1.基于图片语义和视觉散列的图片检索方法，其特征在于，包括以下步骤：步骤1：利用图片特性和视觉特性训练语义散列函数；

步骤2：利用最大熵原则，获得紧凑的二进制码；

步骤3：利用函数衰减原理，消除视觉特征的噪声。

2.根据权利要求1所述的基于图片语义和视觉散列的图片检索方法，其特征在于，所述步骤1包括：利用图片特性和视觉特性训练语义散列函数，所述的散列函数表示如下：   式1

选择图片投影的均值作为偏差项 让每个散列比特bc(xi)接近平衡，且有最大熵，即：Bc(xi)＝0.5(hc(xi)+1)   式2由H＝[h1,h2,…,hc]∈Rd×c，所以xi的相关性散列码表示为：T T

H(xi)＝sgn(Wxi-Wm)   式3由于对X进行了归一化，所以H(xi)表示为如下形式：H(xi)＝sgn(WTxi)   式4由于图片X＝{xi}N i＝1，所以相关性散列码H(X)表示成如下形式：T

H(X)＝sgn(WX)   式5式2为探索原始数据的潜在信息，应尽量保留原始数据的邻域结构特征，构建元素为Sij的N×N相似矩阵S时，就充分利用了图片数据的局部邻域信息，即：   式6

上式中的K(xi)表示特征向量xi的k近邻；

两幅图片Ii和Ij间的汉明距离d(h(xi),h(xj))，是计算它们各自散列二进制码h(xi)和h(xj)不同的比特数，即：   式7

接着，图片Ii和Ij间的相似性SH(Ii,Ij)定义为h(xi)和h(xj)间汉明距离的均值，即：   式8

上式中，当Ii和Ij完全相同时SH(Ii,Ij)＝1,当Ii和Ij完全不同时SH(Ii,Ij)＝0；

基于邻域信息，图片Ii和Ij间的相似性表示为：   式9

式9用于保存邻域信息。

3.根据权利要求1或2所述的基于图片语义和视觉散列的图片检索方法，其特征在于，所述方法利用语义和视觉信息是为了确保汉明空间中，相似的图片映射到相似的散列码上，且此时的目标函数表示为：   式10

上式中的SH、SS、SV分别表示汉明空间、语义空间、视觉空间中的相似性，分别定义为：   式11

   式12

上式中的μ为‖xi-xj‖的中值；

除保留映射相似性外，二进制散列码还具有紧凑性和判别性，二进制散列码的紧凑性，表现为每个二进制散列码只可能是-1或1，通过最小化函数得到，即：   式13

这类似于最大化二进制码向量的熵，二进制散列码的判别性，表现为每个二进制散列码都应尽可能接近-1或1，通过最大化如下所示的函数得到，即：   式14

因此，二进制散列码紧凑性和判别性的最优化为：   式15。

4.根据权利要求3所述的基于图片语义和视觉散列的图片检索方法，其特征在于，所述方法包括矩阵熵，所述矩阵熵的最大值等价于矩阵方差的最大值，且散列函数方差的最大值小于投影数据方差的上界，由此得到下面的等式，即：   式16。

5.根据权利要求4所述的基于图片语义和视觉散列的图片检索方法，其特征在于，所述方法为消除视觉信息噪声，引入函数衰减原理，包括：   式17

上式中，当相关视觉特征是噪声时‖wc‖＝0；

利用式10的相似性保持、式15的二进制散列码的紧凑性和判别性、式17的视觉特征噪声消除这三个条件，得到图片检索最优的目标函数，即：   式18

上式中的λ、μ、ν为控制每一项权重的参数。

6.根据权利要求5所述的基于图片语义和视觉散列的图片检索方法，其特征在于，所述的更新速率为ζ的随机梯度下降迭代算法，用于求解目标函数，即：   式19

上式中的∏∈Rc×d是一个对角矩阵，其元素为∏c＝1/‖wc‖2。

7.根据权利要求5所述的基于图片语义和视觉散列的图片检索方法，其特征在于：所述方法应用于大型图片库的检索。