很大程度依赖手工绘制的特征提取，反映的语义信息比较有限。

(3)现有散列还有一个关键问题在于如何保持或放大提取特征的相似性。

(4)现有的方法依赖于类标签来监督散列过程，但是标签在大数据时代是很难获取的。

解决以上问题及缺陷的难度为：一方面需要解决特征提取的问题，手工提取特征反映的语义信息比较有限，而如果依靠深度网络直接提取图像的精确特征，则会导致较高的时间消耗。

为了解决上述问题，引入了深度学习一定程度上提高了散列性能。