1.一种基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,步骤包括:步骤S1:彩色图像预处理;即将图像的大小进行处理,将图像的RGB数据输入四元数矩阵;对图像添加噪声,并将图像数据和噪声数据总的分为训练数据和测试数据;
步骤S2:建立彩色图像的四元数卷积神经网络;
步骤S3:对彩色图像进行图像认证;
所述步骤S2包括:
步骤S201:采用四元数卷积神经网络作为图像哈希的基本网络结构;
步骤S202:每次训练迭代将从图像数据库D1中选取64组图像,每组图像三张图片,并将图像上人工标注的标签信息同时作为模型的输入,用于判断图像之间的相似性;
步骤S203:在每次迭代中,64组图像中每组图像均包含原图、相似图片、不相似图片三张图片;通过同时输入的标签信息,计算连续性编码三元组损失函数;
步骤S204:根据每幅图像输入进四元数卷积神经网络后、再量化后得到的哈希编码,进行量化损失计算和量化后的三元组损失计算;
步骤S205:计算出每次迭代的图像的所有损失,即连续性编码三元组损失、量化损失、量化后的三元组损失的累加;然后,使用随机梯度下降算法和反向传播算法来对四元数卷积神经网络模型的参数进行更新,迭代进后,得到优化好的四元数卷积神经网络模型。
2.根据权利要求1所述基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,所述步骤S1包括:步骤S101:将彩色图像数据库中的每幅图像都通过双线性插值法将图像的大小统一固定到N×N;
步骤S102:将大小为N×N的彩色图像t的RGB三个通道的数据分别赋值给N×N的四元数矩阵qt的三个虚部,即纯四元数q=0+R(t)i+G(t)j+B(t)k;其中,i,j,k是三个虚数单位,R(t),G(t)和B(t)分别表示彩色图像t的R分量,G分量,B分量;
步骤S103:对图片添加噪声,将图像数据和噪声数据总的分为训练数据D1和测试数据D2。
3.根据权利要求2所述基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,所述步骤S103中添加的噪声包括高斯噪声、图片旋转、缩放中的一种或多种。
4.根据权利要求2所述基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,所述步骤S103中的训练数据D1和测试数据D2满足0
5.根据权利要求1所述基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,所述步骤S205中,所述连续性编码三元组损失通过如下损失函数计算:o
其中,K为最后一层输入的维度,设输入的三张图片原图、相似图片、不同图片分别为I ,s d o s dI ,I,其对应的连续性哈希编码为h ,h ,h ;定义一个阈值α,当相似图片对的欧式距离大于不同图片对的欧式距离,或者相似图片对的欧式距离加上阈值α大于不同图片对的欧式距离时,才对该损失函数有贡献,否则函数值为零。
6.根据权利要求1所述基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,所述步骤S205中,所述量化损失通过如下损失函数计算:通过量化得到二进制编码,量化过程如下,设输入图片通过模型生成的连续性哈希编码为H,量化函数:其中,Hk与H1比较得出最后一位的二进制编码,用于计算最后一层输出与量化后的二进制编码的差值;具体的量化损失函数如下:
7.根据权利要求1所述基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,所述步骤S205中,量化后的三元组损失通过如下损失函数计算:o
其中,K为最后一层输入的维度,设输入的三张图片原图、相似图片、不同图片分别为I ,s d o s dI ,I,其对应的二进制哈希编码为hB ,hB ,hB ;定义一个阈值ε,当相似图片对的欧式距离大于不同图片对的欧式距离,或者相似图片对的欧式距离加上阈值ε大于不同图片对的欧式距离时,才对该损失函数有贡献,否则函数值为零。
8.根据权利要求1‑4中任意一项所述基于四元数卷积神经网络的图像鲁棒性哈希认证方法,其特征在于,所述步骤S3中,四元数卷积神经网络所生成的图像哈希集合,分别建立近似图像集的哈希距离分布图和不同图像集的哈希距离分布图,其中哈希距离以汉明距离计算;通过观察分布图得出近似图像对与不同图像对的距离最佳的阈值λ,之后将通过图像对之间的距离与阈值的比较完成图像认证任务。