一种基于中心映射的图像哈希检索方法

1.一种基于中心映射的图像哈希检索方法，其特征在于，使用深度模型将图像映射为哈希码提取图像特征，将高维浮点向量特征聚类中心映射到低维汉明空间锚点，以图像在高维空间中的特征与聚类中心的距离和低维锚点为依据构建目标训练模型；在预测阶段，图像通过模型得到哈希码，按照哈希码间的汉明距离判断图片间的相似性；所述的基于中心映射的图像哈希检索方法，包括以下步骤：S1、构建数据集：按照7:2:1的比例划分为被检索库数据、训练数据和测试数据；S2、构建训练数据的特征集合：使用在ImageNet数据集上预训练过的CNN模型提取所有训练集图像的特征，这些特征构成一个训练集的特征集合 S3、K-means聚类，对S2中的特征集合进行K-means聚类，得到训练集在高维特征空间中的K个聚类中心 S4、按照S3中的聚类中心数量K，从Hadamard矩阵中任意选取K列作为低维汉明空间中的锚点，表示为矩阵形式 S5、构建模型：使用若干层全连接层构建模型f(·)，其中第一层的输入维度等于S2中预训练CNN的输出大小，最后一层输出维度等于哈希码的比特数；S6、特征中心映射：将S2中得到的K个聚类中心与S3中得到的K个锚点一一对应，实现高维浮点向量特征聚类中心与低维汉明空间哈希码中心的映射；S7、构造训练目标：对于一张训练图像，使用S2中的CNN预训练网络得到特征x i ,i＝1,2,…,n后，计算该特征与S3中得到的K个中心间的欧式距离：d i,k ＝dist(x i ,c k )＝‖x i -c k ‖ 2 ,k＝1,2,…,K取相反数并做SoftMax归一化后作为各中心对该样本的权重：w i ＝softmax(-d i )按照S6中的映射关系对各低维汉明空间中的锚点H做加权平均；使用sign函数符号化后作为本样本在低维汉明空间中的训练目标：S8、训练模型：将模型输出 与训练目标y i 间的cosine距离作为损失训练网络，具体表示如下：S9、哈希码推理：对任一张图像，将其输入S2中的CNN模型得到高维浮点向量特征x，再将其输入S5中经过训练的模型并使用sign函数符号化后得到该图像对应的哈希码y：y＝(sign(f(x))+1)/2S10、图像检索：将被检索库中的图像和新图像按照S9中得到图像对应的哈希码并存储，计算新图像的哈希码与全部被检索库图像的哈希码之间的汉明距离，按照汉明距离升序排列后取汉明距离最小的前N个作为检索得到的相似图像。 2.根据权利要求1所述的基于中心映射的图像哈希检索方法在装修图片查找中的应用。