[发明专利]一种利用卷积神经网络和正交变换计算图像哈希值的方法

说明书

本发明涉及一种利用卷积神经网络和正交变换计算图像哈希值的方法，属于图像处理领域。本发明选择一个适当的图像分类卷积神经网络，利用训练图像训练卷积神经网络，使其达到稳定状态；将需要计算哈希值的图像输入训练好的卷积神经网络，保留卷积神经网络类概率层的输入作为图像的一级特征；利用正交变换，将图像的一级特征变换为图像的二级特征；根据需要的哈希值长度，截取图像的二级特征的部分分量，根据截取的图像的二级特征的部分分量的平均值将截取的图像的二级特征的各个分量二值化为0或1。本发明能够有效利用卷积神经网络提取的输入图像的特征信息，使得相似图像的哈希值相似，有助于图像大数据的快速检索。

技术领域

本发明属于图像处理领域，涉及一种利用卷积神经网络和正交变换计算图像哈希值的方法，确切说，涉及一种利用卷积神经网络和正交变换神经网络计算图像的哈希值，便于图像大数据快速判断图像间相似性的方法。

背景技术

近年来，随着拍摄技术的进步和具有拍摄功能的手机等设备的普及，人们累计了大量的图像，形成了图像大数据。给定一幅图像，在图像大数据中查询相同或相似的图像，是图像大数据需要解决的一个问题。

常规的基于特征的图像检索方法中，特征采用浮点数表示，需要占用大量的存储资源和计算资源。因此，在图像大数据中，通常采用简单的图像哈希值来表示和检索图像。哈希值是图像、音频和视频等多媒体文件中包含的特征的一种指纹，一般采用整数形式的字节表示，可以用逻辑运算快速判断两个哈希值的差异，能够快速提高检索速度。

目前，已经有多种计算图像的哈希值的方法，例如谷歌提出的图像感知哈希值方法。这些方法中，很少考虑图像的内容，即很少考虑图像的特征。因此，不同的图像可能具有相似的哈希值；相同的图像经过较小幅度的缩小、放大、平移、旋转后，哈希值差异较大。

采用深度神经网络可以实现视觉相似图像具有相似的哈希。多数基于深度学习的图像哈希计算方法采用直接输出哈希值的方式，由于难以事先确定某幅图像的哈希值，神经网络的学习过程比较复杂，图像哈希值的长度也难以控制。在受理号为202110854478.0的《一种利用卷积计算图像哈希值的方法》，利用卷积神经网络中间层的卷积操作得到的结果作为图像的特征。这个方法在卷积模板较多时，得到的图像哈希值较长，不利于根据图像哈希值快速检索图像。

因此，需要一种考虑图像内容的哈希值计算方法，使得视觉相似的图像的哈希值也相似，并能够控制图像哈希值的长度。本发明正是基于这种现实需求而产生的。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种利用卷积神经网络和正交变换计算图像哈希值的方法，既能够控制哈希值的特征，又考虑了图像的特征，满足视觉相似的图像的哈希值相似的需求。

(二)技术方案

为了解决上述技术问题，本发明提出一种利用卷积神经网络和正交变换计算图像哈希值的方法，该方法包括如下步骤：

S1、神经网络选择步骤：选择一个适当的图像分类卷积神经网络，利用训练图像训练卷积神经网络，使其达到稳定状态，具有较高的准确性；

S2、图像特征获取步骤：将需要计算哈希值的图像输入训练好的卷积神经网络，保留卷积神经网络类概率层的输入作为图像的一级特征；

S3、图像特征变换步骤：利用正交变换，将图像的一级特征变换为图像的二级特征；

S4、图像哈希值计算步骤：根据需要的哈希值长度，截取图像的二级特征的部分分量，根据截取的图像的二级特征的部分分量的平均值将截取的图像的二级特征的各个分量二值化为0或1。

进一步地，所述步骤S1中，卷积神经网络为VGGNet-16卷积神经网络，VGGNet-16网络共有16层，其中，前13层为卷积和池化层，后3层为全连接层，最后的全连接层的输出直接进入类概率层，即SoftMax层。