哈希网络训练方法、广告图像素材检索方法及相关装置与流程

本申请涉及图像处理技术领域，特别涉及一种哈希网络训练方法、广告图像素材检索方法及装置。

背景技术：

图像检索可以理解为计算图像的特征值，然后根据特征值间的距离远近来判断图像间是否相关。在大规模图库中，检索一张图像需要比对上百万或千万的图像，因此要做到实时检索，需要快速地计算两张图像间的距离，其中，汉明距离天然适应计算机的底层架构，具有其他距离无可比拟的计算速度，因此采用汉明距离能提高计算的速度。

为了使用汉明距离，传统的方法有局部敏感哈希lsh，感知哈希phash等，但这些方法表达特征的能力不强，检索精确率不高。为了提高检索精确率，可以采用具有强大特征学习能力的深度哈希网络。

但是，基于深度哈希网络进行图像检索的精度仍有待提高。

技术实现要素：

为解决上述技术问题，本申请实施例提供一种哈希网络训练方法、广告图像素材检索方法及相关装置，以达到提高深度哈希网络进行图像检索的精度的目的，技术方案如下：

一种哈希网络训练方法，包括：

从数据源中选择两张图像，分别作为第一训练图像和第二训练图像；

对所述第一训练图像进行图像增强，将图像增强后的图像作为第三训练图像；

分别将所述第一训练图像、所述第二训练图像及所述第三训练图像输入到深度哈希网络，得到所述深度哈希网络生成的第一特征值、第二特征值和第三特征值；

将所述第一特征值、所述第二特征值及所述第三特征值输入到预先设定的损失函数中，得到损失函数值，所述预先设定的损失函数用于最小化相似图像对之间的距离，且最大化不相似图像对间的距离；

判断所述损失函数值是否收敛；

若未收敛，则对所述深度哈希网络的参数进行更新，并返回执行所述从数据源中选择两张图像，作为训练图像对的步骤，直至所述损失函数值收敛。

所述预先设定的损失函数为：l＝(log(1+exp(α<hi,hj>))-αsij<hi,hj>)+log(1+exp(α<hi,hk>))；

其中，hi表示所述第一特征值，hj表示所述第二特征值，hk表示所述第三哈希值，<hi,hj>表示hi和hj的内积，<hi,hk>表示hi和hk的内积，α表示指数系数，sij表示图像的相似标识符，sij为1时表示图像相似，sij为0时表示图像不相似。

所述深度哈希网络的最后一层全连接层连接有tanh激活函数；

所述深度哈希网络输出的特征值为所述tanh激活函数将所述最后一层全连接层输出的特征值映射到(-1,1)区间，所得到的特征值。

一种广告图像素材检索方法，包括：

在接收到针对待处理图像的检索请求时，将所述待处理图像及数据库中的每张图像分别输入到深度哈希网络，得到所述深度哈希网络输出的特征值，所述深度哈希网络为基于权利要求1-3任意一项所述的哈希网络训练方法训练得到的；

基于所述待处理图像的特征值及所述数据库中每张图像的特征值，计算所述待处理图像与所述数据库中每张图像之间的汉明距离，并通过所述待处理图像与所述数据库中每张图像之间的汉明距离，从所述数据库中去除与所述待处理图像重复的图像，得到去重后的图像集；

基于所述待处理图像的特征值，计算所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，并基于所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，在所述去重后的图像集中检索与所述待处理图像相似的图像。

所述通过所述待处理图像与所述数据库中每张图像之间的汉明距离，从所述数据库中去除与所述待处理图像重复的图像，包括：

获取针对所述待处理图像预先设置的自适应距离阈值，所述自适应距离阈值的设置过程，包括：确定所述待处理图像的色彩复杂度和结构复杂度，并基于所述待处理图像的色彩复杂度和结构复杂度，确定自适应距离阈值；

分别判断所述待处理图像与所述数据库中每张图像之间的汉明距离是否小于针对所述待处理图像预先设置的自适应距离阈值；

若是，则从所述数据库中删除所述图像。

所述确定所述图像的色彩复杂度和结构复杂度，并基于所述图像的色彩复杂度和结构复杂度，确定自适应距离阈值，包括：

利用关系式一计算所述待处理图像的灰度直方图的信息熵，将所述待处理图像的灰度直方图的信息熵作为色彩复杂度，l表示所述待处理图像的灰度直方图的级数，ti表示当前级数所含像素个数，t为总像素个数，ep表示所述待处理图像的灰度直方图的信息熵；

利用关系式二计算所述待处理图像的灰度共生矩阵中的同质性统计量，将所述待处理图像的灰度共生矩阵中的同质性统计量作为结构复杂度，g表示灰度共生矩阵,i、j分别表示所述待处理图像的灰度共生矩阵的横、纵坐标，l表示所述待处理图像的灰度直方图的级数；

利用关系式三计算自适应距离阈值，其中，a、b、c表示自定义系数，th表示自适应距离阈值。

一种哈希网络训练装置，包括：

选择模块，用于从数据源中选择两张图像，分别作为第一训练图像和第二训练图像；

图像增强模块，用于对所述第一训练图像进行图像增强，将图像增强后的图像作为第三训练图像；

特征值生成模块，用于分别将所述第一训练图像、所述第二训练图像及所述第三训练图像输入到深度哈希网络，得到所述深度哈希网络生成的第一特征值、第二特征值和第三特征值；

损失函数值确定模块，用于将所述第一特征值、所述第二特征值及所述第三特征值输入到预先设定的损失函数中，得到损失函数值，所述预先设定的损失函数用于最小化相似图像对之间的距离，且最大化不相似图像对间的距离；

判断模块，用于判断所述损失函数值是否收敛；

更新模块，用于若所述损失函数值未收敛，则对所述深度哈希网络的参数进行更新，并返回执行所述选择模块从数据源中选择两张图像，作为训练图像对的步骤，直至所述损失函数值收敛。

所述预先设定的损失函数为：l＝(log(1+exp(α<hi,hj>))-αsij<hi,hj>)+log(1+exp(α<hi,hk>))；

其中，hi表示所述第一特征值，hj表示所述第二特征值，hk表示所述第三哈希值，<hi,hj>表示hi和hj的内积，<hi,hk>表示hi和hk的内积，α表示指数系数，sij表示图像的相似标识符，sij为1时表示图像相似，sij为0时表示图像不相似。

所述深度哈希网络的最后一层全连接层连接有tanh激活函数；

所述深度哈希网络输出的特征值为所述tanh激活函数将所述最后一层全连接层输出的特征值映射到(-1,1)区间，所得到的特征值。

一种广告图像素材检索装置，包括：

生成模块，用于在接收到针对待处理图像的检索请求时，将所述待处理图像及数据库中的每张图像分别输入到深度哈希网络，得到所述深度哈希网络输出的特征值，所述深度哈希网络为基于上述任意一项所述的哈希网络训练方法训练得到的；

去重模块，用于基于所述待处理图像的特征值及所述数据库中每张图像的特征值，计算所述待处理图像与所述数据库中每张图像之间的汉明距离，并通过所述待处理图像与所述数据库中每张图像之间的汉明距离，从所述数据库中去除与所述待处理图像重复的图像，得到去重后的图像集；

检索模块，用于基于所述待处理图像的特征值，计算所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，并基于所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，在所述去重后的图像集中检索与所述待处理图像相似的图像。

所述去重模块，具体用于：

获取针对所述待处理图像预先设置的自适应距离阈值，所述自适应距离阈值的设置过程，包括：确定所述待处理图像的色彩复杂度和结构复杂度，并基于所述待处理图像的色彩复杂度和结构复杂度，确定自适应距离阈值；

分别判断所述待处理图像与所述数据库中每张图像之间的汉明距离是否小于针对所述待处理图像预先设置的自适应距离阈值；

若是，则从所述数据库中删除所述图像。

所述装置还包括：

确定模块，用于：

利用关系式一计算所述待处理图像的灰度直方图的信息熵，将所述待处理图像的灰度直方图的信息熵作为色彩复杂度，l为所述待处理图像的灰度直方图的级数，ti表示当前级数所含像素个数，t为总像素个数，ep表示所述待处理图像的灰度直方图的信息熵；

利用关系式二计算所述待处理图像的灰度共生矩阵中的同质性统计量，将所述待处理图像的灰度共生矩阵中的同质性统计量作为结构复杂度，g表示灰度共生矩阵,i、j分别表示所述待处理图像的灰度共生矩阵的横、纵坐标，l表示所述待处理图像的灰度直方图的级数；

利用关系式三计算自适应距离阈值，其中，a、b、c表示自定义系数，th表示自适应距离阈值。

一种电子设备，包括：

存储器，用于至少存储一组指令集；

处理器，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集，执行如上述任意一项所述的哈希网络训练方法的各步骤，或，执行如上述任意一项所述的广告图像素材检索方法的各步骤。

一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，实现如上述任意一项所述的哈希网络训练方法的各步骤，或，如上述任意一项所述的广告图像素材检索方法的各步骤。

与现有技术相比，本申请的有益效果为：

在本申请中，通过预先设定的损失函数对深度哈希网络进行训练，使深度哈希网络能学习到以最小化相似图像对或重复图像对之间的距离，且最大化不相似图像对间的距离的目标，生成哈希特征值，提高训练好的深度哈希网络生成的哈希特征值表达图像相似关系的能力，进而提高图像去重或检索的精度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的一种哈希网络训练方法实施例1的流程图；

图2是本申请提供的一种哈希网络训练方法实施例2的流程图；

图3是本申请提供的一种广告图像素材检索方法实施例1的流程图；

图4是本申请提供的一种哈希网络训练装置的逻辑结构示意图；

图5是本申请提供的一种广告图像素材检索装置的逻辑结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，为本申请实施例1提供的一种哈希网络训练方法的流程示意图，该方法可以应用于电子设备，本申请对电子设备的产品类型不做限定，如图1所示，该方法可以包括但并不局限于以下步骤：

步骤s11、从数据源中选择两张图像，分别作为第一训练图像和第二训练图像。

步骤s12、对所述第一训练图像进行图像增强，将图像增强后的图像作为第三训练图像。

由于第三训练图像是对第一训练图像进行图像增强后得到的图像，因此第三训练图像与第三训练图像为相似的图像。

对第一训练图像进行图像增强，可以包括但不局限于：对第一训练图像进行以下任意一种或多种改变：图像亮度改变、图像颜色改变和图像放射变换。

需要说明的是，第一训练图像、第二训练图像和第三训练图像中的第一、第二、第三不代表图像之间存在排序关系，仅用于区分训练图像。

步骤s13、分别将所述第一训练图像、所述第二训练图像及所述第三训练图像输入到深度哈希网络，得到所述深度哈希网络生成的第一特征值、第二特征值和第三特征值。

分别将所述第一训练图像、所述第二训练图像及所述第三训练图像输入到深度哈希网络，得到所述深度哈希网络生成的第一特征值、第二特征值和第三特征值，可以理解为：将所述第一训练图像输入到深度哈希网络，得到所述深度哈希网络生成的第一特征值；将所述第二训练图像输入到所述深度哈希网络，得到所述深度哈希网络生成的第二特征值；将所述第三训练图像输入到所述深度哈希网络，得到所述深度哈希网络生成的第三特征值。

本实施例中，设置深度哈希网络的最后一层全连接层连接有tanh激活函数。tanh激活函数用于将深度哈希网络的最后一层全连接层输出的特征值映射到(-1,1)区间，可以减少运算量，提高后续计算效率。

在深度哈希网络的最后一层全连接层连接有tanh激活函数的情况下，所述深度哈希网络输出的特征值为所述tanh激活函数将所述最后一层全连接层输出的特征值映射到(-1,1)区间，所得到的特征值。

本实施例中，深度哈希网络可以为但不局限于：以vgg或resnet网络为骨干网络的深度哈希网络。

步骤s14、将所述第一特征值、所述第二特征值及所述第三特征值输入到预先设定的损失函数中，得到损失函数值，所述预先设定的损失函数用于最小化相似图像对之间的距离，且最大化不相似图像对间的距离。

相似图像对，可以理解为：图像特征值间的距离在设定范围内的两张图像。重复图像对，可以理解为：距离均小于设定阈值的两张图像。

本实施例中，预先设定的损失函数用于最小化相似图像对之间的距离，且最大化不相似图像对间的距离，能够保证对深度哈希网络训练时，使深度哈希网络不仅学习到最大化不相似图像对间的距离，同时学习到最小化相似图像对或重复图像对之间的距离，提高深度哈希网络的训练精度。

步骤s15、判断所述损失函数值是否收敛。

判断所述损失函数值是否收敛，可以理解为：判断损失函数值的变化趋势是否为减小趋势；

或，判断损失函数值的变化趋势是否为减小趋势，若是，则判断本次计算得到的损失函数值与上一次计算得到的损失函数值的差值是否小于预设值。

若未收敛，则执行步骤s16。若已收敛，则可以认为对深度哈希网络的训练已达到设定要求，则结束训练。

步骤s16、对所述深度哈希网络的参数进行更新，并返回执行步骤s11，直至所述损失函数值收敛。

在本申请中，通过预先设定的损失函数对深度哈希网络进行训练，使深度哈希网络能学习到以最小化相似图像对或重复图像对之间的距离，且最大化不相似图像对间的距离的目标，生成哈希特征值，提高训练好的深度哈希网络生成的哈希特征值表达图像相似关系的能力，进而提高图像去重或检索的精度。

作为本申请另一可选实施例，如图2所示，为本申请提供的一种哈希网络训练方法实施例2的流程示意图，本实施例主要是对上述实施例1描述的哈希网络训练方法的细化方案，该方法可以包括但并不局限于以下步骤：

步骤s21、从数据源中选择两张图像，分别作为第一训练图像和第二训练图像。

步骤s22、对所述第一训练图像进行图像增强，将图像增强后的图像作为第三训练图像。

步骤s23、分别将所述第一训练图像、所述第二训练图像及所述第三训练图像输入到所述深度哈希网络，得到所述深度哈希网络生成的第一特征值、第二特征值和第三特征值。

步骤s21-s23的详细过程可以参见实施例1中步骤s11-s13的相关介绍，在此不再赘述。

步骤s24、将所述第一特征值、所述第二特征值及所述第三特征值输入到预先设定的损失函数l＝(log(1+exp(α<hi,hj>))-αsij<hi,hj>)+log(1+exp(α<hi,hk>))中，得到损失函数值，所述预先设定的损失函数用于最小化相似图像对之间的距离，且最大化不相似图像对间的距离。

其中，hi表示所述第一特征值，hj表示所述第二特征值，hk表示所述第三哈希值，＜hi,hj＞表示hi和hj的内积，＜hi,hk＞表示hi和hk的内积，α表示指数系数，sij表示图像的相似标识符，sij为1时表示图像相似，sij为0时表示图像不相似。

本实施例中，预先设定的损失函数l＝(log(1+exp(α＜hi,hj>))-αsij<hi,hj>)+log(1+exp(α<hi,hk>))的确定过程，可以包括：

s241、针对图像检索问题，可以采用图像成对方式，具体如下：设图像i经过深度哈希网络生成特征值hi，图像j经过深度哈希网络生成特征值hj，sij为图像对的相似标识符，sij＝1时图像相似，sij＝0时图像不相似。具体可以根据hi和hj的内积来计算相似值，即<hi,hj>越大，图像越相似，<hi,hj>越小，图像越不相似。使用下式来表示给定hi和hj时的图像相似度概率：

为了最大化关系式(1)的最大似然概率，采用如下损失函数l_re：l_re＝log(1+exp(α＜hi,hj＞))-αsij＜hi,hj＞；

s242、在实际情况中，不相似图像对的数量远远大于相似图像对的数量，以致于深度哈希网络几乎在最大化不相似图像对间的距离。于是当待检索图像碰到重复图像时，待检索图像和重复图像间的距离依旧比较大，只是相对于其他图像比较小而已。针对去重问题，采用图像增强相似对的方法，具体如下：设图像i经过深度哈希网络生成特征值hi，图像i经过图像增强后的图经过深度哈希网络生成的特征值为hk，则这两张图必然是相似的直接最大化<hi,hk>的最大似然概率，即最小化损失函数l_de：l_de＝log(1+exp(α＜hi,hk＞))；

s243、得到总的损失函数l＝l_re+l_de，用于最小化相似或重复图像对间的距离的同时最大化不相似图像对间的距离。

步骤s24为实施例1中步骤s14的一种具体实施方式。

步骤s25、判断所述损失函数值是否收敛；

若未收敛，则执行步骤s26。

步骤s26、对所述深度哈希网络的参数进行更新，并返回执行步骤s21，直至所述损失函数值收敛。

步骤s25-s26的详细过程可以参见实施例1中步骤s15-s16的相关介绍，在此不再赘述。

参照图3，为本申请实施例3提供的一种广告图像素材检索方法的流程示意图，该方法可以应用于电子设备，本申请对电子设备的产品类型不做限定，如图3所示，该方法可以包括但并不局限于以下步骤：

步骤s31、在接收到针对待处理图像的检索请求时，将所述待处理图像及数据库中的每张图像分别输入到深度哈希网络，得到所述深度哈希网络输出的特征值。

本实施例中，所述深度哈希网络为基于上述方法实施例1或2所介绍的哈希网络训练方法训练得到的。

本实施例中，可以将深度哈希网络的最后一层全连接层连接的tanh激活函数去除，并增加阶跃函数y＝0ifx<0else1。阶跃函数用于将深度哈希网络的最后一层全连接层输出的特征值映射为由0或1组成的哈希特征值，从而减少运算量，提高后续计算效率。

在深度哈希网络的最后一层全连接层连接有阶跃函数的情况下，所述深度哈希网络输出的特征值为所述阶跃函数将所述最后一层全连接层输出的特征值映射为由0或1组成的哈希特征值。

步骤s32、基于所述待处理图像的特征值及所述数据库中每张图像的特征值，计算所述待处理图像与所述数据库中每张图像之间的汉明距离，并通过所述待处理图像与所述数据库中每张图像之间的汉明距离，从所述数据库中去除与所述待处理图像重复的图像，得到去重后的图像集。

本实施例中，通过所述待处理图像与所述数据库中每张图像之间的汉明距离，从所述数据库中去除与所述待处理图像重复的图像，可以包括但不局限于：分别比较所述待处理图像与所述数据库中每张图像之间的汉明距离，与设定阈值的大小；

将小于设定阈值的汉明距离对应的数据库中的图像删除。

当然，通过所述待处理图像与所述数据库中每张图像之间的汉明距离，从所述数据库中去除与所述待处理图像重复的图像的过程，也可以包括：

s321、获取针对所述待处理图像预先设置的自适应距离阈值，所述自适应距离阈值的设置过程，包括：确定所述待处理图像的色彩复杂度和结构复杂度，并基于所述待处理图像的色彩复杂度和结构复杂度，确定自适应距离阈值；

本实施例中，确定所述待处理图像的色彩复杂度和结构复杂度，并基于所述待处理图像的色彩复杂度和结构复杂度，确定自适应距离阈值的过程，可以包括但不局限于：

s3211、利用关系式一计算所述待处理图像的灰度直方图的信息熵，将所述待处理图像的灰度直方图的信息熵作为色彩复杂度，l表示所述待处理图像的灰度直方图的级数，ti表示当前级数所含像素个数，t为总像素个数，ep表示所述待处理图像的灰度直方图的信息熵；

s3212、利用关系式二计算所述待处理图像的灰度共生矩阵中的同质性统计量，将所述待处理图像的灰度共生矩阵中的同质性统计量作为结构复杂度，g表示灰度共生矩阵,i、j分别表示所述待处理图像的灰度共生矩阵的横、纵坐标，l表示所述待处理图像的灰度直方图的级数；

s3213、利用关系式三计算自适应距离阈值，其中，a、b、c表示自定义系数，th表示自适应距离阈值。

s322、分别判断所述待处理图像与所述数据库中每张图像之间的汉明距离是否小于针对所述待处理图像预先设置的自适应距离阈值；

若是，则执行步骤s323。

s323、从所述数据库中删除所述图像。

本实施例中，通过设置待处理图像的自适应距离阈值，并以图像复杂度为基础的自适应距离阈值进行图像去重，可以提高去重的精确度。

步骤s33、基于所述待处理图像的特征值，计算所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，并基于所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，在所述去重后的图像集中检索与所述待处理图像相似的图像。

本实施例中，基于所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，在所述去重后的图像集中检索与所述待处理图像相似的图像，可以理解为：

通过判断所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离是否在设定范围内，从去重后的图像集中选取出汉明距离在设定范围内的图像，作为与待处理图像相似的图像；

或者，通过判断所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离是否在设定范围内，从去重后的图像集中选取出汉明距离在设定范围内的图像；

从选取出的汉明距离在设定范围内的图像中选择汉明距离排列在前n个的图像，作为与待处理图像相似的图像。n可以根据需要进行设置，在本申请中不做限制。

本实施例中，通过深度哈希网络对数据库中图像进行去重，能够提高去重的精确度，并且在去重之后，进行图像检索，能够提高检索的效率，以及利用深度哈希网络进行图像检索，能够提高检索的精确度。

接下来对本申请实施例提供的哈希网络训练装置进行介绍，下文介绍的哈希网络训练装置与上文介绍的哈希网络训练方法可相互对应参照。

请参见图4，哈希网络训练装置包括：选择模块100、图像增强模块200、特征值生成模块300、损失函数值确定模块400、判断模块500和更新模块600。

本实施例中，选择模块100，用于从数据源中选择两张图像，分别作为第一训练图像和第二训练图像。

图像增强模块200，用于对所述第一训练图像进行图像增强，将图像增强后的图像作为第三训练图像。

特征值生成模块300，用于分别将所述第一训练图像、所述第二训练图像及所述第三训练图像输入到深度哈希网络，得到所述深度哈希网络生成的第一特征值、第二特征值和第三特征值。

本实施例中，所述深度哈希网络的最后一层全连接层连接有tanh激活函数；

所述深度哈希网络输出的特征值为所述tanh激活函数将所述最后一层全连接层输出的特征值映射到(-1,1)区间，所得到的特征值。

损失函数值确定模块400，用于将所述第一特征值、所述第二特征值及所述第三特征值输入到预先设定的损失函数中，得到损失函数值，所述预先设定的损失函数用于最小化相似图像对之间的距离，且最大化不相似图像对间的距离；

判断模块500，用于判断所述损失函数值是否收敛；

更新模块600，用于若所述损失函数值未收敛，则对所述深度哈希网络的参数进行更新，并返回执行所述选择模块100从数据源中选择两张图像，作为训练图像对的步骤，直至所述损失函数值收敛。

本实施例中，所述预先设定的损失函数可以为：l＝(log(1+exp(α<hi,hj>))-αsij<hi,hj>)+log(1+exp(α<hi,hk＞))；

其中，hi表示所述第一特征值，hj表示所述第二特征值，hk表示所述第三哈希值，＜hi,hj＞表示hi和hj的内积，<hi,hk>表示hi和hk的内积，α表示指数系数，sij表示图像的相似标识符，sij为1时表示图像相似，sij为0时表示图像不相似。

在本申请的另一个实施例中介绍一种广告图像素材检索装置，本实施例介绍的广告图像素材检索装置与上文介绍的广告图像素材检索方法可相互对应参照。

请参见图5，广告图像素材检索装置包括：生成模块101、去重模块102和检索模块103。

生成模块101，用于在接收到针对待处理图像的检索请求时，将所述待处理图像及数据库中的每张图像分别输入到深度哈希网络，得到所述深度哈希网络输出的特征值，所述深度哈希网络为基于上述方法实施例1或2所介绍的哈希网络训练方法训练得到的；

去重模块102，用于基于所述待处理图像的特征值及所述数据库中每张图像的特征值，计算所述待处理图像与所述数据库中每张图像之间的汉明距离，并通过所述待处理图像与所述数据库中每张图像之间的汉明距离，从所述数据库中去除与所述待处理图像重复的图像，得到去重后的图像集；

检索模块103，用于基于所述待处理图像的特征值，计算所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，并基于所述待处理图像与所述去重后的图像集中每张图像之间的汉明距离，在所述去重后的图像集中检索与所述待处理图像相似的图像。

本实施例中，所述去重模块，具体可以用于：

获取针对所述待处理图像预先设置的自适应距离阈值，所述自适应距离阈值的设置过程，包括：确定所述待处理图像的色彩复杂度和结构复杂度，并基于所述待处理图像的色彩复杂度和结构复杂度，确定自适应距离阈值；

分别判断所述待处理图像与所述数据库中每张图像之间的汉明距离是否小于针对所述待处理图像预先设置的自适应距离阈值；

若是，则从所述数据库中删除所述图像。

本实施例中，广告图像素材检索装置还可以包括：

确定模块，用于：

利用关系式一计算所述待处理图像的灰度直方图的信息熵，将所述待处理图像的灰度直方图的信息熵作为色彩复杂度，l表示待处理图像的灰度直方图的级数，ti表示当前级数所含像素个数，t为总像素个数，ep表示所述待处理图像的灰度直方图的信息熵；

利用关系式二计算所述待处理图像的灰度共生矩阵中的同质性统计量，将所述待处理图像的灰度共生矩阵中的同质性统计量作为结构复杂度，g表示灰度共生矩阵,i、j分别表示所述待处理图像的灰度共生矩阵的横、纵坐标，l表示待处理图像的灰度直方图的级数；

利用关系式三计算自适应距离阈值，其中，a、b、c表示自定义系数，th表示自适应距离阈值。

在本申请的另一个实施例中，提供一种电子设备，电子设备可以包括：存储器和处理器。

存储器，用于至少存储一组指令集；

处理器，用于调用并执行所述存储器中的所述指令集，通过执行所述指令集，执行如方法实施例1或2所介绍的哈希网络训练方法的各步骤，或，执行如方法实施例3所介绍的广告图像素材检索方法的各步骤。

在本申请的另一个实施例中，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，实现如上述方法实施例1或2所介绍的哈希网络训练方法的各步骤，或，如上述方法实施例3所介绍的广告图像素材检索方法的各步骤。

需要说明的是，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。并且对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域普通技术人员可以理解实现上述方法实施例中的全部或部分步骤是可以通过软件加相关的硬件来完成。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上对本申请所提供的一种哈希网络训练方法、广告图像素材检索方法及相关装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。