基于改进LLE的哈希图像检索算法研究

发布时间：2021-06-11 02:32

　　随着互联网时代的到来,图像、视频、音频等数据呈指数趋势不断地增长。“维度灾难”让传统的图像检索技术中的检索效果和检索速度逐渐发生退化。在图像检索的研究中,特征提取和索引构建都是检索任务中的关键技术。为了降低图像维数,很多研究者将注意力转移到流形学习上。其旨在高维空间中找到低维流形结构进行嵌入映射,以此达到降维效果。哈希方法通过将原始图像转化为紧凑的二进制码表示,减少了数据存储所占用的空间,还可以加快检索速度。因此,流形学习与哈希函数相结合能够更好的适用于大规模图像库检索。基于哈希的图像检索算法大致上可分为两个阶段,先降维然后再量化。这两个阶段对于最终图像检索性能的影响都是至关重要的。为了减少间接优化带来的损失,研究者已考虑到直接在汉明空间中通过学习最优二进制编码来保留原始数据之间的相似性。如何更好的体现原始数据间的相似性,对学习到最佳二进制编码也是同样重要的。本文的主要工作如下:提出了基于稀疏性LLE的哈希算法（SLLH）。该算法对流形学习中经典算法LLE进行改进,采用一种稀疏的权重表示,使每个数据点找到更适宜自己的最近邻居以达到更好地保存原始数据间的流形结构的目的,其次尝试在汉明空间... 

【文章来源】：东北师范大学吉林省 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

k值决定数据结构

LLE和稀疏LLE从瑞

17(a)原始数据(b)LLEK=5(c)LLEK=12(d)稀疏性LLEmaxk=20图3.2LLE和稀疏LLE从瑞士卷样本点嵌入2维空间在LLE算法中，最近邻居K的数量的选择明显会影响原始数据之间的特征。本文可以利用一种稀疏的权重表示，允许其自动确定每个数据点的邻域大小ik，使每个数据点找到更适宜自己的最近邻居构建最佳权值矩阵。其次利用改进之后的重构权值矩阵学习哈希函数，尝试在汉明空间中直接保留原始数据间的流形结构。3.3.基于稀疏性LLE的哈希图像检索算法由于PCA算法，LE算法在与哈希函数结合进行图像检索得到了较好的检索性能。所以，有研究者开始利用LLE算法与哈希函数结合进行图像检索。但是他们一般通常首先在原始空间中构建流形结构映射到低维空间，之后对低维空间中数据进行量化得到哈希码。这两个阶段对于最终图像检索性能的影响都是至关重要的。分阶段进行优化，这种间接优化的方法会降低检索效果。虽然已有人发现了这个问题，进行改进。但是在改

【参考文献】：
期刊论文
[1]面向大规模图像分类的深度卷积神经网络优化[J]. 白琮,黄玲,陈佳楠,潘翔,陈胜勇.  软件学报. 2018(04)
[2]FP-CNNH:一种基于深度卷积神经网络的快速图像哈希算法[J]. 刘冶,潘炎,夏榕楷,刘荻,印鉴.  计算机科学. 2016(09)

硕士论文
[1]基于深度学习的图像检索研究[D]. 戴世稳.湖南大学 2017
[2]大规模图像检索的哈希算法研究[D]. 叶志强.合肥工业大学 2017
[3]基于哈希编码的大规模图像检索方法研究[D]. 袁勇.中国科学院大学(中国科学院西安光学精密机械研究所) 2016



本文编号：3223626