[發明專利]一種利用卷積計算圖像哈希值的方法

有效

• 申請號: 202110854478.0
• 申請日: 2021-07-28
• 公開（公告）號: CN113436188B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 蔣遂平;袁曉光;李平原;王璐靜
• 申請（專利權）人: 北京計算機技術及應用研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/44;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 中國兵器工業集團公司專利中心 11011
• 代理人: 辛海明

本發明涉及一種利用卷積計算圖像哈希值的方法，屬于圖像處理領域。本發明選擇一個適當的圖像分類卷積神經網絡，利用訓練圖像訓練卷積神經網絡，使其達到穩定狀態；將需要計算哈希值的圖像輸入卷積神經網絡，保留卷積神經網絡中每一層的卷積操作輸出的特征圖像；計算每一層各個特征圖像的信號強度和每一層全部特征圖像的平均信號強度，根據特征圖像的信號強度和平均信號強度的相對大小，計算每一層的哈希值；將各層哈希值串接就得到圖像的哈希值。本發明提出的計算圖像哈希值的方法，能夠有效提取卷積神經網絡提取的輸入圖像的特征信息，使得相似圖像的哈希值相似，有助于圖像大數據的快速檢索，在圖像大數據應用中具有重要的應用價值。

技術領域

本發明屬于圖像處理領域，具體涉及一種利用卷積計算圖像哈希值的方法。

背景技術

隨著信息技術的發展，人們在互聯網上累計了大量的圖像，形成了圖像大數據。其中，相當大一部分圖像是相同或相似的，不僅浪費了大量網絡傳輸時間和存儲空間，也浪費了人們的瀏覽時間，給人類造成了信息過載。如果能快速判斷兩幅圖像的相似性，人們就可以減少瀏覽時間，不上傳或存儲相似的圖像。

哈希值是圖像、音頻和視頻等多媒體文件中包含的特征的一種指紋。因此，在圖像大數據中，由于圖像的數量巨大，通常采用哈希值判斷圖像的相似性。

目前，已經有多種計算圖像的哈希值的方法，例如谷歌提出的圖像感知哈希值方法。這些方法中，很少考慮圖像的內容，即很少考慮圖像的特征。因此，不同的圖像可能具有相似的哈希值；相同的圖像經過較小幅度的縮小、放大、平移、旋轉后，哈希值差異較大。

因此，需要一種考慮圖像內容的哈希值計算方法，使得視覺相似的圖像的哈希值也相似。本發明正是基于這種現實需求而產生的。

發明內容

(一)要解決的技術問題

本發明要解決的技術問題是如何提供一種利用卷積計算圖像哈希值的方法，以解決不同的圖像可能具有相似的哈希值；相同的圖像經過較小幅度的縮小、放大、平移、旋轉后，哈希值差異較大的問題。

(二)技術方案

為了解決上述技術問題，本發明提出一種利用卷積計算圖像哈希值的方法，該方法包括如下步驟：

S1、神經網絡選擇步驟：選擇一個適當的圖像分類卷積神經網絡，利用訓練圖像訓練卷積神經網絡，使其達到穩定狀態；

S2、特征圖像獲取步驟：將需要計算哈希值的圖像輸入訓練完畢的卷積神經網絡，保留卷積神經網絡中每一層的卷積操作輸出的特征圖像；

S3、分層哈希值計算步驟：計算每一層各個特征圖像的信號強度和每一層全部特征圖像的平均信號強度，根據特征圖像的信號強度和平均信號強度的大小，計算每一層的哈希值；

S4、圖像哈希值計算步驟：將各層哈希值串接就得到圖像的哈希值。

進一步地，所述步驟S1中適當的用于圖像分類的卷積神經網絡共有C個卷積層，卷積層u有Ku個卷積核，u＝1,2,…,C，輸出Ku幅特征圖像。

進一步地，所述步驟S2具體包括：將一幅圖像縮放成選擇的卷積神經網絡規定大小的原始圖像，輸入經過訓練的卷積神經網絡，保留每個卷積層輸出的特征圖像。

進一步地，所述圖像分類卷積神經網絡為AlexNet卷積神經網絡。

進一步地，所述AlexNet網絡共有8層，其中，前5層為卷積和池化層，第1個卷積層輸入為224×224大小的原始圖像，輸出96幅55×55大小的特征圖像，第2個卷積層輸出256幅27×27大小的特征圖像，第3個卷積層輸出384幅13×13大小的特征圖像，第4個卷積層輸出384幅13×13大小的特征圖像，第5個卷積層輸出256幅6×6大小的特征圖像，這樣，共有D＝96+256+384+384+256＝1396幅特征圖像。