【图像检索】基于gist特征与位置敏感的哈希算法LSH实现图像检索附matlab代码

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/125328984

1 简介

众所周知，图像是互联网上一种重要的共享资源。通过一幅图像，人们可以描述不同的事物，表达不一样的情感。但由于近年来互联网上图像资源飞速增加，用户怎样从海量图库中获得自己想要的图像成为一个难题。图像检索技术就是为了解决这一问题。基于文本的图像检索技术采用人工对图像进行文字标注的方式用来描述图像，再通过关键字查询的方法来实现匹配图像。然而，文字标注工作量大，且人工标注主观性强，因此检索效果并不令人满意。随着人们对数字图像理解的不断加深，为了解决文本检索的种种缺点，研究人员提出了基于内容的图像检索。这相比基于文本的图像检索有了质的提高。当前主流的基于内容的图像检索技术主要依靠图像的低层视觉特征如亮度、颜色、纹理方向等作为检索依据实现检索。由于没有任何一个低层特征可以完整的描述图像，且低层特征与图像要表达的高层语义之间具有较大差距，当前基于内容的图像检索技术还亟待提局。随着认知心理学和脑神经学的发展，人类对自身的大脑结构和视觉系统越来越了解。如果一个检索系统可以很好地模拟人类的视觉系统，那么它必然具有很好的检索性能，即通过检索返回的图像大多数能够符合用户的意愿。由此，如何建立一个计算模型模拟人类视觉系统对图像刺激的响应成了一个研究热点。众多心理学试验证实，人类可以快速在一个复杂的视觉场景中找到其认为“显著的”或“感兴趣”的对象，这个现象被称之为“视觉注意。具体说来，人类在看到一幅图像时，视觉系统能够快速选择出感兴趣区域，并对其进行处理，而对不太关心的区域先不做处理，这样很大程度地提高了人脑对视觉信息的处理效率，能够快速地对一些突发情况迅速做出反应。

高效地从海量多媒体数据中检索出用户感兴趣的数据,是当下的研究热点.对于图像检索,传统的检索方法主要是通过关键词或者描述来进行检索,实际上是文本检索,其检索准确率不尽如人意.基于内容的图像检索算法在十年前已经开始研究,目前Google等已有应用,但其准确率和速度都需要改进.位置敏感的哈希算法(LocalitySensitive Hashing,LSH)是基于图像内容的检索算法之一,也是较流行的近似最近邻检索算法.LSH是基于图像特征的算法,在处理高维特征数据的情况下,也取得较好的结果.

2 部分代码

function [B, U] = compressLSH(X, LSHparam)% Input:%          X: n*d n is the number of samples, d is the dimension of feature%          LSHparam: %                           LSHparam.nbits---encoding length%                           LSHparam.w---hashing function% Output:%          B: compacted binary code%          U: binary codeU = X*LSHparam.w;%B = zeros(size(U));%B (U>0) = 1;B = compactbit(U>0);U = (U>0);