1.一种基于深度学习的图像哈希编码方法，其特征在于包括如下步骤：步骤1、采用在ImageNet图像识别数据库上训练好的图像分类模型GoogLeNet作为初始化的基本网络结构，并将GoogLeNet模型的最后一层分类层替换为哈希层，该哈希层的单元数即为图像要编码成的比特数；

步骤2、对GoogLeNet模型的参数进行优化；

2-1.每次迭代将从图像检索数据集中选取的50幅图像，作为GoogLeNet模型的输入；并且将图像上人工标注的标签信息同时作为GoogLeNet模型的输入，用于判断图像间的相似性；共迭代M次；

2-2.在每次迭代中，将从图像检索数据集中选取的50幅图像随机两两组合构成成对图像，并通过成对图像的标签信息判断两幅图像是否相似，从而对成对图像进行损失计算；

2-3.根据每幅图像输入进GoogLeNet模型得到的二值码，进行二值码均匀分布损失的计算和量化损失的计算；

2-4.计算出每一次迭代的图像的所有损失，即成对图像损失、二值码均匀分布损失和量化损失的累加；然后使用随机梯度下降算法和反向传播算法来对GoogLeNet模型的参数进行更新，迭代进行M次后，得到了优化好的GoogLeNet模型；

步骤3、将图像检索数据集中的图像输入至优化好的GoogLeNet模型，并将GoogLeNet模型输出的浮点数量化为二值码，从而得到每幅图像的二值码。

2.根据权利要求1所述的一种基于深度学习的图像哈希编码方法，其特征在步骤2中所述的成对图像的损失通过如下损失函数计算：其中，设输入的成对图像分别为I1，I2，其对应的二值码为b1，b2；S表示两幅图像是否相似，若相似，S＝1；否则，S＝0；H(·,·)表示两个二值码间的海明距离，如果两幅图像是相似图像，则损失等于其二值码间的海明距离，否则当两幅图像不相似时，定义一个阈值t，若海明距离小于该阈值时，才对该损失函数有贡献；

由于上式(1)二值码是离散取值，直接优化困难，因此将整数限制变为范围限制{-1,+

1}->[-1,+1]，海明距离变为欧式距离，GoogLeNet模型得到浮点数输出，公式(1)更新为：对公式(2)的梯度进行计算如下：

当S＝1时，

当S＝0时，

3.根据权利要求2所述的一种基于深度学习的图像哈希编码方法，其特征在步骤2中所述的二值码均匀分布损失的计算如下：将压缩的二值码均匀分布，当二值码中-1和+1出现的概率都为50％时，熵最大信息量最多，所以该均匀分布损失函数定义为：其中，q表示二值码的长度，即哈希层的单元数；n为图像数量，即得到的二值码数量，bi(j)表示第i个二值码的第j个比特。

4.根据权利要求3所述的一种基于深度学习的图像哈希编码方法，其特征在步骤2所述的二值码量化的损失通过如下损失函数计算：由于GoogLeNet模型的哈希层的输出为浮点数，因此需要通过量化得到二值码，量化过程如下：b＝sign(v)， (6)

其中，v表示GoogLeNet模型的输出；为了减小从欧式空间到海明空间映射导致的量化误差，需要一个量化损失函数：用于计算最后一层哈希层的值与量化该哈希层后的值的差，即每个单元量化前与量化后的值相减，具体量化损失函数如下：其中，如果vi>0，则b＝1；否则，b＝-1，其中,vi表示二值码的第i个比特。