[發明專利]基于局部保持迭代量化哈希的圖像檢索方法

有效

• 申請號: 201410578040.4
• 申請日: 2014-10-24
• 公開（公告）號: CN104317902B
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 王秀美;丁利杰;高新波;田春娜;鄧成;韓冰;牛振興;季秀云
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 王品華,朱衛星

1.一種基于局部保持迭代量化哈希的圖像檢索方法，包括如下步驟：

(1)調用圖像數據庫中原始圖像，對原始圖像數據進行特征提取，得到圖像特征數據；

(2)對圖像特征數據做歸一化處理，得到歸一化數據；

(3)對歸一化數據進行主成分分析降維，得到低維的歸一化數據矩陣：

(3a)聯合每個圖像特征數據的歸一化向量，得到圖像特征數據的歸一化矩陣；

(3b)計算圖像特征數據的歸一化矩陣的協方差矩陣；

(3c)根據圖像特征數據的歸一化矩陣的協方差矩陣，計算協方差矩陣的特征值和特征向量；

(3d)將協方差矩陣的特征值從大到小順序排列，并提取出協方差矩陣的前r個最大特征值；

(3e)根據協方差矩陣的前r個最大特征值，獲得與此r個最大特征值所對應的r個特征向量；

(3f)將圖像特征數據的歸一化矩陣和獲得的r個特征向量相乘，得到n行r列的低維歸一化數據矩陣V,其中n表示圖像的總個數，r表示圖像數據哈希編碼的長度；

(4)從低維的歸一化數據矩陣隨機選取五分之一的數據矩陣作為圖像測試數據矩陣，其余的五分之四的歸一化數據矩陣作為圖像訓練數據矩陣；

(5)構造圖像訓練數據矩陣之間的近鄰圖，得到圖像訓練數據的近鄰關系；

5a)用圖像訓練數據矩陣的訓練數據點作為節點，用數據點之間的連線作為邊，由高斯核函數求得兩兩數據點之間的相似度作為權重，構造圖像訓練數據的無向圖；

5b)計算圖像訓練數據無向圖的拉普拉斯矩陣L，得到表現圖像訓練數據關系的正則項約束Y^TLY，其中Y為訓練數據矩陣的哈希碼，Y^T表示對Y的轉置；

(6)隨機生成一個正交矩陣作為旋轉矩陣R；

(7)根據圖像訓練數據關系的正則項約束Y^TLY，通過迭代量化，不斷優化旋轉矩陣R，得到優化后的旋轉矩陣R'；

(8)根據優化后的旋轉矩陣R'，分別得到圖像訓練數據矩陣的哈希碼B_X和圖像測試數據矩陣的哈希碼B_T；

(9)從測試數據矩陣的哈希碼B_T中取其中的一個測試數據的哈希碼，計算該哈希碼與訓練數據矩陣的哈希碼B_X之間的漢明距離，得到漢明距離向量；

(10)將漢明距離向量中的數值按從小到大的順序排序，輸出對應的原始圖像，得到檢索結果。

2.根據權利要求1所述的基于局部保持迭代量化哈希的圖像檢索方法，其特征在于，步驟(1)所述的對原始圖像數據進行特征提取，按如下步驟進行：

(1a)對每一張原始圖像3個顏色通道的像素值取均值，得到該原始圖像數據的灰度圖像；

(1b)利用Gabor濾波器對灰度圖像進行4個尺度、8個方向的濾波，得到灰度圖像的32個特征圖；

(1c)將每個特征圖分成大小為4×4的子網格，分別對每個子網格中的所有像素取均值，將該均值排列在一個向量中，得到圖像的特征數據。

3.根據權利要求1所述的基于局部保持迭代量化哈希的圖像檢索方法，其特征在于，步驟(2)所述的對圖像特征數據做歸一化處理，按如下步驟進行：

(2a)對圖像特征數據取均值，用圖像特征數據中的每個圖像特征數據分別減去該均值，得到相應的圖像特征數據的中心化向量；

(2b)對每個圖像特征數據中心化向量的各個分量的平方和開根號得到該向量的模；

(2c)用每個圖像特征數據中心化向量除以該向量的模，得到每個圖像特征數據的歸一化向量。

4.根據權利要求1所述的基于局部保持迭代量化哈希的圖像檢索方法，其特征在于，步驟(5b)所述的計算圖像訓練數據無向圖的拉普拉斯矩陣L,按如下步驟進行：

(5b1)將圖像訓練數據的無向圖的任意兩節點之間的相似度組合成相似度矩陣Z；

(5b2)對相似度矩陣Z的每一行求和，將求和結果作為矩陣的對角值，矩陣的其他元素都為零，得到相似度矩陣的度矩陣D；

(5b3)計算圖像訓練數據的拉普拉斯矩陣:L＝D-Z。