目的及意义

随着多媒体技术、互联网技术的快速发展，人们在利用图像数据并对图像内容进行结构化组织管理的时候第一步要解决的是海量图像数据的检索问题。因图像数量大、图像表达特征纬度高及要求在检索时实时响应等特点，使得基于内容的图像检索技术对海量数据的检索面临极大的挑战。基于哈希算法的图像检索方法将图片的高维内容特征映射到汉明空间（二值空间）中,生成一个低维的哈希序列来表示一幅图片,降低了图像检索系统对计算机内存空间的要求,提高了检索速度,能更好的适应海量图片检索的要求。

国内外的研究现状分析

基于哈希算法的图像检索方法根据是否考虑数据特点可以分为数据独立的图像哈希方法（LSH）和数据依赖的图像哈希方法（L2H）两类。其中数据独立的图像哈希方法提出得较早。由于没有利用到图像数据的特点，所以在数据量趋于庞大时，这类方法都需要使用较长的哈希码和多张哈希表来保证较好的精度，但这样一来就导致了生成的哈希码十分低效，且存储要求很高。[2]中提出的方法已经接近LSH的理论空间和时间复杂度的下界 [1] 。数据独立的图像哈希方法已经碰到瓶颈，近期的研究重心都被放在了数据依赖的图像哈希方法上。

数据依赖的图像哈希方法可以进一步被分为无监督的图像哈希方法和（半）监督的图像哈希方法。其中无监督的图像哈希方法只利用图像本身的数据来学习哈希函数。具有代表性的方法有例如SH[3]——通过解决谱图分割问题来获取数据平衡的哈希码；ITQ [4] ——将零中心化后的数据进行 PCA 降维处理后，再通过待求解的最优旋转矩阵对数据进行旋转，从而保证了在编码的时候量化损失尽可能的小。主流的无监督哈希方法还包括IsoHash[5] 、DGH [6] 、DeepBit [7]等。这些方法在进行高维图像数据的检索时，都有很不错的表现，学习速度较快，但是它们不能很好地满足图像检索需要的精确度。

（半）监督的图像哈希方法充分利用和保留了图像的高层语义信息，在近年来取得了不少成果。SemanticHashing [8] 作为第一个使用深度神经网络的哈希方法，在当时相较于其它哈希方法取得了很大的进步。在那之后很多深度学习图像哈希方法相继被提出，其中有代表性的方法有例如SSH[9] ——半监督的图像哈希方法，同时最小化成对标记数据标签的经验误差和最大化标记和未标记数据集合的方差；CNNH[11]、DNNH [12] ——CNNH通过对相似度矩阵进行分解，得到样本的二值编码；然后利用CNN对得到的二值编码进行拟合；DNNH则提出了Network in Network的网络结构，使用三张图像构成的三元组进行训练，拥有比CNNH更好的性能；DSH [13] ——提出了一个正则项函数来替代常规的输出约束函数sigmoid和tanh。还有像DLBHC [14] 、DHN[15] 、HashNet [16] 等监督的图像哈希方法，都是目前学界基于哈希算法图像检索顶尖水平的代表。

2. 研究的基本内容与方案

研究的基本内容

研究基于哈希的大规模图像检索方法，即用二进制编码序列来表示原来的特征，将特征的索引由原来的欧式空间转为汉明空间。