基于流形学数据压缩哈希的图像检索方法

摘要

本发明公开了一种基于流形学数据压缩哈希的图像检索方法，主要解决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.将归一化数据划分为训练数据和测试数据；3.对训练数据压缩，得到综合压缩数据；4.对综合压缩数据进行低维嵌入，得到低维的综合压缩数据；5.通过图模型，分别得到综合压缩数据与训练数据、测试数据之间的近邻关系矩阵；6.分别阈值化综合压缩数据与两个近邻关系矩阵的乘积，得到训练数据和测试数据的哈希码；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，可用于物联网和移动设备图片搜索服务。

主权项

一种基于流形学习数据压缩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，得到归一化数据矩阵；(3)从归一化数据矩阵中随机选取五分之一的数据矩阵作为图像测试数据矩阵V_T，其余的数据矩阵作为图像训练数据矩阵V_X；(4)对图像训练数据矩阵V_X进行随机近邻压缩，得到图像训练数据矩阵V_X的综合压缩数据矩阵S：4a)在图像训练数据矩阵V_X中随机选取400个数据点，作为图像训练数据矩阵初始的综合压缩数据矩阵S'；4b)通过随机近邻压缩算法不断优化图像训练数据矩阵初始的综合压缩数据矩阵S'，得到优化的综合压缩数据矩阵S；(5)对综合压缩数据矩阵S进行t分布随机近邻嵌入，得到低维的综合压缩数据矩阵Y；(6)构造低维的综合压缩数据矩阵Y和图像训练数据矩阵V_X之间的近邻图，得到综合压缩数据矩阵Y和图像训练数据矩阵V_X之间的近邻关系矩阵R_X：6a)根据低维的综合压缩数据矩阵Y和图像训练数据矩阵V_X，求得这两个矩阵两两数据点之间的相似度，并用这些相似度组合成相似度矩阵Z_X；6b)对相似度矩阵Z_X进行归一化处理，得到综合压缩数据矩阵和图像训练数据矩阵之间的近邻关系矩阵R_X；(7)将低维的综合压缩数据矩阵Y和图像训练数据矩阵V_X之间的近邻关系矩阵R_X与低维的综合压缩数据矩阵Y进行相乘，得到图像训练数据流形嵌入矩阵E_X；(8)构造低维的综合压缩数据矩阵Y和图像测试数据矩阵V_T之间的近邻图，得到综合压缩数据矩阵和图像测试数据矩阵之间的近邻关系矩阵R_T；(9)将综合压缩数据矩阵Y和图像测试数据矩阵V_T之间的近邻关系矩阵R_T和低维的综合压缩数据矩阵Y进行相乘，得到图像测试数据流形嵌入矩阵E_T；(10)将图像训练数据流形嵌入矩阵E_X和图像测试数据流形嵌入矩阵E_T进行阈值化，分别得到训练数据矩阵的哈希码B_X和测试数据的哈希码B_T；(11)从测试数据矩阵的哈希码B_T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B_X之间的汉明距离，得到汉明距离向量；(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。