基于结构最优子空间学习的图像特征二值编码表示方法与流程

本发明属于图像特征编码领域，尤其涉及基于结构最优子空间学习的图像特征二值编码表示方法。

背景技术：

针对大规模数据设计快速索引算法具有广泛的应用价值，例如目标识别、图像检索、图像匹配等。在构建高效的大规模数据检索系统时，存在两个最主要的瓶颈：数据的存储需求和检索效率。在图像检索的应用中，用户给定一个查询图像，需要从大规模数据库中检索出与其相似的图像，并根据相似度排名返回结果。针对这个应用场景，一种最基本的做法是：首先对查询图像和数据库图像分别提取特征。然后，根据一定的度量方式(例如欧氏距离)计算查询图像和每个数据库图像之间的距离。最后，根据距离大小对数据库图像进行排序，返回靠前的数据库图像作为检索结果。然而图像、视频等数据往往具有高维度的特征，如果不对原始数据进行压缩，则需要非常大的空间来存储，随着时间的推移，数据量以飞快的速度增长，这样的存储方式将越来越难以适应。同时，数据规模大必将对检索造成很大的不便。显然，在这种情况下，线性的检索方式已经不合适。

技术实现要素：

发明目的：本发明为了解决现有技术中的问题，提出了一种基于结构最优子空间学习的图像特征二值编码表示方法，从而有效解决基于哈希二值编码的数据下，图像的快速准确检索问题。

通过本发明构建的基于结构最优子空间学习的图像特征二值编码表示方法，旨在利用机器学习与机器视觉的手段，针对传统的图像检索技术中出现的特征维度高、检索效率低等问题，考虑到同类数据的局部性和不同类数据的判别性，采用较为稀疏的编码方式，通过基于结构最优子空间学习的图像特征二值编码表示方法来达到提升图像检索性能和准确率的目的。

技术方案：本发明公开了基于结构最优子空间学习的图像特征二值编码表示方法，提出了一种有监督的判别式哈希函数学习方法来进行二值编码的自动化解决方案，具体包括以下步骤：

步骤1，数据预处理：将原始数据进行数据预处理；

步骤2，哈希函数投影参数学习(w步骤)：用于计算图像特征二值编码而定义的哈希函数形式有两个参数，投影参数w和偏移参数t，采用松弛策略，学习投影参数w；

步骤3，哈希函数偏移参数学习(t步骤)：学习偏移参数t，此步骤重新考虑取符号函数sign()的影响，看作是对w步骤中放松限制的一种补偿；根据学习得到哈希函数的投影参数和偏移参数，得到哈希函数的完整表达形式，计算得到原始数据经过哈希函数索引后的二值编码。

基于二值编码的特征表示和学习算法的目的，是给定一组包含n个样本的训练集其中xi表示每个训练样本对应的d维特征向量，利用学习算法找到一组合适的哈希函数每个哈希函数对一个特征向量进行编码，将其映射成一位二进制数。然后，学习一组哈希函数组合g(x)＝[h1(x),h2(x),...,hg(x)]，并用其对每个特征进行编码得到低维的二进制串，其中g＜＜d。编码和原始数据的相比维度较低，且其二进制的形式能够有效减少数据存储需求，实现大规模数据库高效的存储。

步骤1包括如下步骤：

步骤1-1，给定为n个d维原始数据的集合，其中r^d表示集合x中的每一个元素维度都为d且值属于实数集r，xi表示第i个d维原始数据，对所有原始数据进行零均值预处理(参考文献：《机器学习》周志华清华大学出版社)，y＝{y1,y2,...,yn}为各原始数据对应的语义标签集合，yn表示第n个d维原始数据xn对应的语义标签，h＝{h1,h2,...,hk}为一组共k个哈希函数集合，hk表示第k个哈希函数，则对于第i个d维原始数据xi，经过第k个哈希函数进行计算后，k取值为1～k，得到一位二进制编码hk(xi)：

其中，wk是第k个投影参数，tk是第k个偏移参数，第i个d维原始数据xi经过一个哈希函数索引后，其二值编码其中w是投影参数，t是偏移参数；

步骤1-2，在原始数据的集合x上，由于给定了语义标签集合，能够获得两个集合m和c，其中集合m是原始数据的集合x中一类原始数据的集合，集合c是集合m对于原始数据的集合x的补集，表示剩下所有类原始数据的集合，即m∪c＝x且yi＝yj，j取值为1～n；

步骤1-3，对于集合m，定义近邻之间的距离的衡量类内聚合度lm，即最小化编码空间中近邻之间的平均距离；

对于集合c，定义数据与数据中心的距离的衡量类内聚合度lc，即最小化编码空间中数据与类中心之间的平均距离；

对于集合m和c，定义m和c数据中心的距离的衡量类间离散度lb，即最大化编码空间中类中心与类中心之间的距离。

步骤1-3中，所述lm、lc、lb的计算表达公式分别如下：

lb＝φ(h,μc,μm)，

其中，nn(xi)表示第i个d维原始数据xi的近邻集合，φ(h,xi,xj)表示第i个d维原始数据xi和第j个d维原始数据xj经过哈希函数编码后的差异，μc和μm分别是集合m的数据中心和集合c的数据中心。

φ(h,xi,xj)能够表示为：

即第i个d维原始数据xi经过编码后得到的哈希值和第j个d维原始数据xj经过编码后得到的哈希值若则φ(h,xi,xj)的值为零，若则φ(h,xi,xj)值为一个正数，且之间相差越多，φ(h,xi,xj)越大。

lm进一步表示为：

lc进一步表示为：

lb进一步表示为：

步骤2包括如下步骤：

步骤2-1，从步骤1-1得知，第i个d维原始数据xi经过一个哈希函数索引后，其二值编码则哈希函数h(x)形式为：

h(x)＝sign(w^tx+t)，

其中表示原始数据在d维空间中的特征向量，是投影向量，t是偏移参数，sign()是取符号函数；

步骤2-2，定义损失函数l如下：

其中，lb为类间散列度，lw为类内散列度；

最优的哈希函数即优化目标函数l(w,t)：

其中，w^*,t^*分别指使得损失函数l取得最大值时投影参数w的取值和偏移参数t的取值；

由于函数h(x)中使用了不可微的取符号函数sign()，对于这个问题采取了松弛的策略，对sign()函数放松限制，于是得到新的目标函数

则对于任意xi∈c，得到：

为采取松弛策略之后，集合c的类内散列度lc的新的表示形式；

表示为：

为采取松弛策略之后，类间散列度lb的新的表示形式，对于进一步得到如下表示

为采取松弛策略之后，集合m的类内散列度lm的新的表示形式，

其中，

同时得到：

最后整体的目标函数表示为：

步骤2-3，引入拉格朗日乘子λ后，得到：

即矩阵最大的特征值对应的特征向量，每一个特征向量能够表示一个哈希函数的投影向量，假设取特征值最大的前p个特征向量，得到投影矩阵其对应了p个哈希函数。

步骤3包括如下步骤：

步骤3-1，通过如下目标函数学习偏移参数t：

l(t)＝l1(t)-l2(t)，

其中：

其中l(t)表示本步骤中用于学习偏移参数t需要优化的目标函数，t表示每个哈希函数投影向量对应的偏移量组成的向量，从集合m中随机采取相同语义的m个数据对，再分别从m和c中采取不同语义的c个数据对，l1(t)进一步表示为：

其中wp表示步骤2-3得到的投影矩阵中第p个特征向量，1≤p≤p，tp表示第p个特征向量对应的第p个偏移量；

步骤3-2，求取偏移量t的目标函数为：

该目标函数公式中，等号右边取最大值时tp的取值用表示，令：

f(t)是的另一种记法，表示函数名是f，参数是t；

由于和是已知的，则g(t)是关于t的二次函数：

g(t)＝t²+(ai+aj)t+aiaj，

则当满足条件t＜min(-ai,-aj)或t＞max(-ai,-aj)时，f(t)＝1；当满足条件min(-ai,-aj)＜t＜max(-ai,-aj)时，f(t)＝-1，对参数的目标函数表示为：

其中f(z)是衡量数据集满足条件z程度的函数；给定t时，表示在集合m上满足条件t＜min(-ai,-aj)||t＞max(-ai,-aj)的原始数据对(xi,xj)的个数；由于目标函数中只有一个未知参数t，通过线性搜索即得到最优参数t的值(参考文献：《算法导论》thomash.cormen/charlese.leiserson/ronaldl.rivest/cliffordstein机械工业出版社)；

步骤3-3，第i个d维原始数据xi经过哈希函数索引后，计算其二值编码为：

学习得到的最优二值编码可用于图像的检索等实际应用中。

本发明对于传统图像检索技术中出现的特征维度高、检索效率低等问题，基于机器学习和机器视觉的模型，将具有语义标签的图像数据转换为低维稀疏的二值编码特征，从而可在图像的检索等应用中提高检索准确率，降低存储量和编码时间。该方法主要包括数据预处理、哈希函数投影参数学习(w步骤)、哈希函数偏移参数学习(t步骤)三个步骤。数据预处理步骤是将原始数据进行数据预处理，计算之后步骤所需使用到的新数据；哈希函数投影参数学习(w步骤)是采用松弛策略，将原始问题转换为先学习投影参数w，后学习偏移参数t，然后此步骤学习投影参数w；哈希函数偏移参数学习(t步骤)是计算图像特征二值编码而定义的哈希函数形式的偏移参数t，此步骤重新考虑取符号函数sign()的影响，这可以看作是对w步骤中放松限制的一种补偿。最后得到的二值编码可用于图像检索等应用中。本发明基于机器学习以及机器视觉，设计了一种基于结构最优子空间学习的图像特征二值编码表示方法，可用于图像检索提升图像检索的性能和准确率。

针对现有技术中的问题，近年来提出了很多方法，它们将原始数据进行压缩，用二进制编码表征原始特征，从而减少存储需求；同时，通过编码对原始数据构建合理的索引，通过索引可以实现快速高效的检索。本发明提出的监督的判别式哈希函数学习算法，同时考虑同类数据的局部性和不同类数据的判别性，使得语义检索性能有所提高。

本发明采用上述技术方案，具有以下有益效果：本发明提供的基于结构最优子空间学习的图像特征二值编码表示方法，是一种监督的判别式哈希函数学习算法，同时考虑了同类数据的局部性和不同类数据的判别性，获得了较好的语义检索性能。此外，与紧凑编码方式不同的是，本方法采用较为稀疏的编码方式，但在编码位数相同的情况下，检索性能高于紧凑编码方式。本方法学习到的哈希函数，对某一类数据具有很强的判别性，并保证语义相同特征的局部性。利用学习到的投影向量对原始空间的特征向量进行降维，再学习偏移参数，得到哈希函数。对于同样长度的编码，本方法提出的方法能够达到更高的准确率；同时，也能保证较好的查全率，不但提高了编码的判别性，而且能够在很大程度上保持相同语义特征的局部结构。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。

图1为本发明实施例的基于结构最优子空间学习的图像特征二值编码表示工作流程图；

图2为本发明实施例的数据预处理步骤流程图；

图3为本发明实施例的哈希函数投影参数学习(w步骤)步骤流程图；

图4为本发明实施例的哈希函数偏移参数学习(t步骤)步骤流程图；

图5为本发明在两个实验数据集上的图像检索结果示例。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本发明所构建的一种基于结构最优子空间学习的图像特征二值编码表示方法的工作流程大致分为以下几个阶段：第一阶段，数据预处理阶段，包括划分集合、定义新数据等工作；第二阶段，学习哈希函数投影参数阶段，包括定义损失函数、采用松弛策略等工作；第三阶段，学习哈希函数偏移参数阶段，包括定义目标函数、代入已知数据等工作。本发明实施例中基于结构最优子空间学习的图像特征二值编码表示方法的具体构建步骤如下：

步骤1，数据预处理：将原始数据进行数据预处理；

步骤2，哈希函数投影参数学习(w步骤)：用于计算图像特征二值编码而定义的哈希函数形式有两个参数，投影参数w和偏移参数t，采用松弛策略，学习投影参数w；

步骤3，哈希函数偏移参数学习(t步骤)：学习偏移参数t，此步骤重新考虑取符号函数sign()的影响，看作是对w步骤中放松限制的一种补偿；根据学习得到哈希函数的投影参数和偏移参数，得到哈希函数的完整表达形式，计算得到原始数据经过哈希函数索引后的二值编码。

基于二值编码的特征表示和学习算法的目的，是给定一组包含n个样本的训练集其中xi表示每个训练样本对应的d维特征向量，利用学习算法找到一组合适的哈希函数每个哈希函数对一个特征向量进行编码，将其映射成一位二进制数。然后，学习一组哈希函数组合g(x)＝[h1(x),h2(x),...,hg(x)]，并用其对每个特征进行编码得到低维的二进制串，其中g＜＜d。编码和原始数据的相比维度较低，且其二进制的形式能够有效减少数据存储需求，实现大规模数据库高效的存储。

步骤1包括如下步骤：

步骤1-1，给定为n个d维原始数据的集合，其中r^d表示集合x中的每一个元素维度都为d且值属于实数集r，xi表示第i个d维原始数据，对所有原始数据进行零均值预处理(参考文献：《机器学习》周志华清华大学出版社)，y＝{y1,y2,...,yn}为各原始数据对应的语义标签集合，yn表示第n个d维原始数据xn对应的语义标签，h＝{h1,h2,...,hk}为一组共k个哈希函数集合，hk表示第k个哈希函数，则对于第i个d维原始数据xi，经过第k个哈希函数进行计算后，k取值为1～k，得到一位二进制编码hk(xi)：

其中，wk是第k个投影参数，tk是第k个偏移参数，第i个d维原始数据xi经过一个哈希函数索引后，其二值编码其中w是投影参数，t是偏移参数；

步骤1-2，在原始数据的集合x上，由于给定了语义标签集合，能够获得两个集合m和c，其中集合m是原始数据的集合x中一类原始数据的集合，集合c是集合m对于原始数据的集合x的补集，表示剩下所有类原始数据的集合，即m∪c＝x且yi＝yj，j取值为1～n；

步骤1-3，对于集合m，定义近邻之间的距离的衡量类内聚合度lm，即最小化编码空间中近邻之间的平均距离；

对于集合c，定义数据与数据中心的距离的衡量类内聚合度lc，即最小化编码空间中数据与类中心之间的平均距离；

对于集合m和c，定义m和c数据中心的距离的衡量类间离散度lb，即最大化编码空间中类中心与类中心之间的距离。

步骤1-3中，所述lm、lc、lb的计算表达公式分别如下：

lb＝φ(h,μc,μm)，

其中，nn(xi)表示第i个d维原始数据xi的近邻集合，φ(h,xi,xj)表示第i个d维原始数据xi和第j个d维原始数据xj经过哈希函数编码后的差异，μc和μm分别是集合m的数据中心和集合c的数据中心。

φ(h,xi,xj)能够表示为：

即第i个d维原始数据xi经过编码后得到的哈希值和第j个d维原始数据xj经过编码后得到的哈希值若则φ(h,xi,xj)的值为零，若则φ(h,xi,xj)值为一个正数，且之间相差越多，φ(h,xi,xj)越大。

lm进一步表示为：

lc进一步表示为：

lb进一步表示为：

步骤2包括如下步骤：

步骤2-1，从步骤1-1得知，第i个d维原始数据xi经过一个哈希函数索引后，其二值编码则哈希函数h(x)形式为：

h(x)＝sign(w^tx+t)，

其中表示原始数据在d维空间中的特征向量，是投影向量，t是偏移参数，sign()是取符号函数；

步骤2-2，定义损失函数l如下：

其中，lb为类间散列度，lw为类内散列度；

最优的哈希函数即优化目标函数l(w,t)：

其中，w^*,t^*分别指使得损失函数l取得最大值时投影参数w的取值和偏移参数t的取值；

由于函数h(x)中使用了不可微的取符号函数sign()，对于这个问题采取了松弛的策略，对sign()函数放松限制，于是得到新的目标函数

则对于任意xi∈c，得到：

为采取松弛策略之后，集合c的类内散列度lc的新的表示形式；

表示为：

为采取松弛策略之后，类间散列度lb的新的表示形式，对于进一步得到如下表示

为采取松弛策略之后，集合m的类内散列度lm的新的表示形式，

其中，

同时得到：

最后整体的目标函数表示为：

步骤2-3，引入拉格朗日乘子λ后，得到：

即矩阵最大的特征值对应的特征向量，每一个特征向量能够表示一个哈希函数的投影向量，假设取特征值最大的前p个特征向量，得到投影矩阵其对应了p个哈希函数。

步骤3包括如下步骤：

步骤3-1，通过如下目标函数学习偏移参数t：

l(t)＝l1(t)-l2(t)，

其中：

其中l(t)表示本步骤中用于学习偏移参数t需要优化的目标函数，t表示每个哈希函数投影向量对应的偏移量组成的向量，从集合m中随机采取相同语义的m个数据对，再分别从m和c中采取不同语义的c个数据对，l1(t)进一步表示为：

其中wp表示步骤2-3得到的投影矩阵中第p个特征向量，1≤p≤p，tp表示第p个特征向量对应的第p个偏移量；

步骤3-2，求取偏移量t的目标函数为：

该目标函数公式中，等号右边取最大值时tp的取值用表示，令：

f(t)是的另一种记法，表示函数名是f，参数是t；

由于和是已知的，则g(t)是关于t的二次函数：

g(t)＝t²+(ai+aj)t+aiaj，

则当满足条件t＜min(-ai,-aj)或t＞max(-ai,-aj)时，f(t)＝1；当满足条件min(-ai,-aj)＜t＜max(-ai,-aj)时，f(t)＝-1，对参数tp^*的目标函数表示为：

其中f(z)是衡量数据集满足条件z程度的函数；给定t时，表示在集合m上满足条件t＜min(-ai,-aj)||t＞max(-ai,-aj)的原始数据对(xi,xj)的个数；由于目标函数中只有一个未知参数t，通过线性搜索即得到最优参数t的值(参考文献：《算法导论》thomash.cormen/charlese.leiserson/ronaldl.rivest/cliffordstein机械工业出版社)；

步骤3-3，第i个d维原始数据xi经过哈希函数索引后，计算其二值编码为：

学习得到的最优二值编码可用于图像的检索等实际应用中。

实施例

本实施例包括以下部分：

步骤1，数据预处理。

数据预处理步骤的工作流程图如图2所示。

基于二值编码的特征表示和学习算法的目的，是给定一组包含n个样本的训练集其中xi表示每个训练样本对应的d维特征向量，利用学习算法找到一组合适的哈希函数每个哈希函数对一个特征向量进行编码，将其映射成一位二进制数。然后，学习一组哈希函数组合g(x)＝[h1(x),h2(x),...,hg(x)]，并用其对每个特征进行编码得到低维的二进制串，其中g＜＜d。编码和原始数据的相比维度较低，且其二进制的形式能够有效减少数据存储需求，实现大规模数据库高效的存储。

现在假定为n个d维原始数据的集合(经过零均值预处理)，y＝{y1,y2,...,yn}为各数据对应的语义标签，h＝{h1,h2,...,hk}为一组共k个哈希函数。那么对于任意一个原始数据，经过第k个哈希函数进行计算后，得到一位二进制编码：

原始数据xi经过一个哈希函数索引后，其二值编码

在数据集x上，由于给定了数据标签，可以获得两个集合m和c，其中集合m是x中某一类原始数据的集合，c是m对于x的补集，表示剩下所有类原始数据的集合，即m∪c＝x且yi＝yj。

此处定义几个之后步骤所需使用到的新数据，它们的值均可通过原始数据计算得到。

对于集合m，定义近邻之间的距离的衡量类内聚合度lm，即最小化编码空间中近邻之间的平均距离。

对于集合c，定义数据与数据中心的距离的衡量类内聚合度lc，即最小化编码空间中数据与类中心之间的平均距离。

对于集合m和c，定义m和c数据中心的距离的衡量类间离散度lb，即最大化编码空间中类中心与类中心之间的距离。

lm、lc、lb的计算表达公式如下：

lb＝φ(h,μc,μm)，

其中nn(xi)表示原始数据xi的近邻集合，φ(h,xi,xj)表示原始数据xi和xj经过哈希函数h编码后的差异，μc和μm分别是集合m、c的数据中心。φ(h,xi,xj)可表示为：

即原始数据xi和xj经过编码后得到的哈希值和若则φ(h,xi,xj)取较小值，若则φ(h,xi,xj)取较大值。

所以，lm可进一步表示为：

lc可进一步表示为：

lb可进一步表示为：

步骤2，哈希函数投影参数学习。

哈希函数投影参数学习步骤的工作流程图如图3所示。

从步骤1可得知，原始数据xi经过一个哈希函数索引后，其二值编码所以本方法的哈希函数形式为：

h(x)＝sign(w^tx+t)，

其中表示原始数据在d维空间中的特征向量，是投影向量，t是偏移参数，sign()是取符号函数。哈希函数主要由投影向量和偏移量组成，另外一个则是固定的二值化函数sign()。因此，学习哈希函数即主要学习投影向量和偏移量，扩展到哈希函数组即为投影矩阵和偏移向量。

为了使得哈希函数更容易学习且具有较强的判别性，本方法将以下策略结合起来进行优化，将哈希函数的学习转化为基于二分类的子空间学习问题。

由于集合m中的数据属于同类，那么利用数据之间的局部性，使得在原始特征空间中是同类且是近邻的数据，经过哈希函数编码以后它们之间的距离尽可能小；由于集合c中包含多类数据，如果也优化局部性，则反而会使原始空间中异类但却是欧氏距离近邻的数据在哈希函数编码以后仍然是近邻关系，因此只优化数据与类中心的平均距离。还需要最大化两类数据中心的距离用以区分它们。

于是本方法定义的损失函数l如下：

最优的哈希函数即优化目标函数l(w,t)：

由于函数h(x)中使用了不可微的取符号函数sign()，对于这个问题采取了松弛的策略，对sign()函数放松限制，于是得到新的目标函数

松弛策略可以暂时消除偏移量t的影响，从而将原始问题转换为先学习w，后学习t的两个步骤。此步骤学习投影参数w。

于是对于任意xi∈c，可以得到：

可表示为：

对于还可以进一步得到如下表示：

其中，

同样地，还可以得到：

最后整体的目标函数可表示为：

引入拉格朗日乘子λ后，可以得到：

即矩阵最大的特征值对应的特征向量。每一个特征向量可以表示一个哈希函数的投影向量，假设取特征值最大的前p个特征向量，得到投影矩阵其对应了p个哈希函数。

步骤3，哈希函数偏移参数阶段学习。

哈希函数偏移参数阶段学习步骤的工作流程图如图4所示。

上一步骤中学习得到了投影向量w之后，此步骤学习哈希函数h(xi)＝sign(w^txi+t)中的偏移参数t。假定是w步骤中学习到的投影矩阵，由于在w步骤中进行了放松限制，因此，通过w步骤和t步骤进行优化的目的是得到原问题的近似解。在t步骤重新考虑取符号函数sign()的影响，这可以看作是对w步骤中放松限制的一种补偿。具体地，在t步骤中通过如下目标函数学习偏移参数：

l(t)＝l1(t)-l2(t)，

其中：

其中t表示每个哈希函数投影向量对应的偏移量组成的向量。具体地，从集合m中随机采取相同语义的m个数据对，再分别从m和c中采取不同语义的c个数据对。l1(t)可进一步表示为：

其中wp表示中对应w步骤的第p个特征向量，tp表示对应的第p个偏移量。可以发现，和t中的中的每个分量在实际计算过程中是不会相互影响的。因此，在t步骤中对参数t的每一个分量进行分开求解。求取偏移量t的目标函数为：

由于在w步骤中已经求得了投影矩阵在上述公式中，只有一个未知参数t需要求解。令：

由于和是已知的，因此，g(t)是关于t的二次函数：

g(t)＝t²+(ai+aj)t+aiaj，

那么，当满足条件t＜min(-ai,-aj)或t＞max(-ai,-aj)时，f(t)＝1；当满足条件min(-ai,-aj)＜t＜max(-ai,-aj)时，f(t)＝-1。因此，对参数的目标函数可以表示为：

其中f(z)是衡量数据集满足条件z程度的函数，在本方法中使用频数统计来表示，其使用较为方便。给定t时，表示在集合m上满足条件t＜min(-ai,-aj)||t＞max(-ai,-aj)的原始数据对(xi,xj)的个数。由于目标函数中只有一个未知参数t，通过线性搜索即可得到最优参数t的值。

经过上述步骤的计算后，最后学习得到哈希函数的投影参数和偏移参数，从而得到哈希函数的完整表达形式，所以原始数据xi经过哈希函数索引后，可计算其二值编码为学习得到的最优二值编码可用于图像的检索等实际应用中。图5是本发明在两个实验数据集上的图像检索结果示例。图中最左列为查询图像，右边每行对应的是图像语义检索结果。矩形框表示检索结果中与查询图像语义不同的图像。从图5可看出本发明检索出的结果大部分都是正确的。

本发明提供了基于结构最优子空间学习的图像特征二值编码表示方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。