一种利用卷积计算图像哈希值的方法技术

本发明专利技术涉及一种利用卷积计算图像哈希值的方法，属于图像处理领域。本发明专利技术选择一个适当的图像分类卷积神经网络，利用训练图像训练卷积神经网络，使其达到稳定状态；将需要计算哈希值的图像输入卷积神经网络，保留卷积神经网络中每一层的卷积操作输出的特征图像；计算每一层各个特征图像的信号强度和每一层全部特征图像的平均信号强度，根据特征图像的信号强度和平均信号强度的相对大小，计算每一层的哈希值；将各层哈希值串接就得到图像的哈希值。本发明专利技术提出的计算图像哈希值的方法，能够有效提取卷积神经网络提取的输入图像的特征信息，使得相似图像的哈希值相似，有助于图像大数据的快速检索，在图像大数据应用中具有重要的应用价值。要的应用价值。要的应用价值。

【技术实现步骤摘要】
一种利用卷积计算图像哈希值的方法


[0001]本专利技术属于图像处理领域，具体涉及一种利用卷积计算图像哈希值的方法。

技术介绍

[0002]随着信息技术的发展，人们在互联网上累计了大量的图像，形成了图像大数据。其中，相当大一部分图像是相同或相似的，不仅浪费了大量网络传输时间和存储空间，也浪费了人们的浏览时间，给人类造成了信息过载。如果能快速判断两幅图像的相似性，人们就可以减少浏览时间，不上传或存储相似的图像。
[0003]哈希值是图像、音频和视频等多媒体文件中包含的特征的一种指纹。因此，在图像大数据中，由于图像的数量巨大，通常采用哈希值判断图像的相似性。
[0004]目前，已经有多种计算图像的哈希值的方法，例如谷歌提出的图像感知哈希值方法。这些方法中，很少考虑图像的内容，即很少考虑图像的特征。因此，不同的图像可能具有相似的哈希值；相同的图像经过较小幅度的缩小、放大、平移、旋转后，哈希值差异较大。
[0005]因此，需要一种考虑图像内容的哈希值计算方法，使得视觉相似的图像的哈希值也相似。本专利技术正是基于这种现实需求而产生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用卷积计算图像哈希值的方法，其特征在于，该方法包括如下步骤：S1、神经网络选择步骤：选择一个适当的图像分类卷积神经网络，利用训练图像训练卷积神经网络，使其达到稳定状态；S2、特征图像获取步骤：将需要计算哈希值的图像输入训练完毕的卷积神经网络，保留卷积神经网络中每一层的卷积操作输出的特征图像；S3、分层哈希值计算步骤：计算每一层各个特征图像的信号强度和每一层全部特征图像的平均信号强度，根据特征图像的信号强度和平均信号强度的大小，计算每一层的哈希值；S4、图像哈希值计算步骤：将各层哈希值串接就得到图像的哈希值。2.如权利要求1所述的利用卷积计算图像哈希值的方法，其特征在于，所述步骤S1中适当的用于图像分类的卷积神经网络共有C个卷积层，卷积层u有Ku个卷积核，u＝1,2,
…
,C，输出Ku幅特征图像。3.如权利要求1所述的利用卷积计算图像哈希值的方法，其特征在于，所述步骤S2具体包括：将一幅图像缩放成选择的卷积神经网络规定大小的原始图像，输入经过训练的卷积神经网络，保留每个卷积层输出的特征图像。4.如权利要求1所述的利用卷积计算图像哈希值的方法，其特征在于，所述图像分类卷积神经网络为AlexNet卷积神经网络。5.如权利要求4所述的利用卷积计算图像哈希值的方法，其特征在于，所述AlexNet网络共有8层，其中，前5层为卷积和池化层，第1个卷积层输入为224
×
224大小的原始图像，输出96幅55
×
55大小的特征图像，第2个卷积层输出256幅27
×
27大小的特征图像，第3个卷积层输出384幅13
×
13大小的特征图像，第4个卷积层输出384幅13
×
13大小的特征图像，第5个卷积层输出256幅6
×
6大小的特征图像，这样，共有D＝96+256+384+384+256＝1396幅特征图像。6.如权利要求5所述的利用卷积计算图像哈希值的方法，其特征在于，所述步骤S2具体包括：将一幅图像缩放成224
×
224大小的原始图像，输入经过训练的AlexNet网络，保留每个卷积层输出的1396幅图真图像。7.如权利要求5或6所述的利用卷积计算图像哈希值的方法，其特征在于，所述计算每一层各个特征图像的信号强度具体包...

【专利技术属性】
技术研发人员：蒋遂平，袁晓光，李平原，王璐静，
申请(专利权)人：北京计算机技术及应用研究所，
类型：发明
国别省市：