CN104317902B - 基于局部保持迭代量化哈希的图像检索方法 - Google Patents
基于局部保持迭代量化哈希的图像检索方法 Download PDFInfo
- Publication number
- CN104317902B CN104317902B CN201410578040.4A CN201410578040A CN104317902B CN 104317902 B CN104317902 B CN 104317902B CN 201410578040 A CN201410578040 A CN 201410578040A CN 104317902 B CN104317902 B CN 104317902B
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- data
- training data
- hash
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013139 quantization Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000010606 normalization Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于局部保持迭代量化哈希的图像检索方法,主要解决大规模图像检索中内存占用率大、检索性能低的问题。其实现步骤为:1.提取原始图像特征,并对其作归一化处理;2.对归一化数据进行主成分分析,得到低维归一化数据矩阵;3.划分低维归一化数据为训练数据和测试数据;4.构造图像训练数据矩阵之间近邻图,得到图像训练数据的近邻关系;5.以图像训练数据的近邻关系作为约束,迭代量化更新旋转矩阵;6.根据旋转矩阵获取图像训练数据和图像测试数据的哈希码;7.根据训练数据和测试数据哈希码之间的汉明距离得到检索结果。本发明降低了内存消耗,提高图像检索性能,可用于移动设备、物联网和电子商务的图片搜索服务。
Description
技术领域
本发明属于图像处理领域,更进一步涉及大规模图像数据的快速检索方法,可用于移动设备、物联网和电子商务等的图片搜索服务。
背景技术
近年来,随着互联网、云计算、移动设备和物联网的飞速发展,全球数据量进入ZB时代,并且每年仍以指数级形式增长。大数据中的图像数据与人的视觉认知方式相同,在信息表达方式中占有重要的地位。如何高效检索有价值的图像来充分利用大数据获得效益成为现今的一大难题。为了在大数据中高效地检索到有价值的图像,人们提出了哈希算法。该算法可以将图像转换成一定长度的二进制编码序列,由于二进制编码序列能够直接被计算机存储和处理,因此使用二进制编码序列能够大大加快图像检索速度。并且运用长度较短的二进制编码序列代替高维图像数据,能够大大节省存储空间。
大连理工大学提出的专利申请“基于多哈希表映射误差最小化的图像检索方法”(申请号:201110357850.3,公开号:CN102508910A)公开了一种基于多哈希表映射误差最小化的图像检索方法。该方法首先提取图像特征,然后计算训练特征的主成分方向并采用迭代量化法对主成分方向进行优化,将待检索特征和查询特征投影到优化后的主成分方向上,得到其对应的哈希码。然后对先前训练特征进行能量弱化得到新的训练特征,重复该过程得到多组哈希码。该方法克服了单哈希表在召回率较高时汉明球半径较大的缺点,又采用相同哈希码长的多个哈希表,提高了检索的准确率。但是,该专利申请提出的方法存在的不足之处是:一方面通过线性降维方式得到主成分方向,这不符合现实中大多数数据的非线性特性,且后续的迭代优化主成分方向过程会增加算法时间复杂度;另一方面针对大数据,多哈希表的使用增加了存储空间的占用率。
浙江大学提出的专利申请“基于稀疏降维的谱哈希索引方法”(申请号:201010196539.0,公开号:CN101894130A)公开了一种基于稀疏表达和拉普拉斯图的哈希索引方法。该方法首先提取图像底层特征,进一步通过聚类得到视觉单词,然后利用有权重的拉普拉斯-贝尔特拉米算子的特征方程和特征根,求得欧式空间到汉明空间的映射函数,得到低维空间汉明向量。该方法用稀疏降维方式代替谱哈希的主成分分析降维方式,增加了结果的可解释性。但却仍没有避免谱哈希模型中强制训练数据服从均匀分布的前提假设,使其应用价值受到限制。
Yunchao Gong和Svetlana Lazebnik在文章“Iterative Quantization:AProcrustean Approach to Learning Binary Codes”(IEEE Conference on ComputerVision and Pattern Recognition,2011,pp.817-824)中提出一种迭代量化方法,该方法首先对图像提取底层特征,然后使用主成分分析方法对底层特征降维,得到低维特征,然后对低维特征旋转并量化得到图像的编码。该方法使得旋转后的主成分方向的方差尽量保持平衡,提高了获取哈希编码序列的性能。但是,该方法的前提假设是图像数据服从高斯分布,而实际数据可能并不服从高斯分布,并且该方法没有考虑图像之间的近邻关系,使得检索性能降低。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于局部保持迭代量化哈希的图像检索方法,以节省哈希编码的存储空间,降低检索的时间复杂度,有效提高图像检索的查准率与查全率。
本发明的技术思路是:在训练模式下,对图像训练数据通过主成分分析和构造近邻图,得到训练数据的低维表示和数据之间的近邻关系,根据数据之间的近邻关系,运用迭代量化方法计算出训练数据低维表示的哈希值,得到图像训练数据哈希编码。在测试模式下,获得测试数据哈希编码,计算测试数据与训练数据哈希编码间的汉明距离,得到检索结果。
根据上述思路,本发明的实现步骤如下:
(1)调用图像数据库中原始图像,对原始图像数据进行特征提取,得到图像特征数据;
(2)对图像特征数据做归一化处理,得到归一化数据;
(3)对归一化数据进行主成分分析降维,得到低维的归一化数据矩阵;
(4)从低维的归一化数据矩阵随机选取五分之一的数据矩阵作为图像测试数据矩阵,其余的五分之四的归一化数据矩阵作为图像训练数据矩阵;
(5)构造图像训练数据矩阵之间的近邻图,得到图像训练数据的近邻关系;
5a)用图像训练数据矩阵的训练数据点作为节点,用数据点之间的连线作为边,由高斯核函数求得两两数据点之间的相似度作为权重,构造图像训练数据的无向图;
5b)计算图像训练数据无向图的拉普拉斯矩阵L,得到表现图像训练数据关系的正则项约束YTLY,其中Y为训练数据矩阵的哈希码,YT表示对Y的转置;
(6)随机生成一个正交矩阵作为旋转矩阵R;
(7)根据图像训练数据关系的正则项约束YTLY,通过迭代量化,不断优化旋转矩阵R,得到优化后的旋转矩阵R';
(8)根据优化后的旋转矩阵R',分别得到图像训练数据矩阵的哈希码BX和图像测试数据矩阵的哈希码BT;
(9)从测试数据矩阵的哈希码BT中取其中的一个测试数据的哈希码,计算该哈希码与训练数据矩阵的哈希码BX之间的汉明距离,得到汉明距离向量;
(10)将汉明距离向量中的数值按从小到大的顺序排序,输出对应的原始图像,得到检索结果。
本发明与现有技术相比具有以下优点:
第一,本发明由于引入了原始空间数据的近邻关系来保持原始空间局部信息,克服了现有技术中图像原有的近邻信息在汉明空间中丢失的缺点,改善了哈希码性能,提高了检索精度。
第二,本发明由于构造无向图获得表现图像训练数据关系的正则项约束,将相似性与独立性结合起来,得到了更为紧凑的哈希码,减少了内存空间的占用。
第三,本发明由于采用旋转矩阵获得单组哈希编码,克服了现有技术采用多组哈希编码而占用内存空间、消耗检索时间的缺点,使得本发明所提出的方法在图像检索中效率更高。
附图说明
图1为本发明的实现流程图;
图2为本发明与现有哈希方法在MNIST数据库下的实验结果对比图;
图3为本发明与现有哈希方法在CIFAR-10数据库下的实验结果对比图。
具体实施方案
以下结合附图,对本发明的具体实现方法和技术效果作进一步描述。
参照图1,本发明实现步骤如下:
步骤1,获取原始图像。
从给定的图像数据库MNIST或CIFAR-10中提取5000个图像,作为原始图像。
步骤2,对原始图像进行特征提取,得到图像特征数据。
(2a)对每一张原始图像3个颜色通道的像素值取均值,得到该原始图像数据的灰度图像;
(2b)利用Gabor滤波器对灰度图像进行4个尺度、8个方向的滤波,得到灰度图像的32个特征图;
(2c)将每个特征图分成大小为4×4的子网格,分别对每个子网格中的所有像素取均值,将该均值排列在一个向量中,得到这张图像的特征数据。
步骤3,对图像特征数据做归一化处理,得到归一化数据。
(3a)对图像特征数据取均值,用图像特征数据中的每个图像特征数据减去该均值,得到相应的图像特征数据的中心化向量;
(3b)对每个图像特征数据的中心化向量的各个分量进行平方和开根号运算,得到该向量的模;
(3c)用每个图像特征数据中心化向量除以该向量的模,得到每个图像特征数据的归一化向量。
步骤4,对归一化数据进行主成分分析,得到低维的归一化数据矩阵。
(4a)联合每个图像特征数据的归一化向量,得到图像特征数据的归一化矩阵;
(4b)计算图像特征数据的归一化矩阵的协方差矩阵;
(4c)根据图像特征数据的归一化矩阵的协方差矩阵,计算协方差矩阵的特征值和特征向量;
(4d)将协方差矩阵的特征值从大到小顺序排列,并提取出协方差矩阵的前r个最大特征值;
(4e)根据协方差矩阵的前r个最大特征值,获得与此r个最大特征值所对应的r个特征向量;
(4f)将图像特征数据的归一化矩阵和获得的r个特征向量相乘,得到n行r列的低维归一化数据矩阵V,其中n表示图像的总个数,r表示图像数据哈希编码的长度。
步骤5,从低维的归一化数据矩阵V随机选取五分之一的数据矩阵作为图像测试数据矩阵VT,其余的五分之四的归一化数据矩阵作为图像训练数据矩阵VX。
步骤6,构造图像训练数据矩阵VX之间近邻图,得到图像训练数据的近邻关系。
(6a)将图像训练数据矩阵的每个训练数据点作为节点,每两个训练数据点之间连线作为边,求得两两节点之间的欧氏距离d;
(6b)根据两两节点之间的欧氏距离d,通过相似度公式求得任意两节点之间的相似度z,将相似度作为权重,构造图像训练数据的无向图,其中σ=0.9;
(6c)将任意两节点之间的权重z组合,得到图像训练数据相似度矩阵Z;
(6d)对相似度矩阵Z的每一行求和,将求和结果作为矩阵的对角值,矩阵的其他元素都为零,得到相似度矩阵的度矩阵D;
(6e)计算图像训练数据的拉普拉斯矩阵:L=D-Z;
(6f)根据拉普拉斯矩阵L,得到表示图像训练数据关系的正则项约束YTLY。
步骤7,初始化旋转矩阵R。
(7a)随机生成一个服从标准正态分布的随机高斯矩阵Q;
(7b)对随机高斯矩阵Q进行奇异值分解得到左正交矩阵H和右正交矩阵即:其中Λ1为Q分解所对应的奇异值;
(7c)把分解后得到的一个左正交矩阵H赋值给旋转矩阵R。
步骤8,更新旋转矩阵。
(8a)以正则项约束YTLY为限定条件,通过旋转矩阵R,得到旋转训练数据矩阵:
其中I是单位矩阵,VX是图像训练数据矩阵,α是调节参数,取值为10,[·]-1表示对矩阵求逆,LT表示对L转置;
(8b)对旋转训练数据矩阵进行二值量化,得到编码
(8c)对编码的转置和图像训练数据VX的乘积进行奇异值分解,得到左酉矩阵U与右酉矩阵奇异值分解公式为:其中Λ为奇异值;
(8d)根据奇异值分解得到的左酉矩阵U与右酉矩阵得到更新的旋转矩阵:
步骤9,将步骤8迭代50次,得到最优的旋转矩阵R'。
步骤10,根据最优的旋转矩阵R',分别得到图像训练数据矩阵的哈希码BX和图像测试数据矩阵的哈希码BT。
(10a)将图像训练数据VX与最优的旋转矩阵R'相乘,得到图像训练数据量化矩阵CX;
(10b)将训练数据量化矩阵CX中大于等于0的元素赋值为1,小于0的元素赋值为0,从而得到图像训练数据矩阵的哈希码BX;
(10c)将图像测试数据VT与最优的旋转矩阵R'相乘,得到图像测试数据量化矩阵CT;
(10d)将测试数据量化矩阵CT中大于等于0的元素赋值为1,小于0的元素赋值为0,从而得到图像测试数据矩阵的哈希码BT。
步骤11,求取汉明向量。
(11a)从测试数据矩阵的哈希码BT中取其中的一个测试数据的哈希码b,将该图像测试数据的哈希码b与每一个图像训练数据的哈希码进行异或处理,得到哈希码中不同编码值的位数;
(11b)将不同编码值的位数作为汉明距离进行组合,得到汉明距离向量。
步骤12,将汉明距离向量中的数值按从小到大的顺序排序,输出对应的原始图像,得到检索结果。
本发明的效果结合以下仿真实验进一步说明:
1.仿真条件
本发明是在中央处理器为Intel(R)Core i5-3470 2.80GHZ、内存4G、WINDOWS 7操作系统上,运用MATLAB软件进行的实验仿真。
2.仿真内容
将本发明的方法与现有三种哈希方法进行了对比,这三种方法分别是:局部敏感哈希LSH方法、迭代量化ITQ方法、谱哈希SH方法。
仿真实验中,分别画出数据检索的查准率-查全率曲线和平均准确率曲线去评估图像检索性能。其中,查准率:在某具体汉明距离中,查询得到的与查询点相关的图像数据点个数和所有的查询得到的图像数据点个数之比。查全率:在某具体汉明距离中,查询得到的与查询点相关的图像数据点个数和数据集中与查询点相关的全部图像数据点个数之比。
仿真1:在MNIST数据库下分别采用本发明方法和现有三种哈希方法进行查准率-查全率、平均准确率的对比实验,实验结果如图2所示。其中,
图2(a)为哈希编码长度取24位的查全率-查准率曲线图,横轴表示查全率,纵轴表示查准率。
图2(b)为哈希编码长度取32位的查全率-查准率曲线图,横轴表示查全率,纵轴表示查准率。
图2(c)为哈希编码长度取48位的查全率-查准率曲线图,横轴表示查全率,纵轴表示查准率。
图2(d)为平均准确率曲线图,横轴表示哈希编码长度,纵轴表示平均准确率。
仿真2:在CIFAR-10数据库下分别采用本发明方法和现有三种哈希方法进行查准率-查全率、平均准确率的对比实验,实验结果如图3所示。其中,
图3(a)为哈希编码长度取16位的查全率-查准率曲线图,横轴表示查全率,纵轴表示查准率。
图3(b)为哈希编码长度取24位的查全率-查准率曲线图,横轴表示查全率,纵轴表示查准率。
图3(c)为哈希编码长度取32位的查全率-查准率曲线图,横轴表示查全率,纵轴表示查准率。
图3(d)为平均准确率曲线图,横轴表示哈希编码长度,纵轴表示平均准确率。
由图2和图3的仿真结果可见,采用本发明进行图像检索的查全率-查准率性能及平均准确率性能都优于现有的哈希方法。因此,与现有技术相比,本发明利用原始空间数据的近邻关系来保持原始空间局部信息方法,能有效获取原始图像数据的哈希码,从而提高了图像检索的性能。
Claims (8)
1.一种基于局部保持迭代量化哈希的图像检索方法,包括如下步骤:
(1)调用图像数据库中原始图像,对原始图像数据进行特征提取,得到图像特征数据;
(2)对图像特征数据做归一化处理,得到归一化数据;
(3)对归一化数据进行主成分分析降维,得到低维的归一化数据矩阵:
(3a)联合每个图像特征数据的归一化向量,得到图像特征数据的归一化矩阵;
(3b)计算图像特征数据的归一化矩阵的协方差矩阵;
(3c)根据图像特征数据的归一化矩阵的协方差矩阵,计算协方差矩阵的特征值和特征向量;
(3d)将协方差矩阵的特征值从大到小顺序排列,并提取出协方差矩阵的前r个最大特征值;
(3e)根据协方差矩阵的前r个最大特征值,获得与此r个最大特征值所对应的r个特征向量;
(3f)将图像特征数据的归一化矩阵和获得的r个特征向量相乘,得到n行r列的低维归一化数据矩阵V,其中n表示图像的总个数,r表示图像数据哈希编码的长度;
(4)从低维的归一化数据矩阵随机选取五分之一的数据矩阵作为图像测试数据矩阵,其余的五分之四的归一化数据矩阵作为图像训练数据矩阵;
(5)构造图像训练数据矩阵之间的近邻图,得到图像训练数据的近邻关系;
5a)用图像训练数据矩阵的训练数据点作为节点,用数据点之间的连线作为边,由高斯核函数求得两两数据点之间的相似度作为权重,构造图像训练数据的无向图;
5b)计算图像训练数据无向图的拉普拉斯矩阵L,得到表现图像训练数据关系的正则项约束YTLY,其中Y为训练数据矩阵的哈希码,YT表示对Y的转置;
(6)随机生成一个正交矩阵作为旋转矩阵R;
(7)根据图像训练数据关系的正则项约束YTLY,通过迭代量化,不断优化旋转矩阵R,得到优化后的旋转矩阵R';
(8)根据优化后的旋转矩阵R',分别得到图像训练数据矩阵的哈希码BX和图像测试数据矩阵的哈希码BT;
(9)从测试数据矩阵的哈希码BT中取其中的一个测试数据的哈希码,计算该哈希码与训练数据矩阵的哈希码BX之间的汉明距离,得到汉明距离向量;
(10)将汉明距离向量中的数值按从小到大的顺序排序,输出对应的原始图像,得到检索结果。
2.根据权利要求1所述的基于局部保持迭代量化哈希的图像检索方法,其特征在于,步骤(1)所述的对原始图像数据进行特征提取,按如下步骤进行:
(1a)对每一张原始图像3个颜色通道的像素值取均值,得到该原始图像数据的灰度图像;
(1b)利用Gabor滤波器对灰度图像进行4个尺度、8个方向的滤波,得到灰度图像的32个特征图;
(1c)将每个特征图分成大小为4×4的子网格,分别对每个子网格中的所有像素取均值,将该均值排列在一个向量中,得到图像的特征数据。
3.根据权利要求1所述的基于局部保持迭代量化哈希的图像检索方法,其特征在于,步骤(2)所述的对图像特征数据做归一化处理,按如下步骤进行:
(2a)对图像特征数据取均值,用图像特征数据中的每个图像特征数据分别减去该均值,得到相应的图像特征数据的中心化向量;
(2b)对每个图像特征数据中心化向量的各个分量的平方和开根号得到该向量的模;
(2c)用每个图像特征数据中心化向量除以该向量的模,得到每个图像特征数据的归一化向量。
4.根据权利要求1所述的基于局部保持迭代量化哈希的图像检索方法,其特征在于,步骤(5b)所述的计算图像训练数据无向图的拉普拉斯矩阵L,按如下步骤进行:
(5b1)将图像训练数据的无向图的任意两节点之间的相似度组合成相似度矩阵Z;
(5b2)对相似度矩阵Z的每一行求和,将求和结果作为矩阵的对角值,矩阵的其他元素都为零,得到相似度矩阵的度矩阵D;
(5b3)计算图像训练数据的拉普拉斯矩阵:L=D-Z。
5.根据权利要求1所述的基于局部保持迭代量化哈希的图像检索方法,其特征在于,步骤(6)所述的随机生成一个正交矩阵R,是先随机生成一个服从标准正态分布的矩阵;再对该矩阵进行奇异值分解,把分解后得到的一个正交矩阵作为旋转矩阵R。
6.根据权利要求1所述的基于局部保持迭代量化哈希的图像检索方法,其特征在于,步骤(7)所述的通过迭代量化,不断优化旋转矩阵R,按如下步骤进行:
(7a)通过旋转矩阵R,得到旋转训练数据矩阵:
其中I是单位矩阵,VX是图像训练数据矩阵,α是调节参数,取值为10,[·]-1表示对矩阵求逆,LT表示对L转置;
(7b)对旋转训练数据矩阵进行二值量化,得到编码
(7c)对编码的转置和图像训练数据VX的乘积进行奇异值分解,得到左酉矩阵U与右酉矩阵奇异值分解公式为:其中Λ为奇异值;
(7d)根据奇异值分解得到的左酉矩阵U与右酉矩阵得到更新的旋转矩阵:
7.根据权利要求1所述的基于局部保持迭代量化哈希的图像检索方法,其特征在于,步骤(8)所述的获得图像训练数据矩阵的哈希码BX和图像测试数据矩阵的哈希码BT,按如下步骤进行:
(8a)将图像训练数据VX与最优的旋转矩阵R'相乘,得到图像训练数据量化矩阵CX;
(8b)将训练数据量化矩阵CX中大于等于0的元素赋值为1,小于0的元素赋值为0,得到图像训练数据矩阵的哈希码BX;
(8c)将图像测试数据VT与最优的旋转矩阵R'相乘,得到图像测试数据量化矩阵CT;
(8d)将测试数据量化矩阵CT中大于等于0的元素赋值为1,小于0的元素赋值为0,得到图像测试数据矩阵的哈希码BT。
8.根据权利要求1所述的基于局部保持迭代量化哈希的图像检索方法,其特征在于,步骤(9)所述的计算一个测试数据哈希码与训练数据矩阵的哈希码BX之间的汉明距离,是将该图像测试数据的哈希编码与每一个图像训练数据的哈希编码进行异或处理,得到哈希编码中不同编码值的位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410578040.4A CN104317902B (zh) | 2014-10-24 | 2014-10-24 | 基于局部保持迭代量化哈希的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410578040.4A CN104317902B (zh) | 2014-10-24 | 2014-10-24 | 基于局部保持迭代量化哈希的图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104317902A CN104317902A (zh) | 2015-01-28 |
CN104317902B true CN104317902B (zh) | 2017-07-28 |
Family
ID=52373134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410578040.4A Expired - Fee Related CN104317902B (zh) | 2014-10-24 | 2014-10-24 | 基于局部保持迭代量化哈希的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104317902B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033426B (zh) * | 2015-03-11 | 2021-03-19 | 中国科学院西安光学精密机械研究所 | 一种基于潜在语义最小哈希的图像检索方法 |
CN104820696B (zh) * | 2015-04-29 | 2018-06-05 | 山东大学 | 一种基于多标签最小二乘哈希算法的大规模图像检索方法 |
CN104881449B (zh) * | 2015-05-15 | 2018-03-06 | 西安电子科技大学 | 基于流形学习数据压缩哈希的图像检索方法 |
CN105808631A (zh) * | 2015-06-29 | 2016-07-27 | 中国人民解放军装甲兵工程学院 | 一种数据依赖的多索引哈希算法 |
CN106909548B (zh) * | 2015-12-22 | 2021-01-08 | 北京奇虎科技有限公司 | 基于服务器的图片加载方法及装置 |
CN106484782B (zh) * | 2016-09-18 | 2019-11-12 | 重庆邮电大学 | 一种基于多核哈希学习的大规模医学图像检索方法 |
CN106777318B (zh) * | 2017-01-05 | 2019-12-10 | 西安电子科技大学 | 基于协同训练的矩阵分解跨模态哈希检索方法 |
CN108182256A (zh) * | 2017-12-31 | 2018-06-19 | 厦门大学 | 一种基于离散局部线性嵌入哈希的高效图像检索方法 |
CN108334574B (zh) * | 2018-01-23 | 2020-06-12 | 南京邮电大学 | 一种基于协同矩阵分解的跨模态检索方法 |
CN108898557B (zh) * | 2018-05-30 | 2021-08-06 | 商汤集团有限公司 | 图像恢复方法及装置、电子设备、计算机程序及存储介质 |
CN110826582B (zh) * | 2018-08-10 | 2023-05-05 | 阿里巴巴集团控股有限公司 | 图像特征训练方法、装置和系统 |
CN110826554B (zh) * | 2018-08-10 | 2022-09-09 | 西安电子科技大学 | 一种红外目标检测方法 |
CN109389147B (zh) * | 2018-08-28 | 2022-02-08 | 昆明理工大学 | 一种基于改进PHash算法的图像相似判定方法 |
CN110163266B (zh) * | 2019-05-08 | 2022-09-06 | 南京邮电大学 | 基于四元数矩阵奇异值分解的图像哈希算法及其应用 |
CN110134803B (zh) * | 2019-05-17 | 2020-12-11 | 哈尔滨工程大学 | 基于哈希学习的图像数据快速检索方法 |
CN112712090A (zh) * | 2019-10-24 | 2021-04-27 | 北京易真学思教育科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN113704532B (zh) * | 2020-11-25 | 2024-04-26 | 天翼数字生活科技有限公司 | 一种提升图片检索召回率的方法和系统 |
CN117172796A (zh) * | 2023-08-07 | 2023-12-05 | 北京智慧大王科技有限公司 | 一种大数据电子商务管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894130A (zh) * | 2010-06-08 | 2010-11-24 | 浙江大学 | 基于稀疏降维的谱哈希索引方法 |
CN102508910A (zh) * | 2011-11-11 | 2012-06-20 | 大连理工大学 | 基于多哈希表映射误差最小化的图像检索方法 |
CN103412960A (zh) * | 2013-08-31 | 2013-11-27 | 西安电子科技大学 | 基于双边随机投影的图像感知哈希方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009149408A2 (en) * | 2008-06-05 | 2009-12-10 | New York University | Method, system, and computer-accessible medium for authentication of paper using a speckle pattern |
-
2014
- 2014-10-24 CN CN201410578040.4A patent/CN104317902B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894130A (zh) * | 2010-06-08 | 2010-11-24 | 浙江大学 | 基于稀疏降维的谱哈希索引方法 |
CN102508910A (zh) * | 2011-11-11 | 2012-06-20 | 大连理工大学 | 基于多哈希表映射误差最小化的图像检索方法 |
CN103412960A (zh) * | 2013-08-31 | 2013-11-27 | 西安电子科技大学 | 基于双边随机投影的图像感知哈希方法 |
Non-Patent Citations (1)
Title |
---|
基于内容的图像检索若干关键问题研究;张贝贝;《中国优秀硕士学位论文全文数据库》;20140515(第5期);第43-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104317902A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104317902B (zh) | 基于局部保持迭代量化哈希的图像检索方法 | |
Tong et al. | Channel-attention-based DenseNet network for remote sensing image scene classification | |
Cheng et al. | Transfer learning with convolutional neural networks for classification of abdominal ultrasound images | |
Luus et al. | Multiview deep learning for land-use classification | |
CN104392463B (zh) | 一种基于联合稀疏多尺度融合的图像显著区域检测方法 | |
CN106227851A (zh) | 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法 | |
CN110222140A (zh) | 一种基于对抗学习和非对称哈希的跨模态检索方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
CN111680176A (zh) | 基于注意力与双向特征融合的遥感图像检索方法及系统 | |
CN111753189A (zh) | 一种少样本跨模态哈希检索共同表征学习方法 | |
CN104881449B (zh) | 基于流形学习数据压缩哈希的图像检索方法 | |
Wang et al. | FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection | |
CN104182538B (zh) | 基于半监督哈希的图像检索方法 | |
CN108304573A (zh) | 基于卷积神经网络和监督核哈希的目标检索方法 | |
CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
Wang et al. | Relation-attention networks for remote sensing scene classification | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
CN107578063B (zh) | 基于快速选取地标点的图像谱聚类方法 | |
Yu et al. | Unsupervised hyperspectral band selection via hybrid graph convolutional network | |
CN112818920A (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
Chen et al. | Image classification based on convolutional denoising sparse autoencoder | |
CN112163114A (zh) | 一种基于特征融合的图像检索方法 | |
Saraswat et al. | Plant Disease Identification Using Plant Images | |
CN108805280A (zh) | 一种图像检索的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170728 |