圖像是人類對于自然景物的視覺認知基礎(chǔ),是人類社會活動中最常用的信息載體。隨著互聯(lián)網(wǎng)的發(fā)展、大數(shù)據(jù)時代的到來、圖像采集工具的普及,生活中出現(xiàn)了越來越多的圖像,人們對于大規(guī)模圖像檢索的要求也越來越高。當(dāng)前大規(guī)模圖像數(shù)據(jù)庫的檢索有著圖像數(shù)據(jù)量大、特征維度高以及要求響應(yīng)的時間短等特點,基于內(nèi)容的圖像檢索在新的情況下面臨著新的挑戰(zhàn)。原始的線性掃描方法雖然有著較高的檢索精度,但是它的檢索的過程需要較長的時間和較多的內(nèi)存資源�；跇涞膱D像檢索方法在處理低維數(shù)據(jù)時較線性掃描有較大提升,但是在處理高維數(shù)據(jù)時其檢索效率大幅度下降,使得基于樹的圖像檢索方法無法適用于大規(guī)模圖像的檢索,為此基于哈希的圖像檢索方法被提了出來。基于哈希的圖像檢索方法將圖像的特征轉(zhuǎn)變?yōu)楣４a,使用漢明距離來比較圖像的相似性,可以大大減少計算機的內(nèi)存消耗和檢索響應(yīng)時間,因而它能更好的適用于大規(guī)模圖像的檢索。該文在用于大規(guī)模圖像檢索的哈希編碼方法方面做了大量的研究,論文的主要工作和貢獻總結(jié)如下:首先,為了降低哈希圖像檢索編碼時的信息損失問題,設(shè)計了一種最小損失哈希的圖像檢索算法。通過結(jié)合主成分分析與拉普拉斯特征映射,將原始高維數(shù)據(jù)進行降維處理;然后對特征降維和二進制量化的損失函數(shù)求極值得到哈希函數(shù);最后,哈希函數(shù)將原始特征矩陣轉(zhuǎn)換為哈希碼矩陣,計算圖像哈希碼間的漢明距離得到圖像的相似性。該文所提出的方法分別在四個數(shù)據(jù)集上進行實驗,并與領(lǐng)域相關(guān)方法進行比較。實驗結(jié)果表明文中提出的方法可以更好的保護數(shù)據(jù)的近鄰特征和降低量化編碼過程中的信息損失,提高了檢索精度。其次,為了解決單比特量化無法很好的保護特征的近鄰結(jié)構(gòu)以及曼哈頓量化檢索時耗時過多的缺點,設(shè)計了一種使用位運算的雙比特高效量化方法。該方法采用一種新的編碼方法,在二值編碼時加入數(shù)據(jù)的位置信息,用來表示數(shù)據(jù)之間的近鄰關(guān)系。在距離計算時設(shè)計一種經(jīng)過微調(diào)的漢明距離度量方法,使得在距離計算時充分發(fā)揮計算機高效的位運算能力,以此來提高計算速度。該方法分別在四個數(shù)據(jù)集上進行實驗,并與現(xiàn)有的量化方法進行比較,實驗結(jié)果表明該量化方法確實在檢索速度和檢索精度方面均有優(yōu)勢。
【學(xué)位單位】：重慶郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TN919.81
【部分圖文】：

圖 1.1 KD 樹的簡單示例哈希的圖像檢索算法的研究現(xiàn)狀希的圖像檢索方法將原始圖像特征映射到漢明空間中，使用哈希，可有效提高檢索的效率。其中漢明空間也就是得到的哈希碼所，哈希函數(shù)的作用就是將歐式空間的特征數(shù)據(jù)離散化到漢明空希編碼階段將在歐式空間相似的圖像特征映射到漢明空間中，那碼也應(yīng)該是相似的，這就是哈希保護近鄰關(guān)系的特性。在進行圖儲圖像的哈希碼，這就甩掉了存儲大量原始圖像帶來的內(nèi)存消之間的相似性方面，哈希圖像檢索可以使用計算機內(nèi)部計算器來計算圖像之間的漢明距離，從而大幅度降低檢索的響應(yīng)時間得到的哈希碼一般都要低于圖像的原始特征，這可以有效解決

由原始數(shù)據(jù)點得到二值哈希碼在數(shù)學(xué)上是一個 NP 困難的問題，所以現(xiàn)有的哈希算法大都是將這個過程分為映射和量化兩個階段來處理的。現(xiàn)在映射階段有許多哈希函數(shù)的設(shè)計方法。比如數(shù)據(jù)獨立哈希方法通常使用隨機投影，數(shù)據(jù)依賴哈希利用數(shù)據(jù)的分布信息以及各種監(jiān)督信息來確定哈希函數(shù)的最優(yōu)參數(shù)。現(xiàn)在最常用的是廣義線性投影形式的哈希函數(shù)，如下公式 2.1 所示：( ) sgn( ( ))Tk k kh x f w x b(2.1)這里的 f ( )是一個預(yù)定義的函數(shù)，也可能是非線性的。式中要確定的參數(shù)是1{ ,b }Kk k kw ，分別是指映射向量和相對應(yīng)的常數(shù)項。在量化階段，雖然現(xiàn)在有一些用于量化的方案，但還需要研究者們投入更多的精力。量化一般是將將投影向量轉(zhuǎn)化為一定長度的二進制哈希碼。當(dāng)前，大多數(shù)哈希方法使用的是基于閾值的單比特量化方法，這種方法根據(jù)閾值將每個投影維度的數(shù)據(jù)二值化為 0 和 1。

圖 2.2 基于哈希的圖像檢索框架基于哈希的圖像檢索一般框架如圖 2.2 所示，整個過程大致分為特征提取、哈希編碼、漢明距離排序和重排四個步驟[62]。(1) 特征提取。首先要對整個圖像數(shù)據(jù)庫進行特征提取，這里使用的圖像特征一般是顏色特征、GIST 特征、CNN 特征等高維全局特征。(2) 哈希編碼。這個過程一般分為映射和量化兩個步驟。先將原始圖像特征通過哈希函數(shù)映射到漢明空間，然后使用量化策略將漢明空間的值量化為二值哈希碼，最后每張圖像都獲得一定長度的二進制串。(3) 漢明距離排序。將查詢圖像的哈希碼與數(shù)據(jù)庫中每張圖像的哈希碼值計算漢明距離，按照得到了漢明距離將圖像排序。(4) 重排。在實際的工程應(yīng)用中會有重排這一步，將漢明距離排序后的前 K 張圖像使用歐氏距離再計算他們的相似度，得到最后的結(jié)果。在研究哈希算法時一般不需這步。
【相似文獻】

相關(guān)期刊論文 前10條

1 陳濤;;基于多示例學(xué)習(xí)的圖像檢索方法[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2019年04期

2 樂藝;;基于機器學(xué)習(xí)的大規(guī)模船舶圖像檢索機制[J];艦船科學(xué)技術(shù);2019年18期

3 方恩亮;細胞分裂方式圖像檢索[J];中學(xué)生物教學(xué);1996年02期

4 冀振燕;姚偉娜;皮懷雨;;個性化圖像檢索和推薦[J];北京郵電大學(xué)學(xué)報;2017年03期

5 何巖;;以計算機為基礎(chǔ)的色彩圖像檢索方法與研究[J];計算機光盤軟件與應(yīng)用;2013年12期

6 陳雅芳;;基于顏色特征與紋理特征的圖像檢索[J];硅谷;2012年06期

7 張麗麗;劉昌余;;基于盲取證的醫(yī)學(xué)圖像檢索及語義表達研究綜述[J];電腦知識與技術(shù);2012年22期

8 曹梅;;網(wǎng)絡(luò)圖像檢索行為與心理研究[J];中國圖書館學(xué)報;2011年05期

9 崔文成;邵虹;;基于遺傳算法的圖像檢索中特征權(quán)重自動調(diào)整[J];計算機工程與應(yīng)用;2008年02期

10 聶桂軍;周源;;圖像檢索研究進展[J];南京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報;2008年02期

相關(guān)博士學(xué)位論文 前10條

1 李瑩;圖像檢索中的特征表達與排序研究[D];大連理工大學(xué);2019年

2 周菊香;圖像檢索中的特征表達和相似性度量方法研究[D];大連理工大學(xué);2019年

3 劉若愚;圖像檢索中的特征學(xué)習(xí)和索引技術(shù)研究[D];北京交通大學(xué);2019年

4 田星;動態(tài)環(huán)境下的圖像檢索問題研究[D];華南理工大學(xué);2019年

5 周容;基于輪廓的圖像檢索研究[D];上海交通大學(xué);2016年

6 于來行;基于視覺注意模型的圖像檢索方法研究[D];大連理工大學(xué);2018年

7 蘇雯;語義分割及其在圖像檢索中的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2018年

8 張憲林;基于草圖的圖像檢索關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2019年

9 李珂;基于草圖的精細圖像檢索[D];北京郵電大學(xué);2019年

10 蘇琨;手指靜脈圖像檢索與融合識別方法研究[D];山東大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 王一霄;基于深度學(xué)習(xí)的圖像檢索研究[D];電子科技大學(xué);2019年

2 王培雷;基于殘差網(wǎng)絡(luò)的多標(biāo)簽圖像檢索方法研究[D];桂林電子科技大學(xué);2019年

3 王娟;基于社會化標(biāo)簽和顯著性區(qū)域的深度學(xué)習(xí)圖像檢索方法[D];西北大學(xué);2019年

4 趙恒川;基于語義的交互式圖像檢索[D];電子科技大學(xué);2019年

5 艾妮;圖像檢索中局部特征聚合的研究[D];吉林大學(xué);2019年

6 苗壯;熵在圖像檢索領(lǐng)域的應(yīng)用算法研究[D];吉林大學(xué);2019年

7 郭慧俐;面向區(qū)域表達的實例檢索方法研究[D];吉林大學(xué);2019年

8 杜安鈺;基于隱私保護的多特征圖像檢索算法研究[D];新疆大學(xué);2019年

9 陳建華;基于多特征融合與LSH的密文圖像檢索研究[D];中南林業(yè)科技大學(xué);2019年

10 呂明;基于多特征編碼的圖像檢索[D];河南大學(xué);2019年

本文編號：2848146