基于流形学习数据压缩哈希的图像检索方法

基于流形学习数据压缩哈希的图像检索方法
【技术领域】
[0001] 本发明属于图像处理领域，更进一步设及大规模图像数据的快速检索方法，可用 于对图像进行二元编码，提高图像检索性能。
【背景技术】
[0002] 随着互联网技术的快速发展W及数字多媒体的广泛应用，大量图像数据应运而 生。海量的图像数据W及图像的复杂性给图像检索带来了巨大的挑战，如何快速准确地检 索出人们需要的图像成为亟待解决的问题，图像检索更是成为了人们关注的焦点。但是传 统的一些图像检索算法无法满足人们日益增长的需求。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。哈希算法将高维图像数据映射到低维汉明空间，使用二进 制编码表示图像。哈希算法既可W降低存储空间，也可W提高检索速度，因此研究基于哈希 的图像检索技术具有重要意义。
[0003] 天格科技（杭州）有限公司申请的专利"一种基于局部敏感哈希的相似人脸快速 检索方法"（申请号；201310087561. 5,公开号；CN103207898A)公开了一种基于局部敏感哈 希的人脸图像哈希索引方法。该方法通过人脸区域检测、眼睛和嘴己特征检测和特征提取、 肤色检测、人脸肤色分布特征提取等步骤将图像表示为人脸特征向量，然后利用局部敏感 哈希方法对人脸特征向量构建索引，从而提高查询时的速度。该专利申请提出的方法存在 的不足之处是；该方法需要长代码保证高的查准率，但长代码使得查全率降低且耗费更多 的存储空间；另外受随机性的影响，该方法的稳定性也不能令人满意。
[0004] 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，再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，该方法仍存在两方面的不足： 一方面要通过线性降维方式得到主成分方向，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。
[0005]化nchaoGong和SvetlanaLazebnik在文章"IterativeQuantization:A ProcrusteanApproachtoLearningBinaryCodes"（IEEEConferenceonComputer VisionandPatternReco即ition, 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，再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，使得图像 检索的查准率和查全率降低。

【发明内容】

[0006] 本发明的目的在于针对上述已有技术的不足，提出一种基于流形学习数据压缩哈 希的图像检索方法，W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。
[0007] 本发明的技术思路是；在训练模式下，对图像训练数据通过随机近邻压缩，得到训 练数据的综合压缩数据集合，根据综合压缩数据集合，运用流形学习方法计算出训练数据 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。
[000引根据上述思路，本发明的实现步骤如下：
[0009] (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；
[0010] 似对图像特征数据做归一化处理，得到归一化数据矩阵；
[0011] (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 Vt，其余的数据矩阵作为图像训练数据矩阵Vx;
[001引 （4)对图像训练数据矩阵V进行随机近邻压缩，得到图像训练数据矩阵VX的综合 压缩数据矩阵S:
[0013] 4a)在图像训练数据矩阵V冲随机选取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'；
[0014] 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;
[0015] (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;
[0016] (6)构造低维的综合压缩数据矩阵Y和图像训练数据矩阵Vx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Vx之间的近邻关系矩阵RX;
[0017] 6a)根据低维的综合压缩数据矩阵Y和图像训练数据矩阵Vx，求得该两个矩阵两 两数据点之间的相似度，并用该些相似度组合成相似度矩阵Zx;
[001引6b)对相似度矩阵Zx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Rx;
[0019] (7)将低维的综合压缩数据矩阵Y和图像训练数据矩阵Vx之间的近邻关系矩阵R, 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Ex;
[0020](8)构造低维的综合压缩数据矩阵Y和图像测试数据矩阵Vt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Rt;
[002U (9)将综合压缩数据矩阵Y和图像测试数据矩阵Vt之间的近邻关系矩阵RT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Et;
[002引 （10)将图像训练数据流形嵌入矩阵Ex和图像测试数据流形嵌入矩阵ET进行阔值 化，分别得到训练数据矩阵的哈希码Bx和测试数据的哈希码BT;
[0023] (11)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；
[0024](。）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。
[0025] 本发明与现有技术相比具有W下优点：
[0026] 第一，本发明由于引入了流形学习方法，使得在低维流形空间中保存了高维数据 的近邻结构，克服了现有技术中图像原有的近邻信息在映射空间中丢失的缺点，改善了哈 希码性能，提高了检索精度。
[0027] 第二，本发明由于运用了数据压缩算法学习到综合压缩数据集来替代原始数据 集，减少了寻找相似最近邻数据点的时间。
[002引第=，本发明由于采用流形学习获得单组哈希编码，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】
[0029] 图1为本发明的实现流程图；
[0030] 图2为本发明与现有哈希方法在MNIST数据库下查准率-查全率、平均准确率的 实验对比图；
[0031] 图3为本发明与现有哈希方法在CIFAR-10数据库下查准率-查全率、平均准确率 的实验对比图。 具体实施方案
[0032]W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。
[0033] 参照图1，本发明实现步骤如下：
[0034] 步骤1，获取原始图像。
[003引从给定的图像数据库丽1ST或CIFAR-10中提取5000个图像，作为原始图像。
[0036] 步骤2,对原始图像进行gist特征提取，得到图像特征数据。
[0037] 对原始图像可W采用现 有的sift特征或gist特征提取等方法，本实例采用gist 特征提取，其步骤如下：
[003引 （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；
[0039] (2b)利用G油or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；
[0040] (2c)将每个特征图分成大小为4X4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，得到该张图像的特征数据。
[0041] 步骤3,对图像特征数据做归一化处理，得到归一化数据矩阵V。
[0042] (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屯、化向量；
[0043] (3b)对每个图像特征数据的中屯、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；
[0044] (3c)用每个图像特征数据中屯、化向量除m亥向量的模，得到每个图像特征数据的 归一化向量；
[0045] (3d)将图像特征数据的归一化向量进行合并，得到图像特征数据的归一化矩阵 V。
[0046] 步骤4,从归一化数据矩阵V中随机选取五分之一的数据矩阵点作为图像测试数 据矩阵Vt，其余的归一化数据矩阵作为图像训练数据矩阵Vx。
[0047] 步骤5,对图像训练数据矩阵V进行随机近邻压缩，得到图像训练数据矩阵的综合 压缩数据矩阵S。
[0048] 巧a)在图像训练数据矩阵Vx中随机选取400个数据点，作为图像训练数据矩阵V, 初始的综合压缩数据矩阵S' ；
[0049] 巧b)计算图像训练数据矩阵Vx中任意点和综合压缩数据矩阵S'中任意点之间的 欧氏距离少；
[0050] 巧C)根据数据点之间的欧氏距离少，通过相似度公式
求得图像 特征数据矩阵Vx和综合压缩数据矩阵S'之间任意两点之间的相似度U，并将任意两点之间 的相似度组合成相似度矩阵W，其中0 =0.9;
[0化1] 巧d)对相似度矩阵W做归一化处理，得到相似度概率分布矩阵P;
[005引 巧e)根据相似度概率分布矩阵P，通过最小化LiJ。= -Elog(P)，得到最优的 图像训练数据矩阵的综合压缩数据矩阵S。
[0化3] 步骤6,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。
[0化4]对图像训练数据矩阵Vx可W采用现有t分布随机近邻嵌入、局部线性嵌入等流形 学习方法，本实例采用t分布随机近邻嵌入，其步骤如下：
[0化5] 化a)随机生成一个服从标准正态分布的随机高斯矩阵Q;
[0056] 化b)最小化综合压缩数据矩阵S和随机高斯矩阵Q之间的相对滴，得到优化的低 维的综合压缩数据矩阵Y。
[0化7] 步骤7,构造综合压缩数据矩阵S和图像训练数据矩阵Vx之间的近邻图模型，得到 综合压缩数据矩阵S和图像训练数据矩阵Vx之间的近邻关系矩阵Rx。
[005引 （7a)将综合压缩数据矩阵S每个数据点作为节点，求得每个节点到图像训练数据 矩阵Vx所有数据点的欧氏距离dX，合并所有欧氏距离得到训练数据距离矩阵Dx;
[0059] (7b)将训练数据距离矩阵Dx每行中的最小的5个值保持不变，每行中其余的所有 值设置为IX1〇6,得到综合压缩数据矩阵S的欧氏训练数据近邻矩阵〇x;
[0060] (7c)通过相似度公式
求得欧氏训练数据近邻矩阵〇x任意矩阵 元素的相似度叫，并将相似度m遇合，得到图像训练数据相似度矩阵Z。其中0 =0.9;
[0061] (7d)对图像训练数据相似度矩阵Zx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馬。
[0062] 步骤8,将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Rx与低维 的综合压缩数据矩阵Y相乘，得到图像训练数据流形嵌入矩阵Ex。
[0063] 步骤9,构造综合压缩数据矩阵S和图像测试数据矩阵Vt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Rt。
[0064] 巧a)将综合压缩数据矩阵S每个数据点作为节点，求得每个节点到图像测试数据 矩阵Vt所有数据点的欧氏距离dT，合并所有欧氏距离得到测试数据距离矩阵Dt;
[00化]巧b)将测试数据距离矩阵Dt每行中的最小的5个值保持不变，每行中其余的所有 值设置为IX1〇6,得到综合压缩数据矩阵S的欧氏测试数据近邻矩阵〇T;
[0066] 巧C)通过相似度公式
冰得欧氏测试数据近邻矩阵〇T任意矩阵 元素的相似度叫，并将相似度％组合，得到图像测试数据相似度矩阵Zt，其中0 =0.9;
[0067] 巧d)对图像测试数据相似度矩阵Zt进行归一化处理，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Rt。
[0068] 步骤10,将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Rt与低维 的综合压缩数据矩阵Y相乘，得到图像训练数据流形嵌入矩阵Et。
[0069] 步骤11，将图像训练数据流形嵌入矩阵Ex和图像测试数据流形嵌入矩阵ET进行 阔值化，分别得到训练数据矩阵的哈希码Bx和测试数据的哈希码BT。
[0070] (11a)将图像训练数据流形嵌入矩阵Ex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;
[0071] (lib)将图像测试数据流形嵌入矩阵Et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。
[0072] 步骤12,求取汉明向量。
[0073] (12a)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；
[0074](12b)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。
[007引步骤13,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。
[0076] 本发明的效果结合W下仿真实验进一步说明：
[0077] 1.仿真条件
[0078] 本发明是在中央处理器为Intel(R)Core巧-34702. 80GHZ、内存8G、WINDOWS7操 作系统上，运用MTLAB软件进行的实验仿真。
[0079] 2.仿真内容
[0080] 将本发明的方法与现有四种哈希方法进行了对比，该四种方法分别是：局部敏感 哈希L甜方法、迭代量化ITQ方法、谱哈希甜方法、主成分分析哈希PCAH方法。
[0081] 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。
[0082] 仿真1 ;在丽1ST数据库下分别采用本发明方法和现有四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，
[0083] 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。
[0084] 图2化）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。
[0085] 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。
[0086] 图2(d)为各个不同哈希编码长度下平均准确率曲线图，横轴表示哈希编码长度， 纵轴表示平均准确率。
[0087] 仿真2 ;在CIFAR-10数据库下分别采用本发明方法和现有四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 ，
[008引图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。
[0089] 图3化）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。
[0090] 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。
[0091] 图3(d)为各个不同哈希编码长度下平均准确率曲线图，横轴表示哈希编码长度， 纵轴表示平均准确率。
[009引 3.仿真结果分析
[0093] 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，本发明利用流形学习方 法，使得在低维流形空间中保存了高维数据的近邻结构，并且运用数据压缩算法学习到综 合压缩数据集来替代原始数据集，能有效获取原始图像数据的哈希码，减少寻找相似最近 邻数据点的时间，从而提高了图像检索的性能。
【主权项】
1. 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Vt，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Vx进行随机近邻压缩，得到图像训练数据矩阵Vx的综合压缩 数据矩阵S : 4a)在图像训练数据矩阵Vx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Vx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Vx，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Zx; 6b)对相似度矩阵Zx?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Rx; (7) 将低维的综合压缩数据矩阵Y和图像训练数据矩阵Vx之间的近邻关系矩阵R )(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Ex; (8) 构造低维的综合压缩数据矩阵Y和图像测试数据矩阵Vt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Vt之间的近邻关系矩阵R JP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Et; (10) 将图像训练数据流形嵌入矩阵Ex和图像测试数据流形嵌入矩阵E τ进行阈值化， 分别得到训练数据矩阵的哈希码Bx和测试数据的哈希码B τ; (11) 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。2. 根据权利要求1所述的基于流形学习数据压缩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： (la) 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； (lb) 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； (lc) 将每个特征图分成大小为4X4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所述的基于流形学习数据压缩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所述的基于流形学习数据压缩哈希的图像检索方法，其特征在于， 步骤（4b)所述的用随机近邻压缩算法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，按如下步骤进行： (4bl)计算图像训练数据矩阵^中任意点和初始的综合压缩数据矩阵S'中任意点之 间的欧氏距离d° ; (4b2)根据数据点之间的欧氏距离d°，通过相似度《求得图像特 征数据矩阵Vx与初始的综合压缩数据矩阵S'之间任意两点之间的相似度u，并将任意两点 之间的相似度u组合成相似度矩阵W，其中σ = 〇. 9 ; (4b3)对相似度矩阵W做归一化处理，得到相似度概率分布矩阵P ; (4b4)根据相似度概率分布矩阵P，通过最小化Lia(S) =-Slog(P)，得到最优的图像 训练数据矩阵的综合压缩数据矩阵S。5. 根据权利要求1所述的基于流形学习数据压缩哈希的图像检索方法，其特征在于， 所述步骤（6a)中求得低维的综合压缩数据矩阵Y和图像训练数据矩阵^两矩阵两两数据 点之间的相似度，并用这些相似度组合成相似度矩阵Z x，按如下步骤进行： (6al)将综合压缩数据矩阵S每个数据点作为节点，求得每个节点到图像训练数据矩 阵Vx所有数据点的欧氏距离d x，合并所有欧氏距离得到训练距离矩阵Dx; (6a2)将训练距离矩阵0)(每行中的最小的5个值保持不变，将训练距离矩阵D x其余的 所有值设置为IX 1〇6,得到综合压缩数据矩阵S的欧氏训练近邻矩阵Ox; (6a3)通过高斯核函I求得欧氏训练近邻矩阵化任意矩阵元素的 相似度mx，将相似度叫组合，得到图像训练数据相似度矩阵Zx，其中〇 =0.9。6. 根据权利要求1所述的基于流形学习数据压缩哈希的图像检索方法，其特征在于， 所述步骤（10)中获得图像训练数据矩阵的哈希码B x，是将图像训练数据流形嵌入矩阵Ex 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 〇7. 根据权利要求1所述的基于流形学习数据压缩哈希的图像检索方法，其特征在于， 所述步骤（10)中获得图像测试数据矩阵的哈希码B t，是将图像测试数据流形嵌入矩阵Et 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 Bj ο8.根据权利要求1所述的基于流形学习数据压缩哈希的图像检索方法，其特征在于， 所述步骤（11)中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。
【专利摘要】本发明公开了一种基于流形学习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。
【IPC分类】G06F17/30
【公开号】CN104881449
【申请号】CN201510250462
【发明人】王秀美, 丁利杰, 高新波, 邓成, 田春娜, 王颖, 韩冰, 牛振兴
【申请人】西安电子科技大学
【公开日】2015年9月2日
【申请日】2015年5月15日