面向圖像索引的哈希方法研究.pdf

1、隨著智能設(shè)備的日益普及，圖像的種類和數(shù)量呈現(xiàn)爆炸式增長(zhǎng)，對(duì)圖像的有效檢索成為了熱門(mén)話題。有效的索引機(jī)制是實(shí)現(xiàn)大規(guī)模圖像檢索的一個(gè)重要前提，而傳統(tǒng)的圖像索引算法一般適用于少量且低維的場(chǎng)景中，不能處理海量數(shù)據(jù)。因此，針對(duì)海量、高維圖像數(shù)據(jù)，建立有效的索引并實(shí)現(xiàn)準(zhǔn)確、快速的檢索任務(wù)已成為計(jì)算機(jī)視覺(jué)中的研究熱點(diǎn)?；诠５乃饕惴ň哂胁樵兯俣瓤?，存儲(chǔ)占用小的優(yōu)點(diǎn)，近些年受到了廣泛的關(guān)注。在這一背景下，本文的主要工作是研究哈希算法及其在大規(guī)模圖像

2、索引中的應(yīng)用，主要包括:
　　(1)提出了各向同性的迭代量化哈希算法。迭代量化哈希(Iterative Quantization，ITQ)對(duì)旋轉(zhuǎn)矩陣施加的約束過(guò)于單薄，容易導(dǎo)致過(guò)擬合;各向同性哈希(IsoHash)缺乏對(duì)哈希編碼的更新策略，無(wú)法保證編碼質(zhì)量最優(yōu)。針對(duì)上述問(wèn)題，本文采用迭代的策略，對(duì)編碼矩陣和旋轉(zhuǎn)矩陣交替更新，并在正交約束的基礎(chǔ)上增加各向同性約束來(lái)學(xué)習(xí)最優(yōu)旋轉(zhuǎn)矩陣，使得投影具有更小的量化誤差。實(shí)驗(yàn)中與主流算法進(jìn)行了對(duì)

3、比，結(jié)果表明，該算法具有更好的查全率、查準(zhǔn)率。
　　(2)提出了逆譜哈希。譜哈希(Spectral Hash，SH)目標(biāo)函數(shù)的優(yōu)化不能保證在原始高維空間中近鄰的樣本點(diǎn)投影到低維編碼空間中依然近鄰，在各種檢索評(píng)價(jià)指標(biāo)中要落后于主流哈希算法。本文在SH的基礎(chǔ)上將輸入與輸出位置交換，將相似性定義從根據(jù)原始高維數(shù)據(jù)轉(zhuǎn)變成根據(jù)低維的哈希編碼，采用人工神經(jīng)網(wǎng)絡(luò)模擬哈希函數(shù)進(jìn)行求解。實(shí)驗(yàn)結(jié)果表明，該算法保證了相鄰樣本投影后海明距離小，不相鄰樣本