一种基于数据清除消冗的电力场景图像数据筛选方法技术

本发明专利技术公开了一种基于数据清除消冗的电力场景图像数据筛选方法，属于数据筛选技术领域，目的在于提供一种基于数据清除消冗的电力场景图像数据筛选方法，解决现有电力场景图像数据因数据冗余，造成图像数据筛选效率低的问题。其针对不同业务场景下的数据特点，融合基于哈希的图检索方法以及局部敏感哈希的近似最近邻统计编码方法，结合可利用深度神经网络卷积层得到特定的局部图形特征来得到检索结果，从而实现对图像数据涉及的特征提取和近邻查找技术的优化，提取出能够高效表征图像的特征向量，进行快速视觉内容查找，达到图像数据的高效筛选。本发明专利技术适用于基于数据清除消冗的电力场景图像数据筛选方法。电力场景图像数据筛选方法。电力场景图像数据筛选方法。

【技术实现步骤摘要】
一种基于数据清除消冗的电力场景图像数据筛选方法


[0001]本专利技术属于数据筛选
，具体涉及一种基于数据清除消冗的电力场景图像数据筛选方法。

技术介绍

[0002]在电力场景下，由于电力大数据类型繁多，数据量大，由于数据冗余，造成筛选效率十分低下，因此如何消除数据之间的冗余是进行数据筛选的关键环节之一。
[0003]随着多媒体的推广和应用，以及信息和网络技术的发展，产生了大量的各式各样的视觉内容，比如电力巡检的遥感影像等等。消除图像数据的冗余，需要在所有图像之间进行比较，直接比较图像无疑是不可能实现的，而基于图像视觉内容检索的比对方式正是解决此类问题的一个行之有效的方法。

技术实现思路

[0004]本专利技术的目的在于：提供一种基于数据清除消冗的电力场景图像数据筛选方法，解决现有电力场景图像数据因数据冗余，造成图像数据筛选效率低的问题。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于数据清除消冗的电力场景图像数据筛选方法，包括以下步骤：
[0007](1)基于哈希的图像检索方法，提取图像数据库中图像高维、细节不变性特征，构造特征空间向量，将特征进行哈希编码；
[0008](2)输入查询图像，基于哈希的图像检索方法，提取查询图像高维、细节不变性特征，构造特征空间向量，将特征进行哈希编码；
[0009](3)基于哈希编码间的汉明距离进行相似性排序并重排得到目标检索结果；完成图像数据筛选。
[0010]进一步地，所述步骤(2)中，基于哈希的图像检索方法通过特征学习编码成二值哈希，并利用XOR异或运算，在降低内存消耗的同时缩短计算响应时间；
[0011]扩展到高维空间中，采用随机超平面将空间划分成多个子区域来构造哈希函数，结合特征数据在哈希编码的索引阶段进行桶排序存储，并通过映射比较得到最终的近邻，形成一个在构造哈希函数阶段没有利用到数据且构造阶段没有训练的放松约束的局部敏感哈希。
[0012]进一步地，融合基于哈希的图检索方法以及局部敏感哈希的近似最近邻统计编码方法，结合可利用深度神经网络卷积层得到特定的局部图形特征来得到检索结果，具体步骤为：
[0013]S1,选择预设的类簇数并通过聚类生成量化器，对图像原始特征进行量化，过滤特征本身的噪声，使得相似的特征能够被匹配到，建立索引；
[0014]S2，根据建立索引得到的候选列表特征向量同查询图像的特征向量进行距离计算并对结果Reranking，最终返回最近邻结果；
[0015]利用汉明距离阈值，在将向量嵌入到二值哈希空间中，减少重排序候选的长度，平衡量化噪声和检索复杂度。
[0016]进一步地，向量嵌入到二值哈希空间中的映射矩阵学习算法如下：
[0017]输入：学习集合L
N
为学习集合包含的向量个数，
[0018]设d为原始特征纬度，d
b
为embed后的二进制特征维度；
[0019]步骤a：随机产生一个高斯矩阵，进行QR正交分解，提取正交矩阵Q的前d
b
行向量构造维度为d
b
x
d
的正交投影矩阵P；
[0020]步骤b：对学习集Ω中每个向量x
i
使用矩阵P进行投影得到向量集合
[0021]步骤c：通过步骤b得到的Z
ih
得到计算第l簇的中值投影向量Tl，Tlh＝median{Z
ih
},h∈[1,d
b
]；
[0022]步骤d：利用粗量化器q量化x，且使用P将x投影到z；
[0023]步骤e：利用细量化器将x映射为二进制向量；
[0024]输出：投影矩阵P，二进制向量。。
[0025]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0026]1、本专利技术中，针对不同业务场景下的数据特点，融合基于哈希的图检索方法以及局部敏感哈希的近似最近邻统计编码方法，结合可利用深度神经网络卷积层得到特定的局部图形特征来得到检索结果，从而实现对图像数据涉及的特征提取和近邻查找技术的优化，提取出能够高效表征图像的特征向量，进行快速视觉内容查找，达到图像数据的高效筛选。
附图说明
[0027]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：
[0028]图1为本专利技术基于哈希的图像检索方法的流程示意图；
[0029]图2为本专利技术近似最近邻搜索的示意图。
具体实施方式
[0030]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。
[0031]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]一种基于数据清除消冗的电力场景图像数据筛选方法，包括以下步骤：
[0033](1)基于哈希的图像检索方法，提取图像数据库中图像高维、细节不变性特征，构造特征空间向量，将特征进行哈希编码；
[0034](2)输入查询图像，基于哈希的图像检索方法，提取查询图像高维、细节不变性特征，构造特征空间向量，将特征进行哈希编码；
[0035](3)基于哈希编码间的汉明距离进行相似性排序并重排得到目标检索结果；完成图像数据筛选。
[0036]进一步地，所述步骤(2)中，基于哈希的图像检索方法通过特征学习编码成二值哈希，并利用XOR异或运算，在降低内存消耗的同时缩短计算响应时间；
[0037]扩展到高维空间中，采用随机超平面将空间划分成多个子区域来构造哈希函数，结合特征数据在哈希编码的索引阶段进行桶排序存储，并通过映射比较得到最终的近邻，形成一个在构造哈希函数阶段没有利用到数据且构造阶段没有训练的放松约束的局部敏感哈希。
[0038]进一步地，融合基于哈希的图检索方法以及局部敏感哈希的近似最近邻统计编码方法，结合可利用深度神经网络卷积层得到特定的局部图形特征来得到检索结果，具体步骤为：
[0039]S1,选择预设的类簇数并通过聚类生成量化器，对图像原始特征进行量化，过滤特征本身的噪声，使得相似的特征能够被匹配到，建立索引；
[0040]S2，根据建立索引得到的候选列表特征向量同查询图像的特征向量进行距离计算并对结果Reranking，最终返回最近邻结果；
[0041]利用汉明距离阈值，在将向量嵌入到二值哈希空间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据清除消冗的电力场景图像数据筛选方法，其特征在于，包括以下步骤：(1)基于哈希的图像检索方法，提取图像数据库中图像高维、细节不变性特征，构造特征空间向量，将特征进行哈希编码；(2)输入查询图像，基于哈希的图像检索方法，提取查询图像高维、细节不变性特征，构造特征空间向量，将特征进行哈希编码；(3)基于哈希编码间的汉明距离进行相似性排序并重排得到目标检索结果；完成图像数据筛选。2.按照权利要求1所述的一种基于数据清除消冗的电力场景图像数据筛选方法，其特征在于，所述步骤(2)中，基于哈希的图像检索方法通过特征学习编码成二值哈希，并利用XOR异或运算，在降低内存消耗的同时缩短计算响应时间；扩展到高维空间中，采用随机超平面将空间划分成多个子区域来构造哈希函数，结合特征数据在哈希编码的索引阶段进行桶排序存储，并通过映射比较得到最终的近邻，形成一个在构造哈希函数阶段没有利用到数据且构造阶段没有训练的放松约束的局部敏感哈希。3.按照权利要求2所述的一种基于数据清除消冗的电力场景图像数据筛选方法，其特征在于，融合基于哈希的图检索方法以及局部敏感哈希的近似最近邻统计编码方法，结合可利用深度神经网络卷积层得到特定的局部图形特征来得到检索结果，具体步骤为：S1,选择预设的类簇数并通过聚类生成量化器，对图像原始特征进行量化，过滤特征本身的噪声，使得相...

【专利技术属性】
技术研发人员：陈亮，刘垚宏，李诚，徐彤，易伟，喻婷，杨斯旭，唐海东，汪晓帆，
申请(专利权)人：国网四川省电力公司眉山供电公司，
类型：发明
国别省市：