CN113436188B - 一种利用卷积计算图像哈希值的方法 - Google Patents
一种利用卷积计算图像哈希值的方法 Download PDFInfo
- Publication number
- CN113436188B CN113436188B CN202110854478.0A CN202110854478A CN113436188B CN 113436188 B CN113436188 B CN 113436188B CN 202110854478 A CN202110854478 A CN 202110854478A CN 113436188 B CN113436188 B CN 113436188B
- Authority
- CN
- China
- Prior art keywords
- image
- hash value
- neural network
- calculating
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明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。
Description
技术领域
本发明属于图像处理领域,具体涉及一种利用卷积计算图像哈希值的方法。
背景技术
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。
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。
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。
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。本发明正是基于这种现实需求而产生的。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种利用卷积计算图像哈希值的方法,以解决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,哈希值差异较大的问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种利用卷积计算图像哈希值的方法,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。
进一步地,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。
进一步地,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。
进一步地,所述图像分类卷积神经网络为AlexNet卷积神经网络。
进一步地,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。
进一步地,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。
进一步地,所述计算每一层各个特征图像的信号强度具体包括:假设卷积层C,C=1,2,3,4,5,有K个卷积核,K=96,256,384,384,256,输出K幅特征图像,特征图像的大小为M×N,M×N=55×55,27×27,13×13,13×13,6×6,卷积层u第v幅特征图像为Iuv,v=1,2,…,K,Iuv的大小为M×N,图像Iuv的信号强度Suv计算方法为:
进一步地,所述计算每一层全部特征图像的平均信号强度具体包括:卷积层u中K幅特征图像的平均信号强度Su的计算方法为:
进一步地,所述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具体包括:卷积层u的哈希值Hu=(hu1,hu2,…,huv,…,huK),u=1,2,…,C,如果Suv≥Su,则huv=1,否则,huv=0。
进一步地,所述步骤S4具体包括:如果卷积层u的哈希值Hu=(hu1,hu2,…,huv,…,huK),u=1,2,…,C,则图像的哈希值H为C个卷积层的哈希值的串接H=(H1,H2,…,HC)。
(三)有益效果
本发明提出一种利用卷积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。
附图说明
图1为本发明利用卷积计算图像哈希值的方法的流程图;
图2是本发明利用卷积计算图像哈希值的方法示意图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明涉及一种利用卷积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。
本发明的目的是:提供一种利用卷积计算图像哈希值的方法,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。
为实现上述目的,本发明提出了一种利用卷积计算图像哈希值的方法,该方法包括:
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、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。
图1是本发明的一种利用卷积计算图像哈希值的方法的流程图。图2是本发明的一种利用卷积计算图像哈希值的方法示意图。下面结合图1和图2,说明本发明的实施方式。如图1所示,该方法包括:
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。
具体实施时,可以选择AlexNet卷积神经网络,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。
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。
具体实施时,对于AlexNet网络,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。
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。
具体实施时,对于AlexNet网络,假设卷积层C(C=1,2,3,4,5)有K(K=96,256,384,384,256)个卷积核,输出K幅特征图像,特征图像的大小为M×N(M×N=55×55,27×27,13×13,13×13,6×6)。卷积层u第v(v=1,2,…,K)幅特征图像为Iuv,Iuv的大小为M×N,图像Iuv的信号强度Suv计算方法为:
卷积层u中K幅特征图像的平均信号强度Su的计算方法为:
卷积层u(u=1,2,…,C)的哈希值Hu=(hu1,hu2,…,huv,…,huK),如果Suv≥Su,则huv=1,否则,huv=0。
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。
具体实施时,对于AlexNet网络,将5层的哈希值串接起来,就得到1396个比特的图像哈希值。
本发明公开了一种利用卷积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,具有较高的准确性。(2)特征图像获取步骤。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。(3)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相对大小,计算每一层的哈希值。(4)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。本发明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。
本发明的关键点在于:
一种利用卷积计算图像哈希值的方法,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,具有较高的准确性。
(2)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。
(3)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。
(4)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。
进一步地,所述步骤(1)中,选择一个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(u=1,2,…,C)有Ku个卷积核,输出Ku幅特征图像。
进一步地,所述步骤(2)中,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。
进一步地,所述步骤(3)中,卷积层u第v(v=1,2,…,Ku)幅特征图像为Iuv,Iuv的大小为M×N,图像Iuv的信号强度Suv计算方法为:
卷积层u中Ku幅特征图像的平均信号强度Su的计算方法为:
卷积层u(u=1,2,…,C)的哈希值Hu=(hu1,hu2,…,huK),如果Suv≥Su,则huv=1,否则,huv=0。
进一步地,所述步骤(4)中,如果卷积层u(u=1,2,…,C)的哈希值Hu=(hu1,hu2,…,huv,…,huK),则图像的哈希值H为C个卷积层的哈希值的串接H=(H1,H2,…,HC)。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
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;
所述图像分类卷积神经网络为AlexNet卷积神经网络;
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;
所述计算每一层各个特征图像的信号强度具体包括:假设卷积层C,C=1,2,3,4,5,有K个卷积核,K=96,256,384,384,256,输出K幅特征图像,特征图像的大小为M×N,M×N=55×55,27×27,13×13,13×13,6×6,卷积层u第v幅特征图像为Iuv,v=1,2,…,K,Iuv的大小为M×N,图像Iuv的信号强度Suv计算方法为:
所述计算每一层全部特征图像的平均信号强度具体包括:卷积层u中K幅特征图像的平均信号强度Su的计算方法为:
所述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具体包括:卷积层u的哈希值Hu=(hu1,hu2,…,huv,…,huK),u=1,2,…,C,如果Suv≥Su,则huv=1,否则,huv=0。
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。
5.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S4具体包括:如果卷积层u的哈希值Hu=(hu1,hu2,…,huv,…,huK),u=1,2,…,C,则图像的哈希值H为C个卷积层的哈希值的串接H=(H1,H2,…,HC)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854478.0A CN113436188B (zh) | 2021-07-28 | 2021-07-28 | 一种利用卷积计算图像哈希值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854478.0A CN113436188B (zh) | 2021-07-28 | 2021-07-28 | 一种利用卷积计算图像哈希值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436188A CN113436188A (zh) | 2021-09-24 |
CN113436188B true CN113436188B (zh) | 2023-02-03 |
Family
ID=77761997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110854478.0A Active CN113436188B (zh) | 2021-07-28 | 2021-07-28 | 一种利用卷积计算图像哈希值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436188B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017012491A1 (zh) * | 2015-07-23 | 2017-01-26 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9734436B2 (en) * | 2015-06-05 | 2017-08-15 | At&T Intellectual Property I, L.P. | Hash codes for images |
CN109711422B (zh) * | 2017-10-26 | 2023-06-30 | 北京邮电大学 | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 |
CN109947963A (zh) * | 2019-03-27 | 2019-06-28 | 山东大学 | 一种基于深度学习的多尺度哈希检索方法 |
CN111310609B (zh) * | 2020-01-22 | 2023-04-07 | 西安电子科技大学 | 基于时序信息和局部特征相似性的视频目标检测方法 |
-
2021
- 2021-07-28 CN CN202110854478.0A patent/CN113436188B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017012491A1 (zh) * | 2015-07-23 | 2017-01-26 | 北京京东尚科信息技术有限公司 | 一种图像高维特征的相似比较方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113436188A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570141B (zh) | 近似重复图像检测方法 | |
CN113128494B (zh) | 识别图像中文本的方法、装置和*** | |
CN108171649B (zh) | 一种保持焦点信息的图像风格化方法 | |
CN114549913B (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
CN112580668B (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN112614110B (zh) | 评估图像质量的方法、装置及终端设备 | |
CN112257727B (zh) | 一种基于深度学习自适应可变形卷积的特征图像提取方法 | |
CN111898380A (zh) | 文本匹配方法、装置、电子设备及存储介质 | |
CN114528912A (zh) | 基于渐进式多模态融合网络的虚假新闻检测方法及*** | |
CN115630236A (zh) | 无源遥感影像的全球快速检索定位方法、存储介质及设备 | |
CN110956038A (zh) | 图文内容重复判断方法及装置 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
Chen et al. | Image steganalysis with multi-scale residual network | |
CN111429388B (zh) | 一种图像处理方法、装置和终端设备 | |
CN114821823A (zh) | 图像处理、人脸防伪模型的训练及活体检测方法和装置 | |
CN110619349A (zh) | 植物图像分类方法及装置 | |
CN113298892A (zh) | 一种图像编码方法和设备,及存储介质 | |
CN113436188B (zh) | 一种利用卷积计算图像哈希值的方法 | |
CN113849679A (zh) | 图像检索方法、装置、电子设备及存储介质 | |
Chang et al. | VQ-oriented data hiding based on adjustable error compensation strategy | |
CN112036501A (zh) | 基于卷积神经网络的图片的相似度检测方法及其相关设备 | |
CN114648652A (zh) | 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 | |
CN113626629B (zh) | 一种利用尺度不变特征计算图像哈希值的方法 | |
CN115620013B (zh) | 语义分割方法、装置、计算机设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |