[发明专利]基于自编码网络和鲁棒核哈希的半监督图像检索方法

摘要

本发明公开了一种基于自编码网络和鲁棒核哈希的半监督图像检索方法。通过步骤一，采用自编码网络结构提取深度图像特征，步骤二，鲁棒核哈希机制作为检索机制，步骤三，联合自编码网络和鲁棒核哈希实现图像检索完成检索过程，本发明提出使用自编码网络提取完备的图像特征，并且图像不需要人为标签，对于不同的数据集均有很好的学习能力和表达能力，对于大规模数据集效果更好。同时提出使用鲁棒核哈希(Robust Hashwith Kernels,RSH)检索机制，提高了KSH方法的鲁棒性，并降低了检索过程中的计算量，最终联合自编码网络和鲁棒核哈希的图像检索算法，提高了检索精度并极大降低了存储空间和计算复杂度。

主权项

1.一种基于自编码网络和鲁棒核哈希的半监督图像检索方法，其特征在于：包括如下步骤：步骤一，采用自编码网络结构提取深度图像特征：训练自编码网络模型：通过基于卷积神经网络的自编码网络进行编码来压缩图像以生成深度特征，将样本图像输入至去除全连接层和分类层的VGG16卷积神经网络结构，首先对图像进行卷积，然后通过批量归一化层再采用Relu函数(max(0，x))进行非线性映射，再通过池化层对卷积层输出的信息进行进一步压缩以完成编码得到深度特征；然后对深度特征进行解码：采用先联合编码阶段的低维特征和对应解码阶段的高维特征，再进行反卷积和反池化来得到复原图像，并通过最小化原始图像与复原图像对应位置像素点差值的平方和训练整个网络模型，使用随机梯度下降法更新网络模型参数，得到训练完成的网络模型；步骤二，鲁棒核哈希机制作为检索机制：对于作为被检索对象的图像数据集，采用引入核方法的哈希编码进行检索，首先通过图像哈希编码的权值参数向量来构造哈希函数，然后基于样本来进行训练，得到模型的损失函数，同时利用梯度下降法对参数向量进行更新，得到训练完成的哈希函数；步骤三，联合自编码网络和鲁棒核哈希实现图像检索：基于步骤一和步骤二得到的网络模型和哈希函数，预先将检索库中的所有图像依次输入至训练完成后的网络模型以提前深度特征，然后将深度特征通过哈希函数对每个特征映射生成哈希编码，图像检索时同样将需要进行检索的图像输入至训练完成后的网络模型以提取图像特征，然后通过哈希函数对每一个特征映射生成哈希编码，然后将需要检索的图像生成的哈希编码与检索库中的所有图像生成的哈希编码进行比对以检索出最为相似的图像，完成图像检索。