CN101877012B - 在互联网上搜索图片及局部相似图片的方法 - Google Patents
在互联网上搜索图片及局部相似图片的方法 Download PDFInfo
- Publication number
- CN101877012B CN101877012B CN2010102390634A CN201010239063A CN101877012B CN 101877012 B CN101877012 B CN 101877012B CN 2010102390634 A CN2010102390634 A CN 2010102390634A CN 201010239063 A CN201010239063 A CN 201010239063A CN 101877012 B CN101877012 B CN 101877012B
- Authority
- CN
- China
- Prior art keywords
- picture
- neural network
- client
- geometric properties
- pictures
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种在互联网上搜索图片及局部相似图片的方法,包括如下步骤:(1)客户端通过互联网与神经网络系统建立连通关系;(2)由客户端从原图片中选取一个或多个一定大小的图片局部作为标准图片并传输到图片数据存储服务器;(3)神经网络服务器抽取标准图片的几何特征,然后对标准图片的每个几何特征进行感知训练得到每个几何特征的隶属度,在感知训练过程中获取的最大隶属度的几何特征所对应的坐标范围为搜索结果;(4)神经网络服务器将所获得的坐标范围传送到客户端,由客户端转换为用户原图片的坐标作为搜索的结果。本发明实现了在互联网上通过图片或其局部高速搜索原图片及其他局部相似图片功能,具有搜索速度快、准确率高的特点。
Description
技术领域
本发明属于互联网信息处理领域,尤其是一种在互联网上搜索图片及局部相似图片的方法。
背景技术
随着互联网技术的不断发展,互联网为人们提供了各种搜索以满足人们的需要。人们不仅需要对文本信息进行搜索,而且也需要在互联网上进行图片或局部相似图片的搜索,但由于图片搜索的特殊性,根据图片内容搜索图片是一个在世界范围内难以解决的技术难题。目前,在互联网上进行图片搜索的方法存在以下问题:(1)受计算机智能识别水平的限制,个别技术虽然智能化识别达到一定水平,但识别速度过慢,难以满足应用要求;(2)由于图片占用存储空间很大,图片识别过程占用的数据空间又被指数级放大,受到网络数据传输速度局限,图片的网上识别和搜索难以进入实际应用层面。
发明内容
本发明的目的在于克服现有技术的不足,提供一种设计合理、搜索速度快并且准确率高的在互联网上搜索图片及局部相似图片的方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种在互联网上搜索图片及局部相似图片的方法,包括如下步骤:
(1)客户端通过互联网与神经网络系统建立连通关系;
(2)由客户端从原图片中选取一个或多个一定大小的图片局部作为标准图片并传输到神经网络系统中的图片数据存储服务器;
(3)神经网络系统中的神经网络服务器从图片存储数据库服务器中获取标准图片并抽取标准图片的几何特征,然后对标准图片的每个几何特征进行感知训练得到每个几何特征的隶属度,在感知训练过程中获取的最大隶属度的几何特征所对应的坐标范围为搜索结果;
(4)神经网络系统中的神经网络服务器将所获得的坐标范围传送到客户端,由客户端转换为用户原图片的坐标作为搜索的结果。
而且,在步骤(1)中,客户端通过中介即时通讯服务器与神经网络系统建立点对点连通关系。
而且,在步骤(2)中,客户端在向图片数据存储服务器传输前对标准图片进行压缩处理。
而且,在步骤(2)中,标准图片的大小根据精度要求设定为900像素或900像素以上。
而且,在步骤(3)中,抽取标准图片的几何特征的方法为:神经网络服务器从标准图片的像素灰度值中,抽取灰度变化明显的边缘线条的方向值作为图片的几何特征。
而且,在步骤(3)中,对标准图片的几何特征进行感知训练的方法为:神经网络服务器利用神经元间连接权值对输入的每个几何特征进行计算,找到相应的内容类别进行收敛,得到每个几何特征的隶属度,在感知训练过程中隶属度最大时的几何特征所对应的坐标范围就是所要的搜索结果。
而且,所述的神经网络服务器内置有视觉BP神经网络模型,该神经网络模型采用基本感知器模型结构并使用误差反向传播算法,该神经网络模型的输出值是对应各个内容类别的隶属度。
本发明的优点和积极效果是:
1、本方法将客户端与神经网络系统建立点对点通讯联系,通过视觉BP神经网络模型对标准图片进行几何特征抽取、感知训练,从而实现在互联网上搜索图片或局部相似图片的功能,使图片的匹配效率大幅提高。
2、本方法在互联网上进行图片或其局部识别时,仅传输局部的标准图片并进行压缩处理,使图片匹配的信息在网络上传输的信息量得到大幅缩减。
3、本方法使互联网上根据图片内容搜索图片或其局部相似图片成为现实,填补了文字无法描述的图片内容搜索的空白。
4、本发明实现了在互联网上通过图片或其局部高速搜索原图片及其他局部相似图片功能,具有搜索速度快、准确率高的特点,可广泛用于互联网上相似或近似图片的搜索。
附图说明
图1是本发明所使用的图片搜索系统的连接示意图;
图2是检索方法的处理流程图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种在互联网上搜索图片及局部相似图片的方法,是在如图1所示的基于神经网络系统的图片搜索系统上实现的。该搜索系统包括客户端、互联网、即时通讯中介服务器、神经网络服务器和图片数据存储服务器,客户端、即时通讯中介服务器、神经网络服务器和图片数据存储服务器通过互联网相连接,多个神经网络服务器与图片数据存储服务器构成神经网络系统。客户端既可以是运行任何浏览器的客户电脑,也可以是网站内的服务器,还可以是虽然无浏览器但有图片输入设备(如摄像头扫描仪等)的任何互联网上的电脑;即时通讯中介服务器负责登记神经网络服务器的IP地址和端口并合理分配各个神经网络服务器的负载,客户端软件运行时能够通过即时通讯中介服务器得到分配给自己的神经网络服务器IP地址和端口;图片数据存储服务器用来存储客户端传来的标准图片;神经网络服务器从图片数据存储服务器中抽取标准图片的几何特征并进行感知训练,并将匹配成功后的搜索结果返回给客户端。系统初始工作时,首先由神经网络服务器与即时通讯中介服务器联系并登记,客户端访问即时通讯中介服务器获得神经网络服务器位置信息,并与神经网络服务器建立高速连接,实现客户端向神经网络服务器的搜索功能。
一种在互联网上搜索图片及局部相似图片的方法,包括如下步骤:
(1)、客户端通过互联网与神经网络系统建立连通关系;
客户端通过互联网向即时通讯中介服务器发出请求,由即时通讯中介服务器合理分配神经网络服务器的IP地址和端口号,从而建立起客户端与神经网络系统的点对点连通关系,即客户端与神经网络系统中的神经网络服务器和图片数据存储服务器通过互联网直接进行通讯。
(2)、由客户端从原图片中选取一个或多个一定大小的图片局部作为标准图片并传输到神经网络系统中的图片数据存储服务器。
为了提高传输速度,在向图片数据存储服务器传输前,可以将标准图片进行压缩处理,减小传输的数据量,从而提高传输速度。
客户端可以自动截取原图片中的图片局部作为标准图片,也可以通过鼠标或画笔选取鼠标或画笔周围的区域作为标准图片,标准图片的大小可以设定为900像素,或根据精度要求设定为大于900像素,如果是局部相似可以选取一个标准图片,如果是原图片搜索的话,可以选择一个标准图片,也可以选取多个标准图片。
(3)、神经网络系统中的神经网络服务器从图片存储数据库服务器中获取标准图片并抽取标准图片的几何特征,然后对标准图片的每个几何特征进行感知训练得到每个几何特征的隶属度,在感知训练过程中获取的最大隶属度的几何特征所对应的坐标范围为搜索结果。
神经网络服务器内安装有视觉BP神经网络模型,该神经网络模型采用基本感知器模型结构并使用误差反向传播算法,该视觉BP神经网络模型的输出值是对应各个内容类别的隶属度,输出值(隶属度)越大则说明相似度最大。
抽取标准图片的几何特征的方法为:视觉BP神经网络模型从标准图片的像素灰度值中,抽取灰度变化明显的边缘线条的方向值作为图片的几何特征。
对标准图片的几何特征进行感知训练的方法为:视觉BP神经网络模型利用神经元间连接权值对输入的每个几何特征进行计算,找到相应的内容类别进行收敛,得到每个几何特征的隶属度,隶属度越大则说明相似度越大,在感知训练过程中隶属度最大时的几何特征所对应的坐标范围就是所要的搜索结果。
而对于原图片搜索时选择的多个标准图片,神经网络服务器依次对每个标准图片的几何特征进行感知训练处理,获取所有标准图片的每个几何特征的隶属度,从而得到最大隶属度的几何特征所对应的坐标范围,该几何特征所对应的坐标范围就是所要的搜索结果。
(4)、神经网络系统中的神经网络服务器将所获得的坐标范围传送到客户端,由客户端转换为用户原图片的坐标作为搜索的结果。
通过上述步骤即可实现客户端在互联网上搜索图片及局部相似图片功能。
本发明所述的实施例是说明性的,而不是限定性的,因此本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.一种在互联网上搜索图片及局部相似图片的方法,其特征在于:包括如下步骤:
(1)客户端通过互联网与神经网络系统建立连通关系;
(2)由客户端从原图片中选取一个或多个一定大小的图片局部作为标准图片并传输到神经网络系统中的图片数据存储服务器;
(3)神经网络系统中的神经网络服务器从图片数据存储服务器中获取标准图片并抽取标准图片的几何特征,然后对标准图片的每个几何特征进行感知训练得到每个几何特征的隶属度,在感知训练过程中获取的最大隶属度的几何特征所对应的坐标范围为搜索结果;所述抽取标准图片的几何特征的方法为:神经网络服务器从标准图片的像素灰度值中,抽取灰度变化明显的边缘线条的方向值作为图片的几何特征;所述对标准图片的几何特征进行感知训练的方法为:神经网络服务器利用神经元间连接权值对输入的每个几何特征进行计算,找到相应的内容类别进行收敛,得到每个几何特征的隶属度,在感知训练过程中隶属度最大时的几何特征所对应的坐标范围就是所要的搜索结果;所述的神经网络服务器内置有视觉BP神经网络模型,该神经网络模型采用基本感知器模型结构并使用误差反向传播算法,该神经网络模型的输出值是对应各个内容类别的隶属度;
(4)神经网络系统中的神经网络服务器将所获得的坐标范围传送到客户端,由客户端转换为用户原图片的坐标作为搜索的结果。
2.根据权利要求1所述的在互联网上搜索图片及局部相似图片的方法,其特征在于:在步骤(1)中,客户端通过中介即时通讯服务器与神经网络系统建立点对点连通关系。
3.根据权利要求1所述的在互联网上搜索图片及局部相似图片的方法,其特征在于:在步骤(2)中,客户端在向图片数据存储服务器传输前对标准图片进行压缩处理。
4.根据权利要求1所述的在互联网上搜索图片及局部相似图片的方法,其特征在于:在步骤(2)中,标准图片的大小根据精度要求设定为900像素以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102390634A CN101877012B (zh) | 2010-07-28 | 2010-07-28 | 在互联网上搜索图片及局部相似图片的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102390634A CN101877012B (zh) | 2010-07-28 | 2010-07-28 | 在互联网上搜索图片及局部相似图片的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101877012A CN101877012A (zh) | 2010-11-03 |
CN101877012B true CN101877012B (zh) | 2012-06-20 |
Family
ID=43019568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102390634A Expired - Fee Related CN101877012B (zh) | 2010-07-28 | 2010-07-28 | 在互联网上搜索图片及局部相似图片的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101877012B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500172A (zh) * | 2013-09-04 | 2014-01-08 | 苏州荣越网络技术有限公司 | 一种图片搜索系统 |
CN108242046B (zh) * | 2016-12-27 | 2022-02-18 | 阿里巴巴集团控股有限公司 | 图片处理方法及相关设备 |
CN110263197B (zh) * | 2019-06-12 | 2023-11-28 | 腾讯科技(深圳)有限公司 | 一种图像搜索方法、装置、计算机设备和存储介质 |
CN112717419A (zh) * | 2021-01-04 | 2021-04-30 | 厦门梦加网络科技股份有限公司 | 一种游戏数据的保存方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359366B (zh) * | 2008-07-28 | 2011-11-16 | 同济大学 | 一种图形匹配识别系统及其实现方法 |
-
2010
- 2010-07-28 CN CN2010102390634A patent/CN101877012B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101877012A (zh) | 2010-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340864B (zh) | 基于单目估计的三维场景融合方法及装置 | |
KR102319177B1 (ko) | 이미지 내의 객체 자세를 결정하는 방법 및 장치, 장비, 및 저장 매체 | |
WO2022105714A1 (zh) | 数据处理方法、机器学习的训练方法及相关装置、设备 | |
CN113255664B (zh) | 图像处理方法、相关装置及计算机程序产品 | |
CN101877012B (zh) | 在互联网上搜索图片及局部相似图片的方法 | |
CN102867008A (zh) | 基于增强现实和远端计算的识别系统和方法 | |
CN114091472B (zh) | 多标签分类模型的训练方法 | |
CN111539897A (zh) | 用于生成图像转换模型的方法和装置 | |
CN112614110A (zh) | 评估图像质量的方法、装置及终端设备 | |
CN113822427A (zh) | 一种模型训练的方法、图像匹配的方法、装置及存储介质 | |
CN105096335A (zh) | 一种传输评价信息的方法及装置 | |
WO2021051562A1 (zh) | 人脸特征点定位方法、装置、计算设备和存储介质 | |
CN113409468B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN114091572A (zh) | 模型训练的方法、装置、数据处理系统及服务器 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN107665229B (zh) | 信息搜索方法、装置及设备 | |
CN111078014B (zh) | 一种多维数据采集应用方法及系统 | |
WO2023273196A1 (zh) | 一种文本识别方法及相关装置 | |
US20220351495A1 (en) | Method for matching image feature point, electronic device and storage medium | |
Wang et al. | C3Meta: a context-aware cloud-edge-end collaboration framework toward green metaverse | |
CN113032598B (zh) | 基于大数据的图像设计视觉传达系统 | |
CN115620321A (zh) | 表格识别方法及装置、电子设备和存储介质 | |
CN115479946A (zh) | 一种路面破损检测方法、系统、装置及存储介质 | |
WO2021244114A1 (zh) | 视觉定位方法和装置 | |
US11989772B2 (en) | System and method for extracting product information from low resolution photos for updating product master |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120620 Termination date: 20150728 |
|
EXPY | Termination of patent right or utility model |