一种利用卷积神经网络和正交变换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神经网络和正交变换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训练好的卷积神经网络，保留卷积神经网络类概率层的输入作为图像的一级特征；利用正交变换，将图像的一级特征变换为图像的二级特征；根据需要的哈希值长度，截取图像的二级特征的部分分量，根据截取的图像的二级特征的部分分量的平均值将截取的图像的二级特征的各个分量二值化为0或1。本发明专利技术能够有效利用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。有助于图像大数据的快速检索。有助于图像大数据的快速检索。

【技术实现步骤摘要】
一种利用卷积神经网络和正交变换计算图像哈希值的方法


[0001]本专利技术属于图像处理领域，涉及一种利用卷积神经网络和正交变换计算图像哈希值的方法，确切说，涉及一种利用卷积神经网络和正交变换神经网络计算图像的哈希值，便于图像大数据快速判断图像间相似性的方法。

技术介绍

[0002]近年来，随着拍摄技术的进步和具有拍摄功能的手机等设备的普及，人们累计了大量的图像，形成了图像大数据。给定一幅图像，在图像大数据中查询相同或相似的图像，是图像大数据需要解决的一个问题。
[0003]常规的基于特征的图像检索方法中，特征采用浮点数表示，需要占用大量的存储资源和计算资源。因此，在图像大数据中，通常采用简单的图像哈希值来表示和检索图像。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，一般采用整数形式的字节表示，可以用逻辑运算快速判断两个哈希值的差异，能够快速提高检索速度。
[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]采用深度神经网络可以实现视觉相似图像具有相似的哈希。多数基于深度学习的图像哈希计算方法采用直接输出哈希值的方式，由于难以事先确定某幅图像的哈希值，神经网络的学习过程比较复杂，图像哈希值的长度也难以控制。在受理号为202110854478.0的《一种利用卷积计算图像哈希值的方法》，利用卷积神经网络中间层的卷积操作得到的结果作为图像的特征。这个方法在卷积模板较多时，得到的图像哈希值较长，不利于根据图像哈希值快速检索图像。
[0006]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，并能够控制图像哈希值的长度。本专利技术正是基于这种现实需求而产生的。

技术实现思路

[0007](一)要解决的技术问题
[0008]本专利技术要解决的技术问题是如何提供一种利用卷积神经网络和正交变换计算图像哈希值的方法，既能够控制哈希值的特征，又考虑了图像的特征，满足视觉相似的图像的哈希值相似的需求。
[0009](二)技术方案
[0010]为了解决上述技术问题，本专利技术提出一种利用卷积神经网络和正交变换计算图像哈希值的方法，该方法包括如下步骤：
[0011]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，具有较高的准确性；
[0012]S2、图像特征获取步骤：将需要计算哈希值的图像输入训练好的卷积神经网络，保
留卷积神经网络类概率层的输入作为图像的一级特征；
[0013]S3、图像特征变换步骤：利用正交变换，将图像的一级特征变换为图像的二级特征；
[0014]S4、图像哈希值计算步骤：根据需要的哈希值长度，截取图像的二级特征的部分分量，根据截取的图像的二级特征的部分分量的平均值将截取的图像的二级特征的各个分量二值化为0或1。
[0015]进一步地，所述步骤S1中，卷积神经网络为VGGNet
‑
16卷积神经网络，VGGNet
‑
16网络共有16层，其中，前13层为卷积和池化层，后3层为全连接层，最后的全连接层的输出直接进入类概率层，即SoftMax层。
[0016]进一步地，所述步骤S2中，将需要计算哈希值的图像缩放为满足卷积神经网络输入要求的图像后，输入到训练好的卷积神经网络。
[0017]进一步地，所述步骤S2中，VGGNet
‑
16卷积神经网络的输入为224
×
224大小的原始图像，输出为1000个类别，图像的一级特征为一个1000维的向量。
[0018]进一步地，所述步骤S3中，正交变换为离散余弦变换、Hadamard变换或Haar变换。
[0019]进一步地，所述步骤S3在变换前，如果图像的一级特征X的分量数目不是2的整数幂次，增加一定数目的分量，使得X的分量数目是2的整数幂次。
[0020]进一步地，对于VGGNet
‑
16网络，如果得到的图像一级特征为1000维的向量X＝(x1,x2,
…
,x
1000
)，则加上24个值为0的分量，扩展为1024维的向量X
’
＝(x1,x2,
…
,x
1024
)，其中，x
1001
到x
1024
的值都为0；然后，将X
’
作为正交变换的输入，进行正交变换，得到正交变换后向量Y＝(y1,y2,
…
,y
1024
)，Y就是图像的二级特征。
[0021]进一步地，所述步骤S4具体包括：根据需要的哈希值长度N，截取图像的二级特征的前面N个分量，根据截取的图像的二级特征的前面N个分量的平均值，将截取的图像的二级特征的各个分量二值化为0或1，即，如果某个分量的值大于等于的平均值，则对应的哈希值中的位为1，否则，对应的哈希值中的位为0。
[0022]进一步地，对于VGGNet
‑
16网络，如果需要的图像哈希值为64比特，就截取图像二级特征的64个分量，得到Y
’
＝(y1,y2,
…
,y
64
)；然后计算平均值y＝(y1+y2+
…
+y
64
)/64；如果哈希值为Z＝(z1,z2,
…
,z
64
)，则z
i
的计算方法为：如果y
i
≥y，则z
i
＝1，否则z
i
＝0。
[0023]进一步地，64个分量为图像二级特征的前64个分量。
[0024](三)有益效果
[0025]本专利技术提出一种利用卷积神经网络和正交变换计算图像哈希值的方法，本专利技术提出的计算图像哈希值的方法，能够有效利用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，并且能够根据需要控制哈希值的长度，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。
附图说明
[0026]图1是本专利技术的一种利用卷积神经网络和正交变换计算图像哈希值的方法的流程图；
[0027]图2是本专利技术的一种利用卷积神经网络和正交变换计算图像哈希值的方法示意图。
具体实施方式
[0028]为使本专利技术的目的、内容和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。
[0029]本专利技术公开了一种利用卷积神经网络和正交变换计算图像哈希值的方法，该方法包括：(1)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】
1.一种利用卷积神经网络和正交变换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，具有较高的准确性；S2、图像特征获取步骤：将需要计算哈希值的图像输入训练好的卷积神经网络，保留卷积神经网络类概率层的输入作为图像的一级特征；S3、图像特征变换步骤：利用正交变换，将图像的一级特征变换为图像的二级特征；S4、图像哈希值计算步骤：根据需要的哈希值长度，截取图像的二级特征的部分分量，根据截取的图像的二级特征的部分分量的平均值将截取的图像的二级特征的各个分量二值化为0或1。2.如权利要求1所述的利用卷积神经网络和正交变换计算图像哈希值的方法，其特征在于，所述步骤S1中，卷积神经网络为VGGNet
‑
16卷积神经网络，VGGNet
‑
16网络共有16层，其中，前13层为卷积和池化层，后3层为全连接层，最后的全连接层的输出直接进入类概率层，即SoftMax层。3.如权利要求2所述的利用卷积神经网络和正交变换计算图像哈希值的方法，其特征在于，所述步骤S2中，将需要计算哈希值的图像缩放为满足卷积神经网络输入要求的图像后，输入到训练好的卷积神经网络。4.如权利要求3所述的利用卷积神经网络和正交变换计算图像哈希值的方法，其特征在于，所述步骤S2中，VGGNet
‑
16卷积神经网络的输入为224
×
224大小的原始图像，输出为1000个类别，图像的一级特征为一个1000维的向量。5.如权利要求1
‑
4任一项所述的利用卷积神经网络和正交变换计算图像哈希值的方法，其特征在于，所述步骤S3中，正交变换为离散余弦变换、Hadamard变换或Haar变换。6.如权利要求5所述的利用卷积神经网络和正交变换计算图像哈希值的方法，其特征在于，所述步骤S3在变换前，如果图像的一级特征X的分量数目不是2的整数幂次，增加一定数目的分量，使得X的分量数目是2的整数幂次。7.如权利要求5所述的利用卷积神经网络和正交变换计算图像哈希值的方法，其特征在于，...

【专利技术属性】
技术研发人员：李平原，袁晓光，任凯琦，蒋遂平，
申请(专利权)人：北京航天爱威电子技术有限公司，
类型：发明
国别省市：