1.基于图卷积的哈希编码图像匹配方法,其特征在于,包括:获取原训练集,所述原训练集中包含多组织成分图像;
构建哈希标签生成网络,使用无监督方式训练,将原始多分类标签转换为正交哈希类中心标签;
构建增强特征图卷积哈希编码网络,所述增强特征图卷积哈希编码网络包括编码器、通道关联图卷积模块、变分自编码器和多层感知机;
使用训练集对增强特征图卷积哈希编码网络进行训练,获得每张图像的哈希编码;
构建风格判别器,使用训练集中的图像对其进行训练,正确判别输入图像风格;
综合哈希编码和风格判别结果依次配对数据集中图像,完成近似类图像匹配任务;
所述通道关联图卷积模块输入分为先验信息整合部分和特征输入部分,在先验信息整合部分,首先建立一个邻接矩阵M其中,X表示训练集,1(·)是指示函数,当满足括号条件时为1,否则为0,N特征输入部分是编码器提取的深层特征图f,
将哈希类中心标签先通过一个参数可学习的权重矩阵对之前生成好的哈希类中心标签做编码压缩,压缩得到的短编码与邻接矩阵计算矩阵乘法后,再次与一个参数可学习的权重矩阵进行矩阵运算,得到先验特征;
创建参数可学习的通道相关矩阵M
将通道关联特征和先验特征相加后送入多层感知机计算得到最终图特征。
2.如权利要求1所述的基于图卷积的哈希编码图像匹配方法,其特征在于:所述构建哈希标签生成网络包括使用哈希正交损失函数L其中,H表示哈希标签生成网络生成的哈希标签矩阵,
3.如权利要求2所述的基于图卷积的哈希编码图像匹配方法,其特征在于:所述获得每张图像的哈希编码包括使用总损失函数表示为,L
L
其中,v
4.如权利要求3所述的基于图卷积的哈希编码图像匹配方法,其特征在于:所述构建风格判别器包括使用预训练好的编码器提取最深层特征图,经过一个卷积层计算均值向量,然后通过一个多层感知机计算压缩均值向量;
使用预训练好的编码器提取最深层特征图,经过一个卷积层计算方差向量,然后通过一个多层感知机计算压缩方差向量;
将压缩均值向量和压缩方差向量沿通道维度拼接,送入一个多层感知机输出预测结果,预测结果使用二值交叉熵损失函数L其中,B表示输入批量大小,y
所述风格判别器包括均值向量支路和方差向量支路,每个支路包含操作相同但初始化参数不同的一个卷积层和一个全连接层;卷积层采用卷积核大小为3,步长为1,填充为1的卷积操作、批正则化和ReLU操作;全连接层压缩向量长度为输入的1/4;最后的多层感知机输出通道数为2,得到风格判别预测概率向量。
5.如权利要求4所述的基于图卷积的哈希编码图像匹配方法,其特征在于:所述完成近似类图像匹配任务包括采用综合相似度计算图像相似度,表示为,SIM
其中,sim
在计算得到输入图像和其他所有图像加权相似度之后,选取加权相似度最高的图像作为输入图像的匹配图像。
6.一种采用如权利要求1~5任一所述的基于图卷积的哈希编码图像匹配方法的系统,其特征在于,包括:训练集获取模块、哈希标签生成网络构建模块、增强特征图卷积哈希编码网络构建模块、风格判别器以及训练模块;
所述训练集获取模块用于获取原训练集,所述原训练集中包含多张多组织成分图像;
所述哈希标签生成网络构建模块用于构建哈希标签生成网络,所述哈希标签生成网络使用原始多分类标签进行无监督哈希类中心标签生成;
所述增强特征图卷积哈希编码网络构建模块用于构建增强特征图卷积哈希编码网络,所述增强特征图卷积哈希编码网络包括编码器、通道关联图卷积模块、变分自编码器模块和多层感知机;
所述风格判别器用于对输入图像进行风格特征判别,辅助图像匹配;
所述训练模块用于通过训练集对增强特征图卷积哈希编码网络进行训练并更新增强特征图卷积哈希编码网络的参数,获得训练后增强特征图卷积哈希编码网络。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的基于图卷积的哈希编码图像匹配方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于图卷积的哈希编码图像匹配方法的步骤。