目的基于深度学习的图像哈希检索是图像检索领域的热点研究问题。现有的深度哈希方法忽略了深度图像特征在深度哈希函数训练中的指导作用,并且由于采用松弛优化,不能有效处理二进制量化误差较大导致的生成次优哈希码的问题。对此,提出一种自监督的深度离散哈希方法(self-supervised deep discrete hashing,SSDDH)。方法利用卷积神经网络提取的深度特征矩阵和图像标签矩阵,计算得到二进制哈希码并作为自监督信息指导深度哈希函数的训练。构造成对损失函数,同时保持连续哈希码之间相似性以及连续哈希码与二进制哈希码之间的相似性,并利用离散优化算法求解得到哈希码,有效降低二进制量化误差。结果将本文方法在3个公共数据集上进行测试,并与其他哈希算法进行实验对比。在CIFAR-10、NUS-WIDE(web image dataset from National University of Singapore)和Flickr数据集上,本文方法的检索精度均为最高,本文方法的准确率比次优算法DPSH(deep pairwise-supervised hashing)分别高3%、3%和1%。结论本文提出的基于自监督的深度离散哈希的图像检索方法能有效利用深度特征信息和图像标签信息,并指导深度哈希函数的训练,且能有效减少二进制量化误差。实验结果表明,SSDDH在平均准确率上优于其他同类算法,可以有效完成图像检索任务。
为解决城市大比例尺真正射影像制作问题,提出了一种数字建筑模型(digital building model,DBM)整体投影遮蔽检测方法。该方法利用DBM表面以矢量三角面存储和平面图形投影内部栅格互不遮蔽的特点,首先以三角面为单元对整个建筑物进行正射投影得到房顶多边形;然后进行透视投影得到整个建筑物在像方的成像多边形,通过数字高程模型(digital elevation model,DEM)投影迭代算法得到该建筑物在传统正射影像上的成像多边形,两者求差集得到建筑物的遮蔽区域物方多边形;最后选取最优辅助影像对遮蔽区域进行纹理补偿,制作出真正射影像。实验结果表明,该方法能够快速准确地检测出影像遮蔽区域,为生成高质量真正射影像提供了保障和前提。
