基于图像哈希的大规模图像库检索方法

摘要

一种基于图像哈希的大规模图像库检索方法，属于图像检索技术领域，涉及基于内容的图像检索方法。其特征是从待检索的图像库中选取与查询图像相关的训练图像；分别提取待检索图像、训练图像和查询图像的Gist特征。利用K均值聚类法将训练特征聚成C类；对每类样本特征，计算其超球面分类函数 P i ( x ) = Σ i = 1 m i α i K ( x i , x ) ; 由此定义哈希函数为 H i ( x ) = sign ( Σ i = 1 m i α i K ( x i , x ) ) ; 计算待检索图像特征和查询图像特征的哈希序列；并计算查询图像哈希序列与待检索图像哈希序列之间的汉明距离；设定阈值d，返回相似的图像。本发明的效果和益处是克服了LSH方法哈希函数数量多的问题；解决了谱哈希法和语义哈希法不能扩展到核空间的问题，同时也完善了KLSH方法计算哈希函数时对样本的选择问题。

主权项

一种基于图像哈希的大规模图像库检索方法，其特征在于包括如下步骤：1)建立图像库I＝{I1，I2，...，IN}，其中包含N幅图像；从图像库中挑选M幅(M＜N)包含同一对象的图像，组成训练库T＝{T1，T2，...，TM}；2)对于图像库I和训练库T中的每一幅图像，利用Gist描述符提取图像的纹理特征，每一幅图像用一个高维特征向量表示；图像库对应的所有特征向量组成图像特征库GI＝{GI1，GI2，...，GIN}，特征库中的每个特征向量GIi，(1≤i≤N)和图像库中的每幅图像Ii，(1≤i≤N)一一对应；训练库对应的所有特征向量组成训练特征库GT＝{GT1，GT2，...，GTM}，特征库中的每个特征向量GTi，(1≤i≤M)和训练库中的每幅图像Ti，(1≤i≤M)一一对应；3)对于训练特征库中的M个特征向量GT＝{GT1，GT2，...，GTM}，利用K均值聚类将其聚成C类，得到C组聚类样本S＝{S1，S2，...，SC}；4)对于每一组聚类样本Si，(1≤i≤C)，定义基于核函数的超球面分类函数： P i ( x ) = Σ p = 1 m i α i , p K ( S i , x ) 其中mi是Si，(1≤i≤C)中包含的样本数；αi是mi维向量，通过训练得到；K(Si，x)是核函数，选择径向基核函数；根据已知的训练样本Si，(1≤i≤C)，求解如下方程得到αi： min ( 1 2 | | α i | | 2 ) 约束条件为<αi·Si>＞1，i＝1，2，...，C从而确定最优超球面分类面，该分类面是能最大限度的包含所有聚类样本的最小分类面；5)根据已求得的超球面分类函数P(x)＝{P1(x)，P2(x)，...，PC(x)}，定义哈希函数簇H(x)＝{H1(x)，H2(x)，...，HC(x)}，其中 H i ( x ) = sign ( P i ( x ) ) = 1 P i ( x ) > = 0 0 else 对于特征库中的每个特征向量GIi，(1≤i≤N)，利用哈希函数簇H(x)＝{H1(x)，H2(x)，...，HC(x)}生成长度为C的哈希序列HIi＝{H1Ii，...，HCIi}，(1≤i≤N)；6)对于查询图像Q，提取其Gist特征向量GQ后，利用哈希函数簇H(x)＝{H1(x)，H2(x)，...，HC(x)}构造其对应的查询哈希序列HQ＝{H1Q，...，HCQ}；7)对于查询哈希序列HQ＝{H1Q，...，HCQ}和图像特征库的每个哈希序列HIi＝{H1Ii，...，HCIi}，(1≤i≤N)，计算它们之间的汉明距离DHiQ＝∑xor(HIi，HQ)，(1≤i≤N)，根据距离大小判断图像库中图像与查询图像之间的相似性。