CN102165490B - 图像同一性尺度计算系统 - Google Patents

Abstract

一种图像同一性尺度计算系统，该系统能鉴于识别能力和稳健性之间的平衡来计算代表两个图像的同一性程度的同一性尺度。图像特征量比较单元(2A)由确定能唯一识别多个分级的量化指标的编码格式的分级量化指标代码以作为输入，所述多个分级的量化指标依据提前预定的分级量化方法来对两个图像中每个待量化的区域执行分级量化计算得出，并且图像特征量比较单元(2A)依据单独给予的信息选择用于比较的量化指标集作为比较量化指标集。图像特征量比较单元(2A)通过使用比较量化指标集来比较两个图像的分级量化指标代码并且计算两个图像的同一性尺度。

Description

图像同一性尺度计算系统

技术领域

本发明涉及一种配置成计算代表图像同一性程度的同一性尺度的图像同一性尺度计算系统，更具体而言，本发明涉及一种能够确定由各种更改过程复制的图像与原始图像相同的图像同一性尺度计算系统。 

背景技术

配置成计算代表两个图像同一性程度的同一性尺度的图像同一性尺度计算系统用来例如检测图像或者作为图像汇集的移动图像的副本。也就是说，图像同一性尺度计算系统将根据两个图像计算的图像同一性尺度与某个阈值进行比较，并且确定两个图像是否相同(一个是否为另一个的副本)。 

当复制图像时通常执行各种更改过程。各种更改过程包括图像压缩格式的转换、图像压缩比的转换、图像尺寸/纵横比的转换、图像色调的调整、各种图像滤波过程(锐化、平滑)等。另外，各种更改过程包括诸如叠加题注等对图像的局部处理。在下文中，不仅将简单地复制图像而且将执行上述各种更改过程的复制简称为复制。另外，在下文中，各种更改过程应当意味着上述各种图像更改过程。因而，为了检测图像的副本，要求同一性尺度计算系统针对各种更改过程以稳健方式计算允许确定由各种更改过程复制的图像与原始图像相同的同一性尺度。 

在非专利文献1至3中描述一种用于针对各种更改过程稳健地计算同一性尺度的方法。在这些文献中描述的方法中通过提取两个图像的特征并且比较两个图像的特征来计算同一性尺度。首先从图像的多个局部区域中的各局部区域提取特征，量化所提取的特征以 计算量化指标，并且提取各局部区域的量化指标作为图像的特征。当比较两个图像的特征时，比较对应局部区域的量化指标，并且基于其量化指标在图像之间重合的局部区域的数目来计算同一性尺度。 

在非专利文献1中，将局部区域内的照度分布模式分类为被称为量化指标的十一种类型。 

另外，在非专利文献2中，局部区域的色彩信息按照时间间隔来归一化，然后受到线性标量量化，其结果称为量化指标。将同一性尺度计算为汉明距离。 

另外，在非专利文献3(非专利文献3的一种描述为“Local Edge Representation(局部边缘表示)”的技术)中，量化从局部区域提取的边缘点的重心位置(其称为量化指标)。 

图1和图2是示出了在非专利文献1至3中描述的图像同一性尺度计算系统的配置的框图。参照图1和图2，在这些文献中描述的同一性尺度计算系统由图像特征提取设备11和图像特征比较设备12组成。 

参照图1，图像特征提取设备11由特征提取单元111和量化指标计算单元112组成。当输入图像时，特征提取单元111从图像的多个提前定义的局部区域中的各局部区域提取特征并且向量化指标计算单元112供应提取的各局部区域的特征。量化指标计算单元112量化由特征提取单元111供应的各局部区域的特征以计算量化指标并且输出各局部区域的量化指标作为图像的特征。 

参照图2，图像特征比较设备12由量化指标比较单元121组成。向量化指标比较单元121供应由图像特征提取设备11输出的两个图像的相应局部区域的量化指标作为输入，量化指标比较单元121比较对应局部区域的量化指标、基于其量化指标重合的局部区域的数目来计算同一性尺度并且输出同一性尺度。 

具有图1和图2中所示配置的图像同一性尺度计算系统使用通过量化特征来计算的量化指标作为特征，因此对由于对各种图像更 改过程所致的图像信号的一些改变具有稳健性。另外，图像同一性尺度计算系统使用各局部区域的量化指标作为特征并且基于其量化指标重合的局部区域的数目来计算同一性尺度，因此也针对如图像局部处理(比如叠加字幕)之类的图像更改过程具有稳健性。 

[非专利文献1]Kota Iwamoto，Eiji Kasutani，Akio Yamada，“Image signature Robust to Caption Superimposition for Video Sequence Identification，”Proceedings of International Conference on Image processing(ICIP2006)，2006。 

[非专利文献2]Takayuki Kurozumi，Hidehisa Nagano，Kunio Kasino，“Robust Video Search Method for Video Signal Queries Captured in the Real World，”IEICE(the Institute Of Electronics，Information and Communication Engineers)Transactions第J90-D卷，第8期，第2223-2231页，2007年8月。 

[非专利文献3]Arun Hampapur，Ruud M.Bolle，“Comparison of Distance Measures for Video Copy Detection，”Proceedings of International Conference on Multimedia and Expo(ICME2001)，第946页，2001。 

然而由于具有图1和图2中所示配置的图像同一性尺度计算系统通过使用由之前定义的一种量化方法来量化的一个量化指标集来计算同一性尺度，所以问题在于确定图像同一性的能力取决于待使用的量化方法。这里，确定图像同一性的能力依赖于两个尺度：识别能力，该识别能力是识别不同图像的能力程度；以及稳健性，该稳健性是量化指标耐受各种图像更改过程的程度。识别能力和稳健性具有折衷关系。对确定图像同一性的能力的固定也指对识别能力与稳健性的平衡的固定。 

发明内容

因此，鉴于上述问题做出本发明，并且本发明的目的在于提供一种能够调节识别能力与稳健性的平衡的图像同一性尺度计算系 统，识别能力与稳健性是确定图像同一性的能力尺度。 

根据本发明的第一图像同一性尺度计算系统是配置成计算代表两个图像的同一性程度的同一性尺度的系统，并且该系统包括：图像特征比较单元，配置成：根据提前定义的分级量化方法，被供应有分级量化指标代码作为输入，这些分级量化指标代码是允许对多个分级的量化指标唯一指定的编码，所述多个分级的量化指标是由对两个图像的各量化目标区域的分级量化计算得出；基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集；并且通过使用比较量化指标集来比较两个图像的分级量化指标代码，由此计算两个图像的同一性尺度。 

根据本发明的第一图像同一性尺度计算方法是一种用于计算代表两个图像的同一性程度的同一性尺度的方法，并且该方法包括：图像特征比较单元被供应有分级量化指标代码作为输入，这些分级量化指标代码是允许对多个分级的量化指标唯一指定的编码，所述多个分级的量化指标根据提前定义的分级量化方法由对两个图像的各量化目标区域的分级量化计算得出；基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集；通过使用比较量化指标集来比较两个图像的分级量化指标代码，由此计算两个图像的同一性尺度。 

根据本发明的第一计算机程序产品包括用于使计算代表两个图像的同一性程度的同一性尺度的计算机作为图像特征比较单元来工作的计算机可实施指令，该图像特征比较单元被配置成：被供应有分级量化指标代码作为输入，该分级量化指标代码是允许对多个分级的量化指标唯一指定的编码，所述多个分级的量化指标根据提前定义的分级量化方法由对两个图像的各量化目标区域的分级量化计算得出；基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集；并且通过使用比较量化指标集来比较两个图像的分级量化指标代码，由此计算两个图像的同一性尺度。 

根据本发明，可以获得一种能够调节识别能力与稳健性的平衡 的图像同一性尺度计算系统，识别能力与稳健性是确定图像同一性的能力尺度。 

附图说明

图1是示出了在涉及本发明的图像同一性尺度计算系统中包括的图像特征提取设备的配置的框图； 

图2是示出了在涉及本发明的图像同一性尺度计算系统中包括的图像特征比较设备的配置的框图； 

图3是本发明的第一示例实施例的配置的框图； 

图4是示出了在本发明的第一示例实施例中包括的图像特征提取设备的配置的框图； 

图5是示出了在本发明的第一示例实施例中包括的图像特征比较设备的配置的框图； 

图6是示出了分级量化方法的例子的图； 

图7是示出了在本发明的第一示例实施例中包括的图像特征提取设备的操作的流程图； 

图8是示出了在本发明的第一示例实施例中包括的图像特征比较设备的操作的流程图； 

图9是示出了本发明的第二示例实施例的配置的框图； 

图10是示出了在本发明的第二示例实施例中包括的比较量化指标集选择部的配置例子的框图； 

图11是示出了本发明的第二示例实施例的操作的流程图； 

图12是示出了本发明的第三示例实施例的配置的框图； 

图13是示出了本发明的第四示例实施例的配置的框图； 

图14是示出了本发明的第五示例实施例的配置的框图； 

图15是示出了本发明的第六示例实施例的配置的框图； 

图16是示出了在本发明的第七示例实施例中使用的分级量化方法的具体例子的图； 

图17A至17C是示出了在本发明的第八示例实施例中的配置 成存储分级量化指标代码的存储单元的数据结构的例子的图；以及 

图18是示出了本发明的第九示例实施例的配置的框图。 

具体实施方式

[第一示例实施例] 

接着将参照附图描述本发明的第一示例实施例。图3是示出了根据第一示例实施例的图像同一性尺度计算系统的配置的框图。参照图3，本发明的第一示例实施例包括图像特征提取设备01和图像特征比较设备02。图4是示出了根据第一示例实施例的图像同一性尺度计算系统中图像特征提取设备01的具体配置的框图，而图5是示出了根据第一示例实施例的图像同一性尺度计算系统中的图像特征比较设备02的具体配置的框图。 

当输入图像时，图像特征提取设备01针对图像的各提前定义的量化目标区域，根据分级量化方法(该方法是一种提前定义的分级量化方法)执行分级量化以计算多个分级的量化指标，计算分级量化指标代码(该代码是允许对各量化目标区域的相应分级的量化指标唯一指定的编码)并且输出分级量化指标代码作为图像特征。这里，允许对各量化目标区域的相应分级的量化指标唯一指定是指允许对各量化目标区域与其量化指标之间的关联唯一指定以及允许对相应分级的量化指标唯一指定。 

量化目标区域是受到通过分级量化来计算量化指标的区域。量化目标区域例如可以是通过将图像在空间上划分成区域来获得的多个局部区域。例如，量化目标区域可以是通过将图像划分成矩形局部区域(块)(块可以部分地相互重叠)来获得的多个局部区域(块)。在这一情况下，为了响应于对图像尺寸的转换，例如可以在通过归一化图像尺寸来获得的归一化图像上定义局部区域。另外，举例而言，整个图像可以定义为一个量化目标区域。另外，量化目标区域无需是图像的空间区域并且例如可以是图像信号的部分频域区域。量化目标区域可以是任何区域，只要可以基于图像信号来执行量化。 

分级量化方法是一种通过基于图像信号的某种量化方法将量化目标区域分类为有限数目的量化指标并且通过其它量化方法将分类为相应量化指标的样本分级分类为有限数目的量化指标的方法。通过根据这一方法执行分级量化，针对各量化目标区域计算多个分级的量化指标。量化方法是指用于量化的特征类型和用于通过量化该特征来计算量化指标的流程和/或参数。在图6中示意地示出了分级量化方法的一个例子。在图6中，数字代表量化指标，而虚线包围的部分代表通过一种量化方法量化的量化指标集。下文将参照图6描述具体例子。 

在分级量化方法中，用于更低分级的量化方法依赖于其更高分级的量化指标。也就是说，更低分级的量化方法(用于量化的特征类型和用于通过量化特征来计算量化指标的流程和/或参数)根据其更高分级的量化指标而变化(但是可以使用相同量化方法)。参照图6，用于量化指标1的更低分级的量化方法是量化方法B，而用于量化指标2的更低分级的量化方法是量化方法C。因此，使用了不同的量化方法。在这一情况下，在量化方法B中使用的特征和在量化方法C中使用的特征可以不同。另外，在用于更高分级的量化方法中使用的特征类型可以不同于在用于其更低分级的量化方法中使用的特征类型。 

另外，在分级量化方法中，在更低分级中分类的量化指标的数目可以根据其更高分级的量化指标而变化。参照图6，在更低分级的量化指标1中分类的量化指标的数目为二，而在量化指标5的更低分级中分类的量化指标的数目为四。因此，分类数目不同。另外根据更高分级的量化指标，其更低分级的深度(分级数目)可以变化。参照图6，量化指标1的更低分级的深度(分级数目)最大为三(如果包括最高分级则为四)，而量化指标3的更低分级的深度(分级数目)为一(如果包括最高分级则为二)。因此深度不同。 

另外，在分级量化方法中，用于最高分级的量化方法需要是一种将所有样本唯一分类到有限数目的量化指标从而无样本保持未分 类的方法。另外，用于最高分级之外的分级的量化方法需要是一种将分类到其更高分级的量化指标的所有样本唯一分类到有限数目的指标从而无样本保持未分类的方法。参照图6，作为用于最高分级的量化方法的量化方法A是一种将所有样本唯一分类到量化指标1、2、3、4和5从而无样本保持未分类的方法(例如一个样本决不同时分类到量化指标1和2)。另外，举例而言，量化方法G是一种将已经分类到量化指标5(该量化指标5是其更高分级的量化指标)的所有样本唯一分类到量化指标18、19、20和21从而无样本保持未分类的方法(例如一个样本决不同时分类到量化指标18和19)。 

另外，在分级量化方法中，多个不同量化方法针对更高分级的量化指标可以并行存在(用于最高分级的多个量化方法可以并行存在)，只要相应量化方法满足上述条件。参照图6，针对量化指标4并行存在不同量化方法E和F。 

在量化方法中，只要有可能基于图像信号来执行量化，则可以使用任何特征和/或任何流程和/或参数可以用于通过使用该特征来计算量化指标。例如量化方法可以是一种从量化目标区域提取标量数量(例如图像的平均照度值)特征并且对该特征执行线性标量量化或者非线性标量量化的方法。另外，举例而言，量化方法可以是一种从量化目标区域提取矢量数量(例如图像的照度直方图)特征并且对该特征执行矢量量化的方法。任何参数可以用于标量量化和矢量量化。另外，举例而言，量化方法可以不基于简单算数运算而是基于规则。例如量化方法可以是一种从量化目标区域提取与图像梯度的量值和方向有关的特征并且分类到共计五个量化指标的方法：在量值低于定义数量的情况下分类到代表“无梯度”的量化指标，而在其它情况下将梯度的方向分类到四个方向。 

在分级量化方法中，考虑到稳健性随着选择更高分级的量化指标作为用于比较的量化指标集而实质上更高，合乎需要的是用于更高分级的量化方法是一种针对各种图像更改过程更为稳健的方法，即一种计算的量化指标更难以针对各种更改过程而改变的方法(它 合乎需要，但是并非必需)。参照图6，例如希望量化方法A比量化方法B、C、D、E、F和G更稳健。一般而言，例如在使用图像的照度分量的梯度作为特征的量化方法比使用图像的色彩分量作为特征的量化方法更稳健的情况下，对于更高分级而言，前一量化方法比后一量化方法更合乎需要。例如可以通过对用于学习的图像组执行各种更改过程以生成副本图像，根据原始图像和副本图像通过量化方法针对各量化目标区域计算量化指标，并且测量量化指标在对应量化目标区域之间的重合比来测量该量化方法的稳健性。可以认为，重合比更高的量化方法针对各种图像更改过程更稳健。例如针对分级量化方法的设计，可以基于通过上述方法测量的稳健性来配置分级量化方法，从而稳健性更高的量化方法而不是稳健性更低的量化方法用于更高分级。 

另外合乎需要的是用于分级量化方法的各分级的量化方法是这样的量化方法：参照未假定具体群体的一般图像，将样本尽可能统一分类到量化方法将分类的多个量化指标(它合乎需要、但是并非必需)。参照图6，合乎需要的是当量化方法A对未假定具体群体的一般图像执行量化时，在尽可能统一的程度上分别将样本分类到量化指标1、2、3、4和5。针对分级量化方法的设计，可以设置用于量化方法的参数使得例如参照用于学习的图像组对样本尽可能统一地分类。 

另外，合乎需要的是分级量化方法是如下方法，其中针对未假定具体群体的一般图像组，由针对最高分级的量化方法计算的量化指标集具有识别能力，该识别能力是充分识别不同图像的能力程度(它合乎需要，但是并非必需)。参照图6，合乎需要的是针对未假定具体群体的一般图像，通过量化方法A计算的量化指标1、2、3、4和5具有充分识别能力。例如，在由针对最高分级的量化方法计算的量化指标的数目太小(例如二)的情况下，不能获得充分识别能力，这不合乎需要(但是有可能)。另外，在分级量化方法中，随着针对最高分级之外的分级量化方法计算的量化指标数目更小，更 易于使量化指标的出现频率统一(即调节自由程度更高)，这合乎需要(但是并非必需)。合乎需要的是如图6中所示，针对最高分级量化方法计算的量化指标的数目最大(五)，而针对其更低分级量化方法计算的量化指标的数目小于五(二、三或者四)(但是并非必需)。例如合乎需要的是针对最高分级量化方法计算的量化指标的数目约为十而针对其更低分级量化方法计算的量化指标的数目为二(即均匀划分样本)。 

参照图4，图像特征提取设备01包括下一分级量化方法选择单元011、特征提取单元012、量化指标计算单元013和分级量化指标代码输出单元014。 

下一分级量化方法选择单元011根据针对各量化目标区域提前定义的分级量化方法在供应(更高分级的)量化指标的情况下选择与该量化指标对应的更低分级的量化方法，而在未供应量化指标的情况下选择最高分级的量化方法。下一分级量化方法选择单元011然后向特征提取单元012和量化指标计算单元013供应关于所选量化方法的信息。向下一分级量化方法选择单元011中输入的量化指标是由下述量化指标计算单元013反馈的信息。参照图6，在未供应量化指标的情况下，选择用于最高分级的量化方法量化方法A。另外，举例而言，在量化指标计算单元013供应量化指标6的情况下，选择用于量化指标6的更低分级的量化方法的量化方法H。在分级量化方法中，在针对某个量化指标的更低分级(或者针对最高分级)并行存在多个不同量化方法的情况下，下一分级量化方法选择单元011选择相应量化方法并且供应关于相应量化方法的信息。参照图6，在供应量化指标4的情况下，下一分级量化方法选择单元011分别选择和供应针对量化指标4的更低分级并行存在的量化方法E和F。 

特征提取单元012针对各量化目标区域根据由下一分级量化方法选择单元011供应的关于量化方法的信息从输入的图像提取由量化方法使用的特征，并且向量化指标计算单元013供应提取的特征。在分级量化方法中，在针对某个量化指标的更低分级(或者针 对最高分级)并行存在多个不同量化方法并且因此供应关于多个量化方法的信息的情况下，特征提取单元012提取和供应由相应量化方法使用的特征。特征提取单元012可以被配置成预先提取所有必需特征并且在由下一分级量化方法选择单元011供应关于量化方法的信息时，输出特征。另外，特征提取单元012可以被配置成在必需特征已经被针对更高分级量化方法使用的情况下，保持该特征并且原样输出它而不再次提取它。 

量化指标计算单元013针对各量化目标区域根据由下一分级量化方法选择单元011供应的关于量化方法的信息来量化由特征提取单元012供应的特征，并且计算量化指标。在计算出的量化指标并非最低分级的情况下，也就是在用于更低分级的量化方法仍然存在的情况下，量化指标计算单元013向下一分级量化方法选择单元011供应(反馈)计算出的量化指标。另外，在计算出的量化指标为最低分级的情况下，量化指标计算单元013向分级量化指标代码输出单元014供应计算出的量化指标。量化指标计算单元013可以配置成每当计算各分级的量化指标时，而不是仅在计算最低分级的量化指标时，向分级量化指标代码输出单元014供应计算出的量化指标。参照图6，量化指标8、9、11、12、14、15、16、17、20、21、22、23、25、26、27、28、29、30、32、33、34、35、36和37为最低分级，而其它量化指标并非最低分级。在分级量化方法中，在针对某个量化指标的更低分级(或者针对最高分级)并行存在多个不同量化方法并且因此供应关于多个量化方法的信息的情况下，量化指标计算单元103分别通过相应量化方法执行量化以计算和供应量化指标。参照图6，在供应关于量化方法E和F的信息的情况下，量化指标计算单元013通过相应量化方法计算量化指标。 

当量化指标计算单元013针对各量化目标区域供应最低分级的量化指标时，分级量化指标代码输出单元014计算和输出分级量化指标代码，该分级量化指标代码是允许对各量化目标区域的相应分级的量化指标唯一指定的编码(相应量化指标由量化指标计算单 元013计算)。分级量化指标代码允许对各量化目标区域的相应分级的量化指标唯一指定。分级量化指标代码可以是允许唯一解码的任何编码。参照图6，例如当供应量化指标27作为最低分级的量化指标时，相应分级的量化指标从最高分级依次是量化指标2、10和27，并且分级量化指标代码可以是允许将相应分级的量化指标指定为量化指标2、10和27的任何编码。然而在分级量化方法中，在针对某个量化指标的更低分级(或者针对最高分级)并行存在多个不同量化方法并且因此供应用于多个不同最低分级的量化指标的情况下，分级量化指标代码可以是允许对针对最低分级的各量化指标的相应分级的量化指标唯一指定的任何编码。参照图6，例如分级量化指标代码可以是任何如下编码，该编码在供应量化指标28和17作为最低分级的量化指标的情况下可以唯一指定量化指标4、13和28以及量化指标4和17(量化指标4为共用)(的相应分级量化路径)，这些量化指标是用于最低分级的各量化指标的相应分级的量化指标。 

例如，可以通过仅对各量化目标区域的最低分级的量化指标进行编码来获得分级量化指标代码。这是因为如图6中所示分级量化方法由提取侧(图像特征提取设备)和比较侧(图像特征比较设备)共享，并且如果相应侧可以参考则有可能从最低分级的量化指标唯一指定更高分级的量化指标。参照图6，例如，假设最低分级的量化指标是量化指标27，可以仅对量化指标27进行编码(可以根据分级量化方法从量化指标27唯一指定更高分级的量化指标2和10)。另外，可以通过对包括最低分级的量化指标的所有分级的量化指标进行编码来获得分级量化指标代码。参照图6，例如，假设最低分级的量化指标是量化指标27，可以对所有分级的量化指标2、10和27进行编码。由于代码大小在前一情况下更小，所以前一情况一般更合乎需要。在后一情况下，代码大小为大。然而不必在比较分级量化指标代码时从最低分级的量化指标再现与最低分级的量化指标对应的更高分级的量化指标，因此益处在于可以减少运算量。另外， 分级量化指标代码可以是允许对各量化目标区域与其量化指标的关联进行唯一指定的任何编码。例如可以通过根据量化目标区域的提前定义顺序进行编码来获得分级量化指标代码。另外，例如可以通过在添加可以指定量化目标区域的信息的同时进行编码来获得分级量化指标代码。 

向图像特征比较设备02供应由图像特征提取设备01计算的两个图像的分级量化指标代码作为输入，图像特征比较设备02基于代表两个图像或者其中的至少一个图像所属群体的性质的群体性质信息来选择用于比较的量化指标集作为比较量化指标集，并且通过使用该比较量化指标集来比较两个图像的分级量化指标代码并且计算和输出代表两个图像的同一性程度的同一性尺度。 

群体可以是任何群体，只要从其作为输入而供应分级量化指标代码的两个图像或者其中的至少一个图像属于该群体。群体可以是本发明的图像同一性尺度计算系统被应用于的对象。因而有可能针对群体的图像组获得本发明的图像同一性尺度计算系统的效果。例如，在应用本发明的图像同一性尺度计算系统以便在某个图像共享和/或移动图像共享服务中检测图像的非法副本的情况下，该应用的对象是图像共享和/或移动图像共享服务的数据库，因此群体可以是该共享服务的数据库(中包括的图像组)。 

群体例如可以是在两个图像或者其中的至少一个图像所属的分类中包括的图像组。这里，分类是具有任何相同性质，比如基于图像内容(诸如自然图像、人造图像、风景图像、肖像、花朵图像、动物图像等)的类型。另外，例如具体在图像是移动图像的帧的情况下，分类可以是类型(例如新闻、体育、杂耍、戏剧、记录片等)、广播站、广播时间、广播节目等。 

群体例如可以是在两个图像或者其中的至少一个图像所属数据库中或者在其具体子集中包括的图像组。例如在本发明的图像同一性尺度计算系统应用于图像或者移动图像共享服务中的情况下，群体可以是在该服务的图像或者移动图像数据库中或者在其具体子 集中包括的图像组。在这一情况下，本发明的图像同一性尺度计算系统在两个图像均属于该服务的数据库(群体)的情况下作为在数据库中检测相同图像的复制品的系统来工作，并且在两个图像之一属于该服务的数据库(群体)而从外界供应另一图像的情况下作为在数据库中对相同图像的查询搜索来工作。另外，例如在两个图像或者其中的至少一个图像是因特网上的图像的情况下，群体可以是因特网上的图像组或者其子集。另外，例如群体可以是在因特网上的具体站点上发布的图像组。另外，例如在两个图像或者其中的至少一个图像是具体个人所拥有的图像的情况下，群体可以是具体个人所拥有的图像组或者其子集。 

另外，例如在两个图像或者其中的至少一个图像是移动图像的帧的情况下，群体可以是在两个图像或者其中的至少一个图像所属移动图像中或者在移动图像的部分节选中包括的帧组。例如在两个图像是分别属于移动图像A和移动图像B的帧的情况下，群体可以是在移动图像A(或者移动图像A的部分节选)和移动图像B(或者移动图像B的部分节选)或者其中的至少一个图像中包括的帧组。 

从其作为输入而供应分级量化指标代码的两个图像或者其中的至少一个图像所属群体无需是其中包括该图像作为一个图像的图像汇集而可以是具有相同性质的图像的汇集。例如假设以从其作为输入而供应分级量化指标代码的图像的内容为基础的类型是“自然图像”，在群体是“自然图像”图像组的情况下，作为群体的“自然图像”图像组无需包括从其作为输入而供应分级量化指标代码的图像。另外，例如在从其作为输入而供应分级量化指标代码的图像属于某个数据库的情况下，群体可以是包括该图像的整个数据库，但是例如可以是未包括该图像的数据库的子集。 

这里，群体性质信息是代表群体性质的信息，并且具体是基于通过使用已经在群体图像组中(作为候选而)选择的量化指标集来计算同一性尺度对图像同一性的确定的准确性相关的信息。基于这一信息，有可能选择比较量化指标集使得基于计算的同一性尺度对 图像同一性的确定的准确性变高。基于计算出的同一性尺度对图像同一性的确定的准确性可被视为同一性尺度的可靠性。因此，群体性质信息可以视为与通过使用群体图像中的所选量化指标集来计算的同一性尺度的可靠性相关的信息。 

这里，基于通过使用所选量化指标集来计算的同一性尺度对图像同一性的确定的准确性依赖于两个尺度：(1)识别能力，该识别能力作为所选量化指标集所拥有的识别不同图像的能力程度；以及(2)稳健性，作为所选量化指标集所拥有的、量化指标针对各种图像更改过程的耐受程度。也就是说，随着识别能力更高以及稳健性更高，基于计算的同一性尺度对图像同一性的确定的准确性变得更高(识别能力和稳健性具有折衷关系；并且一般而言，稳健性随着识别能力变得更高而变得更低，并且识别能力随着稳健性变得更高而变得更低)。因此，群体性质信息可以是与作为群体的图像组中的所选量化指标集所拥有的识别不同图像的能力程度的识别能力相关的信息。基于这一信息，有可能选择比较量化指标集使得识别能力变高。另外，群体性质信息可以是与群体的图像组中的所选量化指标集所拥有的、量化指标针对各种图像更改过程的耐受程度的稳健性相关的信息。基于这一信息，有可能选择比较量化指标集使得稳健性变高。 

与群体的图像组中的所选量化指标集所拥有的识别能力相关的信息例如可以是在群体的图像组中的各量化指标的出现频率(在这一情况下，在群体的图像组中的各量化指标的出现频率是群体性质信息)。这是因为在量化指标集中包括的量化指标的数目相等的情况下，识别能力随着相应量化指标的出现频率在大体上更统一而更高。基于这一信息，有可能选择比较量化指标集使得相应量化指标的出现频率变得尽可能统一并且使识别能力为高。另外，群体性质信息并不限于群体的图像组中的各量化指标的出现频率，并且例如可以是代表出现频率偏向群体的图像组中的具体量化指标的信息或者是间接假定该偏向的信息。这是因为在出现频率偏向所选量化 指标集中的具体量化指标(具体量化指标的出现频率高)的情况下，识别能力由于该量化指标而变低(这是因为出现频率高的量化指标可能高概率地意外共同出现于不同图像之间并且变得难以识别不同图像)。群体性质信息例如可以是代表“在群体的图像组中的多个图像包括“天空”的信息。这是因为有可能基于这一信息认为出现频率偏向具体量化指标(在这一情况下，举例而言，具体为代表蓝色的量化指标)并且识别能力由于量化指标而变得更低。将在第二示例实施例中具体描述如下例子，在该例子中，群体性质信息是群体的图像组中各量化指标的出现频率。 

与群体的图像组中的所选量化指标集所拥有的稳健性相关的信息例如可以是代表在群体的图像组中的各量化指标针对各种图像更改过程的耐受程度的防更改程度(在这一情况下，在群体的图像组中的各量化指标的防更改程度是群体性质信息)。这是因为稳健性随着各量化指标的防更改程度更高而更高。基于这一信息，有可能选择比较量化指标集使得整个量化指标集的防更改程度变高并且使稳健性高。另外，群体性质信息并不限于群体的图像组中的各量化指标的防更改程度并且例如可以是如下信息，该信息可以直接或者间接假定在群体的图像组中的各量化指标的防更改程度。群体性质信息例如可以是代表“群体的图像组包括多个灰度图像”的信息。这是因为有可能基于这一信息认为具体量化指标(在这一情况下，例如具体为使用色彩信息量化方法来计算的量化指标)的防更改程度低并且稳健性由于该量化指标而变低。将在第四示例实施例中具体描述如下例子，在该例子中，群体性质信息是群体的图像组中的各量化指标的防更改程度。 

另外，例如在当向群体添加图像时，对图像执行转换(例如压缩图像、转换图像大小)并且在向群体添加之前的图像和在向群体添加之后的图像均可用的情况下，群体性质信息可以是通过使用图像来学习获得的信息。例如在群体是因特网上的某个发布站点的情况下，群体性质信息可以是如下信息，该信息代表通过比较在发布 之前的图像与在发布和转换之后的图像来获得的各量化指标的防更改程度，更改类型或者程度等。 

参照图5，图像特征比较设备02包括比较量化指标集选择部021、比较量化指标获取单元022和量化指标比较单元023。 

比较量化指标集选择部021基于向其输入的群体性质信息来选择用于比较的量化指标集作为比较量化指标集。比较量化指标集选择部021向比较量化指标获取单元022供应关于所选比较量化指标集的信息。 

这里，将描述由比较量化指标集选择部021选择的比较量化指标集的选择条件。待选择的比较量化指标集需要是这样的量化指标集，其中相应量化目标区域唯一分类到量化指标。也就是说，在选择分级量化方法中的某个量化指标的情况下，不应选择对应于所选量化指标的其更低分级(后代节点)的量化指标或者其更高分级(祖先节点)的量化指标。另外，在分级量化方法中某个量化指标的更低分级(或者最高分级)并行存在多个不同量化方法的情况下，不应同时选择由并行存在的量化方法计算的量化指标。参照图6，例如当将比较量化指标集选择为{1，2，3，4，5}、{6，7，2，3，16，17，30，31，19，20，21}、{22，23，7，8，9，26，27，3，16，17，30，36，37，19，20，21}或者{22，23，34，35，8，9，26，27，11，12，28，29，14，15，30，36，37，32，33，20，21}时，将样本唯一分类到量化指标，这是适当的。例如，不可能同时选择量化指标24和与量化指标24对应的更高分级的量化指标中的量化指标7，或者同时选择量化指标24和与量化指标24对应的高两个分级的分级量化指标中的量化指标1。另外，例如不可能同时选择量化指标7和与量化指标7对应的更低分级的量化指标中的量化指标24或者25，或者同时选择量化指标7和与量化指标7对应的低两个分级的分级的量化指标中的量化指标34或者35。另外，合乎需要的是待选择的比较量化指标集是这样的量化指标集，其中相应量化目标区域分类到任何量化指标以免保持未分类，但是这并非必需。参照图6，例如合乎需要的是将比较量化指标集选择为{1，2，3， 4，5}、{6，7，2，3，16，17，30，31，19，20，21}、{22，23，7，8，9，26，27，3，16，17，30，36，37，19，20，21}或者{22，23，34，35，8，9，26，27，11，12，28，29，14，15，30，36，37，32，33，20，21}，因为将相应量化目标区域分类到任何量化指标以免保持未分类。另一方面，例如在将比较量化指标集选择为{1，2，3，4}的情况下，待分类到量化指标5和与量化指标5对应的更低分级的量化指标的样本保持未分类。这样的选择不合乎需要，但是有可能。 

比较量化指标集选择部021基于群体性质信息来选择比较量化指标集。例如，在群体性质信息是与基于通过使用群体的图像组中的所选量化指标集来计算的同一性尺度对图像同一性的确定的准确性相关的信息的情况下，比较量化指标集选择部021可以基于该信息来选择比较量化指标集，使得基于计算的同一性尺度对图像同一性的确定的准确性变高。另外，例如在群体性质信息是与所选量化指标集所拥有的并且是识别不同图像的能力程度的识别能力相关的信息的情况下，比较量化指标集选择部021可以基于该信息来选择比较量化指标集使得识别能力变高。为了使识别能力高，例如可以选择更低分级的量化指标。例如，在群体性质信息是代表出现频率偏向群体的图像组中的具体量化指标的信息(代表具体量化指标出现频率高的信息)或者能够直接或者间接假定该偏向的信息(例如代表“在群体的图像组中的多个图像包括“天空”的信息)的情况下，比较量化指标集选择部021为了使识别能力高可以通过选择针对具体量化指标的更低分级量化方法计算的量化指标来选择比较量化指标集(在群体性质信息是代表”在群体的图像组中的多个图像包括“天空”的信息的情况下，用于典型天空区域的量化指标，例如代表蓝色的量化指标，变为具体量化指标)。(由于出现频率高的量化指标可能共同出现于不同图像中并且使得难以识别不同图像，所以量化指标变为降低识别能力的因素。因此，通过选择量化指标的更低分级的量化指标，有可能划分出现频率以抑制出现频率的偏向，并且有可能增加识别能力。)参照图6，例如，在首先假设最高分级 的量化指标集{1，2，3，4，5}为候选并且基于群体性质信息假定量化指标3的出现频率在群体的图像组中为高的情况下，比较量化指标集选择部021为了使识别能力高可以选择针对量化指标3的更低分级量化方法计算的量化指标中的量化指标11和12并且可以将比较量化指标集设置为{1，2，11，12，4，5}。将在第二示例实施例中具体描述群体性质信息是群体的图像组中的各量化指标的出现频率这一情况。另外，例如在群体性质信息是与所选量化指标集所拥有的并且是量化指标对各种群体的图像组中图像更改过程的耐受程度的稳健性相关的信息情况下，比较量化指标集选择部021可以基于这一信息来选择比较量化指标集使得稳健性变高。为了使稳健性高，例如比较量化指标集选择部021可以选择更高分级的量化指标。例如，在群体性质信息是与能够假定群体的图像组中的具体量化指标的防更改程度的信息(例如代表“在群体的图像组中的多个图像是灰度图像”的信息)的情况下，比较量化指标集选择部021为了使稳健性高可以通过选择具体量化指标的更高分级的量化指标来选择比较量化指标集(在群体性质信息是代表“在群体的图像组中的多个图像包括灰度图像”的信息的情况下，使用色彩信息量化方法计算的量化指标变为具体量化指标)。(由于对更高分级的量化指标的选择集成一个分级的多个量化指标并且消除在多个量化指标之间的量化指标改变，所以稳健性变高)。将在第四示例实施例中描述群体性质信息是群体的图像组中的各量化指标的防更改程度这一情况。 

另外，在输入与群体的图像组中的所选量化指标所拥有的稳健性相关的信息和识别能力相关的信息均作为群体性质信息的情况下，比较量化指标集选择部021可以鉴于两种信息来选择比较量化指标集。由于识别能力和稳健性具有折衷关系(一般而言，稳健性在识别能力增加时减少，而识别能力在稳健性增加时减少)，比较量化指标集选择部021例如可以选择比较量化指标集使得识别能力和稳健性分别变得接近某些标准或者可以选择比较量化指标集使得识别能力和稳健性之一变高而另一个满足某个标准或者可以基于通 过量化和合并识别能力和稳健性来获得的尺度来选择比较量化指标集。 

另外，比较量化指标集选择部021可以通过不仅考虑群体性质信息而且考虑与群体无关并且与识别能力和/或稳健性相关的信息来选择比较量化指标集。这样的信息例如是在所选量化指标集中包括的量化指标的数目(一般而言，随着量化指标数目增加，识别能力增加而稳健性减少)和所选量化指标集的分级深度。例如比较量化指标集选择部021可以基于群体性质信息从使得量化指标数目满足某一参考(例如量化指标数目设置为约为十)这样的量化指标集之中选择比较量化指标集使得识别能力和/或稳健性变高。 

另外，比较量化指标集选择部021可以基于通过使用群体性质信息来确定的任何前述参考从所有组合的候选量化指标集之中选择最优量化指标集作为比较量化指标集。 

另外，比较量化指标集选择部021例如可以通过优先不选择分级量化方法中的更低分级的量化指标而选择更高分级的量化指标来选择比较量化指标集。另外，比较量化指标集选择部021例如可以通过以从分级量化方法中最高分级开始依次选择量化指标集作为候选并且选择更低分级的量化指标作为候选直至出现基于群体性质信息满足定义标准(例如任何前述标准)的量化指标集来选择比较量化指标集。例如，在基于群体性质信息确定的识别能力并未满足定义标准的情况下，比较量化指标集选择部021可以通过选择更低分级的量化指标作为候选来选择比较量化指标集。在这一情况下，在选择更低分级的量化指标时，比较量化指标集选择部021可以基于代表出现频率偏向群体的图像组中的具体量化指标的前述信息来选择针对具体量化指标的更低分级量化方法计算的量化指标。参照图6，例如比较量化指标集选择部021可以首先选择最高分级的量化指标集{1，2，3，4，5}作为候选，并且基于群体性质信息确定的这一集合的识别能力并未满足定义标准的情况下，选择更低分级的量化指标作为候选。这时，在基于群体性质信息假设量化指标3的出现频率 在群体的图像组中为高的情况下，比较量化指标集选择部021可以选择针对量化指标3的更低分级量化方法计算的量化指标中的量化指标11和12并且将量化指标集{1，2，11，12，4，5}设置为候选。比较量化指标集选择部021可以通过递归执行这样的操作直至基于群体性质信息确定的识别能力满足定义标准来选择比较量化指标集。另外，例如在确定是否选择更低分级的量化指标时基于群体性质信息确定的稳健性并未满足定义标准的情况下，比较量化指标集选择部021可以选择比较量化指标集以免选择更低分级的量化指标。 

将在第二、第三、第四和第五示例实施例中描述比较量化指标集选择部021的具体例子。 

合乎需要的是比较量化指标集选择部021在两个图像的分级量化指标代码输入到图像特征比较设备02中时并不执行过程而是对本发明的同一性尺度计算系统被应用于的群体提前执行过程。合乎需要的是比较量化指标集选择部021对某个群体仅执行一次过程(在更新群体时定期执行过程是有效的)，并且无需每当新输入两个图像的分级量化指标时执行过程。因而图像特征比较设备02可以在依次输入属于相同群体的多个图像的分级量化指标代码的情况下(即在针对属于相同群体的多个图像执行同一性尺度计算的情况下)高效和快速计算同一性尺度。 

向比较量化指标获取单元022供应由图像特征提取设备01计算的两个图像(图像1和图像2)中的各图像的分级量化指标代码作为输入，并且比较量化指标获取单元022从各图像的各量化目标区域的分级量化指标代码唯一指定的相应分级的量化指标之中获取在与比较量化指标集选择部021供应的比较量化指标集有关的信息所代表的比较量化指标集中包括的量化指标。比较量化指标获取单元022向量化指标比较单元223供应针对各图像获取的各量化目标区域的量化指标作为比较量化指标。在获取在比较量化指标集中包括的量化指标时，在通过仅对最低分级的量化指标进行编码来获得分级量化指标代码的情况下，比较量化指标获取单元022可以根据分 级量化方法从最低分级的量化指标获得更高分级的量化指标，并且从相应分级的量化指标之中获取在比较量化指标集中包括的量化指标。参照图6，例如假设比较量化指标集为{6，7，2，3，16，17，30，31，19，20，21}。然后在某个量化目标区域的最低分级的量化指标为34(基于分级量化指标代码)的情况下，有可能根据分级量化方法以从更高分级依次获得量化指标1、7、24和34作为相应分级的量化指标。由于在比较量化指标集中包括这些量化指标之中的量化指标7，所以比较量化指标获取单元022获取量化指标7作为量化目标区域的比较量化指标。另外，在某个量化目标区域的最低分级的量化指标为27的情况下，比较量化指标获取单元022可以根据分级量化方法以从更高分级依次获得量化指标2、10和27作为相应分级的量化指标。由于在比较量化指标集中包括这些量化指标之中的量化指标2，所以比较量化指标获取单元022获取量化指标2作为量化目标区域的比较量化指标。另外，在多个不同量化方法并行存在于分级量化方法中某个量化指标的更低分级(或者最高分级)并且因此分级量化指标代码包括用于一个量化目标区域的多个分级量化路径的情况下，比较量化指标获取单元022从相应分级量化路径的相应分级的量化指标之中获取在比较量化指标集中包括的量化指标。参照图6，例如假设比较量化指标集为{6，7，2，3，16，17，30，31，19，20，21}。这里，例如在有某个量化目标区域的最低分级的两个量化指标29和17(基于分级量化指标代码)的情况下，有可能获得以从更高分级依次的量化指标4、13和29作为用于量化指标29的相应分级的量化指标以及以从更高分级依次的量化指标4和17作为用于量化指标17的相应分级的量化指标(量化指标4为共用)。由于在比较量化指标集中包括这些量化指标之中的量化指标17，所以比较量化指标获取单元022获取量化指标17作为量化目标区域的比较量化指标。在比较量化指标集选择部021供应的比较量化指标集是包括未分类样本的集合的情况下，出现其比较量化指标未分类(未定)的量化目标区域。参照图6，例如假设比较量化指标集为{1，2，3，4}，在某个量 化目标区域的最低分级的量化指标为32的情况下，根据分级量化方法以从更高分级依次获得相应分级的量化指标5、19和32，但是在比较量化指标集中未包括这些量化指标，从而该量化目标区域的比较量化指标保持未分类(未定)。 

合乎需要的是，参照在输入其分级量化指标代码的两个图像(图像1和图像2)之中的属于群体的图像，比较量化指标获取单元022未紧接在计算同一性尺度之前获取比较量化指标，而是在预备比较量化指标集的信息之后提前获取比较量化指标。也就是说，合乎需要的是参照群体的图像组，提前获取比较量化指标。因而图像特征比较设备02可以高效和快速计算同一性尺度。另外，因此消除对每当针对相同图像反复计算同一性尺度时获取比较量化指标的需要。例如，在某个数据库是群体，两个图像之一属于该数据库，并且从外界作为查询供应另一图像的情况下，针对属于该数据库的图像提前获取比较量化指标消除对每当从外界供应查询时获取比较量化指标的需要，从而有可能快速计算同一性尺度。另外，例如在某个数据库是群体，两个图像均属于该数据库，并且对数据库内的所有图像对执行同一性尺度的计算的情况下，针对属于该数据库的所有图像提前获取比较量化指标消除对每当计算各图像对的同一性尺度时获取比较量化指标的需要，从而有可能大量增加同一性尺度的计算速度。 

量化指标比较单元023针对各对应量化目标区域比较由比较量化指标获取单元022供应的两个图像(图像1和2)的比较量化指标，基于其量化指标重合的量化目标区域的数目来计算代表两个图像的同一性程度的同一性尺度，并且输出该同一性尺度。同一性尺度例如可以是其量化指标重合的量化目标区域的数目。另外，例如可以基于其量化指标未重合的量化目标区域的数目来计算同一性尺度(汉明距离)。另外，例如同一性尺度可以是通过获得针对各量化指标其量化指标重合的量化目标区域的数目、使针对各量化指标提前定义的加权值对其起作用并且相加来获得的值。另外，例如同 一性尺度可以是通过针对各量化目标区域对量化指标是否重合进行量化(例如当重合时值为1而当未重合时值为0)、使得针对各量化目标区域提前定义的加权值对其起作用(例如在量化目标区域是图像的局部区域的情况下，与图像的中心更近的局部区域的加权值更大)并且相加来获得的值。在针对各对应量化目标区域进行比较时，在两个图像的比较量化指标或者其中的至少一个未分类(未定)的情况下，可以使量化目标区域无助于对同一性尺度的计算。 

合乎需要的是上文已经描述的分级量化方法、群体性质信息和比较量化指标集选择部021选择的比较量化指标集为所有量化目标区域所共用，但是它们可以针对各量化目标区域或者针对各组量化目标区域(量化目标区域是图像的多个局部区域这一情况，例如在该图像中为属于左上区域的局部区域组、属于右上区域的局部区域组、属于左下区域的局部区域组和属于右下区域的局部区域组)变化。也就是说，例如分级量化方法可以针对各量化目标区域或者针对各组量化目标区域而变化。另外，例如作为输入而供应的群体性质信息可以针对各量化目标区域或者针对各组量化目标区域而变化。另外，例如比较量化指标集选择部021选择的比较量化指标集可以针对各量化目标区域或者针对各组量化目标区域而变化。通过这样针对各量化目标区域或者针对各组量化目标区域而变化分级量化方法、群体性质信息或者比较量化指标集选择部021选择的比较量化指标集，有可能优化以便适应各量化目标区域或者各组量化目标区域的性质。例如，在量化目标区域是图像的多个局部区域的情况下，假设很有可能的是该图像的中心区域是前景对象而该图像的外围区域是背景，通过利用这一特征，由适合于描述前景对象的量化方法(例如使用边缘信息作为特征的量化方法)组成的分级量化方法可以用于属于图像中心区域的局部区域，并且由适合于描述背景的量化方法(例如使用色彩信息作为特征的量化方法)组成的分级量化方法可以用于属于图像外围区域的局部区域。 

[对操作的描述] 

接着将通过使用图7和图8的流程图来描述第一示例实施例的操作。 

首先将描述第一示例实施例中的图像特征提取设备01的操作。图7是示出了第一示例实施例中的图像特征提取设备01的操作的流程图。 

首先，下一分级量化方法选择单元011针对第一量化目标区域根据分级量化方法选择用于最高分级的量化方法并且向特征提取单元012和量化指标计算单元013供应关于所选量化方法的信息(步骤A1)。接着，针对作为当前对象的量化目标区域，特征提取单元012根据由下一分级量化方法选择单元011提供的关于量化方法的信息从输入的图像提取供量化方法使用的特征，并且向量化指标计算单元013供应提取的特征(步骤A02)。接着，针对作为当前目标的量化目标区域，量化指标计算单元013根据由下一分级量化方法选择单元011供应的关于量化方法的信息来量化由特征提取单元012供应的特征，并且计算量化指标(步骤A03)。确定计算的量化指标是否为分级量化方法的最低分级(步骤A04)。在计算的量化指标并非最低分级的情况下，量化指标计算单元013接着向下一分级量化方法选择单元011供应(反馈)计算的量化指标，并且下一分级量化方法选择单元011选择用于(更高分级的)供应(反馈)的量化指标的更低分级的量化方法并且向特征提取单元012和量化指标计算单元013供应关于所选量化方法的信息(步骤A05)。然后该操作再次进行到步骤A02。在步骤A04确定计算的量化指标为最低分级的情况下，接着确定对所有量化目标区域的处理是否已经完成(步骤A06)。在对所有量化目标区域的处理尚未完成的情况下，定义下一量化目标区域，该操作再次进行到步骤A01，并且对下一量化目标区域执行处理。在对所有量化目标区域的处理已经完成的情况下，分级量化指标代码输出单元014计算和输出分级量化指标代码，该分级量化指标代码是如下编码，该编码允许唯一指定相应量化目标区域的相应分级的量化指标(步骤A07)。 

接着，将描述第一示例实施例中的图像特征比较设备02的操作。图8是示出了第一示例实施例中的图像特征比较设备02的操作的流程图。 

首先，比较量化指标集选择部021基于输入的群体性质信息来选择比较量化指标集，并且向比较量化指标获取单元022供应关于所选比较量化指标集的信息(步骤B01)。合乎需要的是在向图像特征比较设备02中输入两个图像的分级量化指标代码时未执行步骤B01而是对本发明的同一性尺度计算系统被应用于群体提前执行步骤B01。接着，比较量化指标获取单元022基于由比较量化指标集选择部021供应的关于比较量化指标集的信息从两个图像的相应输入的分级量化指标代码获取用于相应图像的比较量化指标，并且向量化指标比较单元023供应获取的比较量化指标(步骤B02)。接着，量化指标比较单元023比较由比较量化指标获取单元022供应的两个图像的比较量化指标，并且计算和输出同一性尺度(步骤B03)。 

[第一示例实施例的效果] 

接着将描述本发明的第一示例实施例的效果。 

在本发明的第一示例实施例中，有可能获得能够调节在作为图像同一性确定能力尺度的识别能力与稳健性之间的平衡的图像同一性计算系统。这是因为确定两个图像的同一性的能力根据如下量化指标而变化，该量化指标的分级用于在针对两个图像的各量化目标区域计算的多个分级的量化指标之间比较。具体而言，通过将更低分级的量化指标用于比较，有可能增加在确定两个图像的同一性的能力之中识别不同图像的能力程度的识别能力。反言之，通过使用更高分级的量化指标，有可能增加量化指标对各种图像更改过程的耐受程度的稳健性。 

另外，有如下效果：假设基于分级量化方法计算的多个分级的量化指标作为特征，图像特征比较设备02基于用于计算同一性尺度的两个图像或者其中的至少一个图像所属群体的特征信息来选择用 于比较的量化指标集并且基于该量化指标集计算同一性尺度，由此有可能优化待比较的图像群体。 

另外，有如下效果：假设群体性质信息是与基于通过使用所选量化指标集计算的同一性尺度对图像同一性的确定的准确性相关的信息，通过基于该信息来选择比较量化指标集使得基于计算的同一性尺度对图像同一性的确定的准确性变高，有可能基于计算的同一性尺度针对各群体来优化对图像同一性的确定的准确性。因而，基于计算的同一性尺度对图像同一性的确定的准确性并未随着图像的群体而极度减少。 

另外，通过使用由图像特征提取设备01提取的特征，图像特征比较设备02优化以便适应群体并且计算同一性尺度，由此有可能使特征提取方法(即分级量化方法)为共用并且与群体无关。因此有不必学习针对各群体的优化特征提取方法(即分级量化方法)这样的效果。另外，即使在提取图像的特征时未定义作为图像比较对象的群体，仍然未因此出现问题。 

[第二示例实施例] 

接着将参照附图具体描述本发明的第二示例实施例。第二示例实施例具体实施第一示例实施例的图像特征比较设备02中比较量化指标集选择部021和待输入的群体性质信息。在第二示例实施例中的图像特征提取设备与图4中所示第一示例实施例的图像特征提取设备01相同。图9是示出了第二示例实施例中的图像同一性尺度计算系统的图像特征比较设备的配置的框图。参照图9，本发明的第二示例实施例与图4和图5中所示第一示例实施例的配置不同在于添加群体量化指标出现频率计算单元03并且另外布置了比较量化指标集选择部021A以取代比较量化指标集选择部021。由于其它点与第一示例实施例中相同，所以将描述与第一示例实施例的不同点。 

向群体量化指标出现频率计算单元03供应由图像特征提取设备01计算的群体的图像组的分级量化指标代码作为输入，群体量化指标出现频率计算单元03计算在群体的图像组中分级量化方法的各 量化指标的出现频率并且向比较量化指标集选择部021A供应计算的群体中各量化指标的出现频率作为群体量化指标出现频率。这里，群体的图像组可以是群体中包括的所有图像，而如果反映群体的特征则可以仅是通过恰当采样来提取的图像组。群体量化指标出现频率计算单元03根据由已经输入的群体的图像组的相应分级量化指标代码唯一指定的相应分级的量化指标，针对分级量化方法的所有量化指标计算出现频率。参照图6，群体量化指标出现频率计算单元03针对所有量化指标1至37计算出现频率。在通过对最低分级的量化指标进行编码来获得分级量化指标代码的情况下，群体量化指标出现频率计算单元03根据分级量化方法从最低分级的量化指标获得更高分级的量化指标，并且与出现频率的计算相加。参照图6，例如在某个图像的某个量化目标区域的最低分级的量化指标基于群体的图像组的分级量化指标代码是量化指标34的情况下，各量化指标1、7、24和34的出现频率加一。因此，某个量化指标的出现频率是低一级的分级的所有量化指标的出现频率之和。例如量化指标24的出现频率是量化指标34和35的出现频率之和，量化指标7的出现频率是量化指标24和25的出现频率之和，而量化指标1的出现频率是量化指标6和7的出现频率之和。 

群体量化指标出现频率计算单元03输出的各量化指标的出现频率无需完全是出现频率，而例如可以是出现概率。各量化指标的出现概率是通过将上述方法计算的各量化指标的出现频率除以所有量化目标区域的数目来获得的值。 

比较量化指标集选择部021A基于由群体量化指标出现频率计算单元03供应的群体量化指标出现频率来选择比较量化指标集使得量化指标的出现频率变得尽可能统一。比较量化指标集选择部021A向比较量化指标获取单元022供应关于所选比较量化指标集的信息。比较量化指标集选择部021A是第一示例实施例的、向其中具体输入群体量化指标出现频率作为群体性质信息的比较量化指标集选择部021的一个实施例。与对比较量化指标集的选择有关的条件等与在第 一实施例中描述的条件一致。 

比较量化指标集选择部021A选择比较量化指标使得量化指标的出现频率变得尽可能统一，由此使识别不同图像的能力程度的识别能力高。这是因为在量化指标集中包括的量化指标的数目相同的情况下，当偏向具体量化指标(即具体量化指标的出现频率更高)时，出现频率高的量化指标意外共用出现于不同图像之间的概率变高并且识别能力降低。 

作为一种用于基于群体量化指标出现频率来选择比较量化指标使得量化指标的出现频率变得尽可能统一的方法，比较量化指标集选择部021A可以计算出现频率统一性程度(该程度代表作为候选而选择的量化指标集中量化指标的出现频率的统一性程度)，并且基于出现频率统一性程度来选择使得出现频率统一性程度变高这样的量化指标集作为比较量化指标集。例如，比较量化指标集选择部021A可以计算作为候选的所有组合的各量化指标集的出现频率统一性程度，并且选择使得出现频率统一性程度最大这样的量化指标集作为比较量化指标集。 

例如，可以基于量化指标的出现频率(或者出现概率)的方差来计算出现频率统一性程度。例如，假设作为候选而选择的量化指标集的集合由S表示，在作为候选而选择的量化指标集中包括的量化指标的数目(即集合的元素计数)由N表示，某个量化指标由i表示而量化指标i的出现频率由F_i表示，可以通过下式计算量化指标的出现频率的方差V。F_a表示出现频率的平均值。 

V＝1/N{∑_j∈S(F_a-F_i)²}      (等式1) 

这里，随着通过等式1计算的量化指标的出现频率的方差V更小，出现频率统一性程度更高。因此可以运用任何计算方法，只要随着出现频率的方差V更小而获得更高的出现频率统一性程度(即一种基于参照出现频率的方差V单调减少函数的计算方法)。例如，可以将出现频率统一性程度计算为出现频率的方差V的倒数。 

另外，例如可以基于群体量化指标出现频率、量化指标的出现 频率(或者出现概率)和该量化指标的出现频率的平均值(或者出现概率的平均值)之差等于或者少于某一定义值的量化指标的数目(即远离平均值的量化指标的数目)或者其之比来计算出现频率统一性程度。在这一情况下，具有定义值或者比定义值更少的量化指标的数目越多，出现频率统一性程度就越高。这里，可以通过任何计算方法来计算出现频率统一性程度，只要出现频率统一性程度随着具有定义值或者比定义值更少的量化指标的数目更多而更高(即基于参照这一数目单调增加函数的任何计算方法)。例如，可以使用具有定义值或者比定义值更少的量化指标的数目作为出现频率统一性程度。 

另外，例如可以基于以群体量化指标出现频率为基础计算的信息熵(熵)来计算出现频率统一性程度。例如，当量化指标i的出现概率由P_i表示时，可以通过下式计算信息熵H。 

H＝-∑_j∈S P_i log(P_i)     (等式2) 

随着通过等式2计算的信息熵H更大，出现频率统一性程度更高。可以通过任何方法计算出现频率统一性程度，只要计算的出现频率统一性程度随着信息熵H更大而更高(即可以通过基于参照信息熵H单调增加函数的任何方法来计算)。例如信息熵H可以是出现频率统一性程度。 

这些方法是出现频率统一性程度的计算例子，并且用于计算出现频率统一性程度的方法可以是计算如下尺度的任何方法，该尺度代表量化指标的出现频率的统一性程度。 

另外，比较量化指标集选择部021A例如可以在鉴于前述出现频率统一性程度之外还鉴于作为候选而选择的量化指标集中包括的量化指标的数目(或者所选量化指标集的分级深度)来选择比较量化指标集。这是因为随着量化指标集的量化指标的数目(或者分级深度)(该数目或者深度是与量化指标的出现频率的统一性程度无关的信息以及与群体无关的信息)增加，识别不同图像的能力程度的识别能力增加，但是量化指标对各种图像更改过程的耐受程度的 稳健性减少，并且因为有可优选地鉴于量化指标的出现频率的统一性程度和量化指标数目(或者分级深度)来选择比较量化指标集这样的情况。例如，从识别能力和稳健性的观点来看，可以预先设置量化指标数目的适当范围(例如量化指标数目设置为约为十)以从满足条件的量化指标集之中选择计算出现频率统一性程度的前述方法计算的出现频率统一性程度高的集合作为比较量化指标集。 

另外，比较量化指标集选择部021A例如可以鉴于前述出现频率统一性程度之外还鉴于防更改程度(该防更改程度代表量化指标对各种图像更改过程的耐受程度)来选择比较量化指标集。例如可以通过对用于学习的图像组提前执行各种更改过程以生成副本图像、通过使用图像特征提取设备01从原始图像和副本图像计算分级量化指标代码、并且测量对应量化目标区域中量化指标重合比(针对各量化指标)来获得各量化指标的防更改程度。例如，比较量化指标集选择部021A可以选择这样的量化指标集作为比较量化指标集，该量化指标集使得出现频率统一性程度高并且从各量化指标的防更改程度计算的整个量化指标集的防更改程度(例如各量化指标的防更改程度的平均值)大。另外，例如比较量化指标集选择部021A可以选择比较量化指标集以免包括这样的量化指标，该量化指标使得出现频率统一性程度高并且各量化指标的防更改程度低。将在第四示例实施例中具体描述使用各量化指标的防更改程度作为群体的图像组中的群体性质信息这一例子。 

另外，为了基于群体量化指标出现频率来选择比较量化指标使得量化指标的出现频率尽可能统一，比较量化指标集选择部021A可以被配置成例如在作为候选而选择的某个量化指标集中的具体量化指标的出现频率高(出现频率偏向该具体量化指标)的情况下，参照该量化指标选择更低分级的量化指标。参照图6，例如在最高分级的量化指标集{1，2，3，4，5}首先是候选并且基于群体量化指标出现频率量化指标3的出现频率高于其它量化指标的出现频率的情况下，可以选择针对量化指标3的更低分级量化方法计算的量化指标11和 12以将比较量化指标集设置为{1，2，11，12，4，5}。 

<比较量化指标集选择部021A的配置例子1> 

另外，比较量化指标集选择部021A可以按照从分级量化方法的最高分级的量化指标集依次基于由群体量化指标出现频率计算单元03供应的群体量化指标出现频率通过选择出现频率高的量化指标的更低分级的量化指标集(将该量化指标替换为其更低分级的量化指标集)直至满足定义的条件来选择比较量化指标集。这里，定义的条件例如可以是上文描述的量化指标集的出现频率统一性程度、在量化指标集中包括的量化指标的数目(或者分级深度)、整个集合的防更改程度或者其组合是否在提前定义的值范围内。另外，定义的条件例如可以基于上文描述的量化指标集的出现频率统一性程度、在量化指标集中包括的量化指标的数目(或者分级深度)、整个集合的防更改程度、各量化指标的出现频率、各量化指标的防更改程度或者其组合。例如，可以通过设置出现频率统一性程度的最小值并且以从最高分级的量化指标集依次选择出现频率高的量化指标的更低分级的量化指标集直至出现超过出现频率质量程度的最小值的量化指标集来选择比较量化指标集。另外，例如可以通过设置量化指标数目的最小值并且以从最高分级的量化指标集依次选择出现频率高的量化指标的更低分级的量化指标集直至出现超过量化指标数目的最小值的量化指标集来选择比较量化指标集。另外，例如可以通过设置出现频率统一性程度的最小值和量化指标数目的最小值并且以从最高分级的量化指标集依次选择出现频率高的量化指标的更低分级的量化指标集直至出现超过最小值的量化指标集来选择比较量化指标集。另外，出现频率高的量化指标例如可以是在当前候选的量化指标集之中出现频率最高的量化指标。例如，在当前候选的量化指标集并未满足定义的条件的阶段时在量化指标集中出现频率最高的量化指标是最低分级的量化指标的情况下，可以选择出现频率第二高的量化指标的更低分级的量化指标集。另外，可以选择当前候选的量化指标集中出现频率高的多个量化指标(例如出现 频率超过某个阈值的所有量化指标)。另外，在多个不同量化方法计算的多个量化指标集存在于出现频率高的量化指标的更低分级中的情况下，选择任何集合(参照图6，例如假设出现频率高的量化指标是量化指标4，可以选择量化指标13、14和15的集合或者量化指标16和17的集合作为其更低分级的量化指标)。例如可以基于上文描述的量化指标集的出现频率统一性程度、在量化指标集中包括的量化指标的数目(或者分级深度)、整个集合的防更改程度或者其组合来确定选择哪一个。例如，可以在替换为相应量化方法计算的量化指标集并且生成候选量化指标集的情况下基于量化指标集的出现频率统一性程度、在量化指标集中包括的量化指标的数目(或者分级深度)或者整个集合的防更改程度来选择变为最优这样的集合。 

例如，将参照图6描述定义的条件为“量化指标数目为十或者更多”这一情况。这里将描述一种选择候选量化指标集中出现频率最高的量化指标的更低分级的量化指标集的方法。首先，选择最高分级的量化指标集{1，2，3，4，5}作为候选。由于所选量化指标的数目为五，所以并未满足定义的条件。这里，假设出现频率最高的量化指标是量化指标2，然后选择作为量化指标2的更低分级的量化指标的量化指标8、9和10，并且选择量化指标集{1，8，9，3，4，5}作为下一候选。由于所选量化指标的数目为七，所以并未满足定义的条件。这里，假设出现频率最高的量化指标是量化指标3，然后选择作为量化指标3的更低分级的量化指标的量化指标11和12，并且选择量化指标集{1，8，9，10，11，12，4，5}作为下一候选。由于所选量化指标的数目为八，所以并未满足定义的条件。这里，假设出现频率最高的量化指标是量化指标10，然后选择作为量化指标10的更低分级的量化指标的量化指标26和27，并且选择量化指标集{1，8，9，26，27，11，12，4，5}作为下一候选。由于所选量化指标的数目为九，所以并未满足定义的条件。这里，假设出现频率最高的量化指标是量化指标4，然后选择量化指标4的更低分级的量化指标集。作为量化指标4的 更低分级的量化指标，可以选择量化指标13、14和15的集合或者量化指标16和17的集合。例如可以基于上文描述的量化指标集的出现频率统一性程度、量化指标数目(分级深度)、整个集合的防更改程度或者其组合来确定选择哪一个。这里例如选择量化指标16和17的集合并且选择量化指标集{1，8，9，26，27，11，12，16，17，5}作为下一候选。由于所选量化指标的数目为十，所以满足定义的条件。因而确定所选量化指标集{1，8，9，26，27，11，12，16，17，5}作为比较量化指标集。 

图10示出了比较量化指标集选择部021A在运用一种以从分级量化方法的最高优先级的量化指标集依次选择更低分级的量化指标集的情况下的配置例子(配置例子1)。参照图10，比较量化指标集选择部021A的配置例子1包括候选量化指标集选择单元021A1和定义条件确定单元021A2。 

候选量化指标集选择单元021A1根据分级量化方法在未供应(更高分级的)量化指标的情况下选择最高分级的量化指标集作为候选量化指标集，而在供应量化指标的情况下将量化指标替换为其更低分级的量化指标集并且选择作为候选量化指标集。候选量化指标集选择单元021A1向定义条件确定单元021A2供应关于所选候选量化指标集的信息。向候选量化指标集选择单元021A1中输入的量化指标是从定义条件确定单元021A2反馈的信息。 

定义条件确定单元021A2确定由候选量化指标集选择单元021A1供应的关于候选量化指标集的信息所代表的候选量化指标集是否满足已经预先定义的定义条件。在满足定义的条件的情况下，定义条件确定单元021A2输出候选量化指标集作为比较量化指标集。在并未满足定义的条件的情况下，定义条件确定单元021A2基于由群体量化指标出现频率计算单元03供应的群体量化指标出现频率来获得候选量化指标集中出现频率高的量化指标，并且向候选量化指标集选择单元021A1供应(反馈)获得的量化指标。这里，定义的条件如上文所述。 

比较量化指标集选择部021A的配置例子1描述如下情况，该情况在基于群体量化指标出现频率以从分级量化方法的最高分级的量化指标集依次选择更低分级的量化指标集的方法中选择当前候选量化指标集中的“出现频率高的”量化指标作为用于选择将由更低分级的量化指标集替换的量化指标的参考。在下面将描述不同于选择“出现频率高的”量化指标的方法的另一方法。 

例如，可以选择这样的量化指标作为将由更低分级的量化指标集替换的量化指标：通过将该量化指标替换为当前候选量化指标集中的更低分级的量化指标集使得待新生成的候选量化指标集的出现频率统一性程度变高(例如变为最大值)。参照图6，例如在当前候选量化指标集为{1，2，3，4，5}，并且通过将量化指标3替换为更低分级的量化指标集来生成的集合{1，2，11，12，4，5}的出现频率统一性程度在通过将量化指标1替换为更低分级的量化指标集来生成的集合{6，7，2，3，4，5}、通过将量化指标2替换为更低分级的量化指标集来生成的集合{1，8，9，10，3，4，5}、通过将量化指标3替换为更低分级的量化指标集来生成的集合{1，2，11，12，4，5}、通过将量化指标4替换为更低分级的量化指标集来生成的集合{1，2，3，13，14，15，5}或者集合{1，2，3，16，17，5}和通过将量化指标5替换为更低分级的量化指标集来生成的集合{1，2，3，4，18，19，20，21}之中最高的情况下，可以选择量化指标3作为由更低分级的量化指标集替换的量化指标，并且可以选择集合{1，2，11，12，4，5}作为新候选量化指标集。另外，在选择时可以考虑在新生成的候选量化指标集中包括的量化指标的数目。 

另外，例如可以基于各量化指标的更低分级的量化指标的出现频率从当前候选量化指标集中选择将由更低分级的量化指标集替换的量化指标。例如，针对各量化指标可以计算该量化指标的更低分级的量化指标集的出现频率统一性程度，并且可以选择如下量化指标，该量化指标的最低分级具有出现频率统一性程度最大的集合。参照图6，例如在当前候选量化指标集为{1，2，3，4，5}并且量化指标 3的更低分级的量化指标集{11，12}的出现频率统一性程度在相应量化指标的更低分级的量化指标集{6，7}、{8，9，10}、{11，12}、{13，14，15}或者{16，17}和{18，19，20，21}之中最大的情况下，可以选择量化指标3作为将由更低分级的量化指标集替换的量化指标，并且可以选择{1，2，11，12，4，5}作为新候选量化指标集。另外，在选择时可以考虑更低分级的量化指标集的量化指标的数目。 

另外，例如在选择将由更低分级的量化指标集替换的量化指标的情况下，除了各量化指标的出现频率之外，还可以考虑(a)各量化指标的更低分级的量化指标数目、(b)各量化指标的防更改程度和(c)各量化指标的更低分级的量化指标的防更改程度。参照图6，将描述例子(a)。例如，在当前候选量化指标集为{1，2，3，4，5}并且量化指标3和5的出现频率高的情况下，比较其更低分级的量化指标数目(二和四)，并且可以选择量化指标数目更大的量化指标5作为将由更低分级的量化指标集替换的量化指标。反之，可以选择量化指标数目更小的量化指标3作为将由更低分级的量化指标集替换的量化指标。参照图6，将描述例子(a)。例如在当前候选量化指标集为{1，2，3，4，5}、量化指标3和5的出现频率高并且量化指标3的防更改程度高于量化指标5的防更改程度的情况下，可以选择量化指标3作为将由更低分级的量化指标集替换的量化指标。因此，由于有可能优先划分防更改程度更高的量化指标，所以有可能针对各种更改过程增加作为候选而新选择的量化指标集的稳健性。参照图6将描述例子(c)。例如，在当前候选量化指标集为{1，2，3，4，5}并且量化指标3和5的出现频率高的情况下，参照量化指标3和量化指标5的更低分级的量化指标集{11，12}和量化指标集{18，19，20，21}，可以获得整个集合的防更改程度(例如相应量化指标的防更改程度的平均值)，并且可以选择值更大的量化指标3或者5作为将由更低量化指标集替换的量化指标。 

因而，有用于基于群体量化指标出现频率来选择将由更低分级的量化指标集替换的量化指标的各种方法，并且可以使用任何方法。 另外，无论上述配置如何用于基于群体量化指标来选择将由量化指标集替换的量化指标任何方法都可以。 

[对第二示例实施例的操作的描述] 

接着，将描述第二示例实施例中的具体具有配置例子1的比较量化指标集选择部201A的操作。 

图11是示出了第二示例实施例中的具体具有配置例子1的比较量化指标集选择部201A的操作(选择出现频率高的量化指标的更低分级的量化指标集)的流程图。 

首先，图像特征提取设备01从群体的图像组计算群体的图像组的分级量化指标代码，并且供应给群体量化指标出现频率计算单元03(步骤C01)。接着，向群体量化指标出现频率计算单元03供应由图像特征提取设备01供应的群体的图像组的分级量化指标代码作为输入，群体量化指标出现频率计算单元03将群体的图像组中的各量化指标的出现频率作为群体量化指标出现频率来计算，并且供应给比较量化指标集选择部021A(步骤C02)。接着，比较量化指标集选择部021A的候选量化指标集选择单元021A1首先选择分级量化方法的最高分级的量化指标集作为候选量化指标集，并且向定义条件确定单元021A2供应关于所选候选量化指标集的信息(步骤C03)。接着，定义条件确定单元021A2确定由候选量化指标集选择单元021A1供应的候选量化指标集有关的信息所代表的候选量化指标集是否满足已经预先定义的定义条件(步骤C04)。当确定并未满足定义的条件时，定义条件确定单元021A2基于由群体量化指标出现频率计算单元03供应的群体量化指标出现频率从候选量化指标集中选择出现频率高的量化指标，并且向候选量化指标集选择单元021A1供应(反馈)获得的量化指标(步骤C05)。候选量化指标集选择单元021A1将定义条件确定单元021A2供应的(更高分级的)量化指标替换为其更低分级的量化指标集以选择作为候选量化指标集，并且向定义条件确定单元021A2供应关于所选候选量化指标集的信息(步骤C06)。然后，该操作再次进行到步骤C04。当在 步骤C04处确定满足定义的条件时，定义条件确定单元021A2输出候选量化指标集作为比较量化指标集。然后，该操作进行到图8中所示流程图的步骤B02，该流程图示出了第一示例实施例中的图像特征比较设备02的操作。 

[第二示例实施例的效果] 

接着将描述本发明的第二示例实施例的效果。 

本发明的第二示例实施例除了第一示例实施例的效果之外还具有如下效果：比较量化指标集选择部021A基于群体量化指标出现频率来选择比较量化指标使得量化指标的出现频率尽可能相等，并且因而有可能增加作为识别群体中的不同图像的能力程度的识别能力(其是通过使用所选比较量化指标来表达的图像特征(各量化目标区域的量化指标))。这是因为在量化指标数目相同的情况下，当偏向具体量化指标时(当具体量化指标的出现频率高时)，出现频率高的量化指标高概率地偶然共同出现于不同图像之间，并且识别能力降低。另外有如下效果：随着图像特征的识别能力增加，基于计算的同一性尺度对图像同一性的确定的准确性增加。 

[第三示例实施例] 

接着将参照附图具体描述本发明的第三示例实施例。图12是示出了根据第三示例实施例的图像同一性尺度计算系统的图像特征比较设备的配置的框图。参照图12，本发明的第三示例实施例与第二示例实施例的图像特征比较设备02不同在于比较量化指标集选择部021A替换为配置成还输出量化指标加权值的比较量化指标集计算部201B，并且量化指标比较单元023替换为配置成还被供应有量化指标加权值作为输入的量化指标比较单元023A。由于其它点与第二示例实施例中相同，所以下文将仅描述与第二示例实施例的不同点。 

比较量化指标集选择部021B除了执行第二示例实施例的比较量化指标集选择部021A的操作之外还基于由群体量化指标出现频率计算单元03供应的群体量化指标集出现频率、针对所选比较量化 指标集的各量化指标计算加权值，使得该加权值随着出现频率更高而更小，并且向量化指标比较单元023A供应计算的各量化指标的加权值以作为量化指标加权值。这里，使加权值随着出现频率更高而更小，因为另一图像也可以拥有出现频率高的量化指标的可能性高，因此该量化指标可以有助于相对于另一图像进行识别的可能性更低。反言之，随着出现频率更低，另一图像拥有该量化指标的可能性更低，并且该量化指标可以有助于相对于另一图像进行识别的可能性更高。因此，使权值为大。可以通过任何方法计算量化指标加权值，只要计算使得加权值随着出现频率更高而变得更小(即基于参照出现频率单调减少函数的任何计算方法)。例如，量化指标加权值可以是通过从群体量化指标出现频率计算各量化指标的出现概率并且将1减去出现概率来获得的值。 

量化指标比较单元023A针对各对应量化目标区域比较由比较量化指标获取单元022供应的两个图像(图像1和图像2)的比较量化指标，针对各量化指标获得其量化指标重合的量化目标区域的数目，并且使由比较量化指标集选择部021B供应的量化指标加权值对其起作用，由此计算同一性尺度。这里，例如可以通过计算针对各量化指标获得的其量化指标重合的量化目标区域的数目与量化指标加权值的乘积并且将乘积相加来计算同一性尺度。 

上述操作是第三示例实施例的合乎需要的操作，但是也可以执行另一操作。例如，比较量化指标集选择部021B可以将所选比较量化指标中未包括的量化指标的加权值设置为0(或者使该加权值为低)并且作为量化指标加权值向量化指标比较单元023A供应分级量化方法的所有量化指标(例如在图6中为所有量化指标1至37)的加权值。在这一情况下，由于向量化指标比较单元023A供应0(或者低值)作为所选比较量化指标中未包括的量化指标的加权值，所以向量化指标比较单元023A间接供应关于所选量化指标集的信息。因此，比较量化指标集选择部021B无需向比较量化指标获取单元022具体供应关于比较量化指标集的任何信息，并且比较量化指标获 取单元022可以针对各量化目标区域从输入的分级量化指标代码获取分级量化方法的所有分级的量化指标，并且供应给量化指标比较单元023A。然后，量化指标比较单元023A可以针对各对应量化目标区域比较相应分级的量化指标，针对各量化指标获得其量化指标重合的量化目标区域的数目，并且使由比较量化指标集选择部021B供应的量化指标加权值对其起作用，由此计算同一性尺度。 

[第三示例实施例的效果] 

接着将描述本发明的第三示例实施例的效果。 

本发明的第三示例实施例除了第二示例实施例的效果之外还具有如下效果：比较量化指标集选择部021B基于群体量化指标出现频率针对所选比较量化指标集的各量化指标计算加权值，并且量化指标比较单元023A使计算的加权值作用于计算同一性尺度，由此有可能使基于计算的同一性尺度对图像同一性的确定的准确性高于基于在第二示例实施例中计算的同一性尺度对图像同一性的确定的准确性。 

[第四示例实施例] 

接着将参照附图描述本发明的第四示例实施例。第四示例实施例实施第一示例实施例的图像特征比较设备02中的比较量化指标集选择部021和待输入的群体性质信息。在第四示例实施例中的图像特征提取设备与图4中所示第一示例实施例的图像特征提取设备01相同。图13是示出了根据第四示例实施例的图像同一性尺度计算系统的图像特征比较设备的配置的框图。参照图13，本发明的第四示例实施例与具有图5中所示第一示例实施例的配置的图像特征比较设备02不同在于比较量化指标集选择部021替换为比较量化指标集选择部021C。由于其它点与第一示例实施例中相同，所以将仅描述与第一示例实施例的不同点。 

向比较量化指标集选择部021C中输入群体量化指标防更改程度作为群体性质信息。群体量化指标防更改程度代表如下防更改程度，该防更改程度是在群体的图像组中分级量化方法的各量化指标 对各种更改过程的耐受程度。为了获得在群体的图像组中分级量化方法的各量化指标的防更改程度，例如通过对群体的图像组(或者通过从群体的图像组恰当采样和提取来获得的图像组)执行各种更改过程以生成副本图像、通过使用图像特征提取设备01从原始图像和副本图像计算分级量化指标代码、并且针对各量化指标测量对应量化目标区域中的量化指标重合比，可以将测量的各量化指标的重合比视为各量化指标的防更改程度。 

比较量化指标集选择部021C基于输入的群体量化指标防更改程度来选择比较量化指标集，使得与已经选择的整个量化指标集有关的量化指标防更改程度变高。向比较量化指标获取单元022供应关于所选比较量化指标集的信息。比较量化指标集选择部021C是第一示例实施例的比较量化指标集选择部021在待输入的群体性质信息具体为群体量化指标防更改程度的情况下的一个实施例。比较量化指标集的选择条件与第一示例实施例的描述一致。 

比较量化指标集选择部021C选择比较量化指标集，使得与已经选择的整个量化指标集有关的量化指标防更改程度变高，由此有可能使作为量化指标对各种图像更改过程的耐受程度的稳健性高。 

比较量化指标集选择部021C在基于群体量化指标防更改程度来选择比较量化指标集使得与已经选择的整个量化指标集有关的量化指标防更改程度变高时，例如可以选择比较量化指标集，使得未包括群体量化指标防更改程度低的量化指标。 

另外，比较量化指标集选择部021C在基于群体量化指标防更改程度来选择比较量化指标集使得与已经选择的整个量化指标集有关的量化指标防更改程度变高时，例如可以计算与已经作为候选而选择的整个量化指标集有关的量化指标防更改程度作为量化指标集防更改程度，并且基于该量化指标集防更改程度来选择量化指标集作为比较量化指标集使得量化指标集防更改程度变高。例如，比较量化指标集选择部021C可以针对作为候选的所有组合的各量化指标集计算量化指标集防更改程度，并且选择其量化指标集防更改程 度变为最大值的量化指标集作为比较量化指标集。 

可以通过任何方法计算作为与整个量化指标集有关的量化指标防更改程度的量化指标集防更改程度，只要基于在量化指标集中包括的相应量化指标的防更改程度来计算。例如可以将量化指标集防更改程度计算为相应量化指标的防更改程度的平均值。另外例如可以将量化指标集防更改程度计算为超过某个固定值的量化指标的数目或者这样的量化指标的比值。 

另外，比较量化指标集选择部021C可以通过除了前述量化指标集防更改程度之外还例如考虑在作为候选而选择的量化指标集中包括的量化指标的数目(或者所选量化指标集的分级深度)来选择比较量化指标集。这是因为：量化指标数目(或者分级深度)是与量化指标集防更改程度无关以及与群体无关的信息；随着量化指标集的量化指标的数目变得更多(或者分级深度变得更多)，作为识别不同图像的能力程度的识别能力变得更高，但是作为量化指标对各种图像更改过程的耐受程度的稳健性变得更低；并且有再好通过考虑量化指标集防更改程度和量化指标数目(或者分级深度)来选择比较量化指标集这样的情况。例如从识别能力和稳健性的观点来看，可以设置量化指标数目的适当范围(例如量化指标数目设置为约为10)，并且可以从满足该条件的量化指标集中选择如下集合作为比较量化指标集，用于计算量化指标集防更改程度的前述方法计算的该集合的量化指标集防更改程度变高。 

另外，比较量化指标集选择部021C可以除了前述量化指标集防更改程度之外还计算第二示例实施例中描述的出现频率统一性程度(在这一情况下也需要向比较量化指标集选择部021C供应群体量化指标出现频率作为输入)，并且鉴于量化指标集防更改程度和出现频率统一性程度来选择比较量化指标集。比较量化指标集选择部021C例如可以选择使得量化指标集防更改程度变高并且出现频率统一性程度变高这样的量化指标集作为比较量化指标集。另外，例如比较量化指标集选择部021C可以选择比较量化指标集，使得未包括 出现频率统一性程度高并且群体量化指标防更改程度低的量化指标。 

另外，比较量化指标集选择部021C可以基于作为输入供应的群体量化指标防更改程度，按照从分级量化方法的最高分级的量化指标集依次选择更低分级的量化指标集，直至满足定义的条件，从而与整个量化指标集有关的量化指标防更改程度变高，由此选择比较量化指标集。这里，定义的条件例如可以是上文已经描述的量化指标集防更改程度、各量化指标的防更改程度或者在量化指标集中包括的量化指标的数目(或者分级深度)或者其组合是否在提前定义的值范围内。另外，定义的条件可以是以在第二示例实施例中描述的量化指标集的出现频率统一性程度为基础的条件。例如，比较量化指标集选择部021C可以设置量化指标集防更改程度的最小值和量化指标数目的最小值并且以从最高分级的量化指标集依次选择更低分级的量化指标集直至出现其量化指标数目超过最小值并且其量化指标集防更改程度不低于最小值的量化指标集。另外，例如定义的条件可以如同在第二示例实施例的<比较量化指标集选择部021A的配置例子1>中描述的定义的条件。(在多个不同量化方法计算的多个量化指标集存在于某个量化指标的更低分级中的情况下选择集合之一。) 

作为一种用于基于群体量化指标防更改程度来选择更低分级的量化指标集的方法，例如可以选择当前候选量化指标集中防更改程度高的量化指标的更低分级的量化指标集(该量化指标可以替换为其更低分级的量化指标集)。参照图6，例如在当前候选量化指标集为{1，2，3，4，5}并且量化指标3的防更改程度在其之中最大的情况下，可以选择量化指标3作为将由更低分级的量化指标集替换的量化指标以选择{1，2，11，12，4，5}作为新候选量化指标集。另外，在选择时可以鉴于更低分级的量化指标集的量化指标的数目来选择量化指标。 

另外，作为用于基于群体量化指标防更改程度来选择更低分级 的量化指标集的另一方法，例如，在当前候选量化指标集中可以选择使如下量化指标集防更改程度增加(例如最大化)的量化指标作为将由更低分级的量化指标集替换的量化指标，该量化指标集防更改程度作为与将在替换为更低分级的量化指标集时新生成的整个候选量化指标集有关的量化指标防更改程度。参照图6，例如在当前候选量化指标集为{1，2，3，4，5}，并且在通过将量化指标1替换为更低分级的量化指标集来生成的集合{6，7，2，3，4，5}、通过将量化指标2替换为更低分级的量化指标集来生成的集合{1，8，9，10，3，4，5}、通过将量化指标3替换为更低分级的量化指标集来生成的集合{1，2，11，12，4，5}、通过将量化指标4替换为更低分级的量化指标集来生成的集合{1，2，3，13，14，15，5}或者{1，2，4，16，17，5}和通过将量化指标5替换为更低分级的量化指标集来生成的集合{1，2，3，4，18，19，20，21}之中，通过将量化指标3替换为更低分级的量化指标集来生成的集合{1，2，11，12，4，5}的量化指标集防更改程度最高的情况下，可以选择量化指标3作为将由更低分级的量化指标集替换的量化指标以选择{1，2，11，12，4，5}作为新候选量化指标集。另外，在选择时可以鉴于在新生成的候选量化指标集中包括的量化指标的数目来选择量化指标。 

另外，作为用于基于群体量化指标防更改程度选择更低分级的量化指标集的另一方法，例如可以基于各量化指标的更低分级的量化指标的防更改程度从当前候选量化指标集中选择将由更低分级的量化指标集替换的量化指标。例如，可以计算与各量化指标的更低分级的整个量化指标集有关的量化指标防更改程度(例如平均值)以选择具有量化指标防更改程度最大的集合的量化指标作为其更低分级。参照图6，例如，在当前候选量化指标集为{1，2，3，4，5}，并且与量化指标3的更低分级的整个量化指标集{11，12}有关的量化指标防更改程度(例如平均值)在相应量化指标的更低分级的量化指标集{6，7}、{8，9，10}、{11，12}、{13，14，15}或者{16，17}和{18，19，20，21}之中最大的情况下，可以选择量化指标3作为将由更低分级 的量化指标集替换的量化指标以选择{1，2，11，12，4，5}作为新候选量化指标集。另外，在选择时可以考虑更低分级的量化指标集的量化指标的数目。 

另外，在基于群体量化指标防更改程度来选择更低分级的量化指标集时，可以除了群体量化指标防更改程度之外还鉴于在第二示例实施例中描述的群体量化指标出现频率来选择将由更低分级的量化指标集替换的量化指标(在这一情况下也需要向比较量化指标集选择部021C作为输入供应群体量化指标出现频率)。 

比较量化指标集选择部021C在运用一种基于群体量化指标防更改程度以从分级量化方法的最高分级的量化指标集依次选择更低分级的量化指标集直至满足定义的条件的方法的情况下与图10中所示第二示例实施例的比较量化指标集选择部021A的配置相同，而不同在于各部分的具体操作不同。也就是说，比较量化指标集选择部021C包括选择候选量化指标集的候选量化指标集选择单元和确定作为候选而选择的量化指标集是否满足定义的条件的定义条件确定单元。各单元的具体操作与前述描述一致，并且这里将省略具体描述。 

[第四示例实施例的效果] 

接着将描述本发明的第四示例实施例的效果。 

本发明的第四示例实施例除了第一示例实施例的效果之外还具有如下效果：比较量化指标集选择部021C基于群体量化指标防更改程度来选择比较量化指标集，使得与整个量化指标集有关的量化指标防更改程度变得更高，由此有可能增加所选比较量化指标(各量化目标区域的量化指标)表达的图像特征针对各种群体更改过程的稳健性。另外有如下效果：随着图像特征的稳健性增加，基于计算的同一性尺度对图像同一性的确定的准确性增加。 

[第五示例实施例] 

接着将参照附图具体描述本发明的第五示例实施例。图14是示出了根据第五示例实施例的图像同一性尺度计算系统的图像特征比较设备的配置的框图。参照图14，本发明的第五示例实施例与第 四示例实施例的图像特征比较设备02不同在于比较量化特征集选择部021C替换为配置成还输出量化指标加权值的比较量化指标集选择部021D，并且量化指标比较单元023替换为配置成还被供应有量化指标加权值作为输入的量化指标比较单元023A。由于第五示例实施例的其它部分与第四示例实施例中相同，所以下文将仅描述与第四示例实施例的不同点。 

除了执行第四实施例的比较量化指标集选择部分021C的操作之外，比较量化指标集选择部021D基于作为输入而供应的群体量化指标防更改程度针对所选比较量化指标集的各量化指标计算加权值使得该加权值随着防更改程度更高而变得更大，并且供应给量化指标比较单元023A。可以通过任何方法计算量化指标加权值，只要计算使得加权值随着防更改程度更高而变大(即可以通过基于参照防更改程度单调增加函数的任何方法来计算)。例如，群体量化指标防更改程度可以是量化指标加权值。 

由于量化指标比较单元023A与第三示例实施例的量化指标比较单元023A相同，所以这里将省略其描述。 

虽然前述操作是第五示例实施例的合乎需要的操作，但是可以进行另一操作。例如，比较量化指标集选择部021D可以将所选比较量化指标集中未包括的量化指标的加权值设置为零(或者将该加权值设置为低值)，并且作为量化指标加权值向量化指标比较单元023A供应分级量化方法的所有量化指标(例如参照图6为所有量化指标1至37)的加权值。在这一情况下，由于向量化指标比较单元023A供应0(或者低值)作为所选比较量化指标集中未包括的量化指标的加权值，所以向量化指标比较单元023A间接供应关于所选比较量化指标集的信息。因此，比较量化指标集选择部021D无需向比较量化指标获取单元022供应任何信息作为关于比较量化指标获取单元022的信息，并且比较量化指标获取单元022可以针对各量化目标区域从输入的分级量化指标代码获取分级量化方法的所有分级的量化指标，并且供应给量化指标比较单元023A。然后，量化指标比较单 元023A可以针对各对应量化目标区域比较相应分级的量化指标、获得其量化指标重合的量化目标区域的数目，并且使从比较量化指标集选择部021D供应的量化指标加权值对其起作用，由此计算同一性尺度。 

[第五示例实施例的效果] 

接着将描述本发明的第五示例实施例的效果。 

本发明的第五示例实施例除了第四示例实施例的效果之外还具有如下效果：比较量化指标集选择部021D基于群体量化指标防更改程度来计算所选比较量化指标集的各量化指标的加权值，并且量化指标比较单元023A使计算的加权值作用于计算同一性尺度，由此有可能使基于计算的同一性尺度对图像同一性的确定的准确性高于基于第四示例实施例计算的同一性尺度对图像同一性的确定的准确性。 

[第六示例实施例] 

接着将参照附图具体描述本发明的第六示例实施例。第六示例实施例涉及一种通过使用第一至第五示例实施例中的任何示例实施例的图像同一性尺度计算系统来确定图像是否相同的图像同一性确定系统。图15是示出了根据第六示例实施例的图像同一性确定系统的配置的框图。参照图15，本发明的第六示例实施例的不同在于向本发明的第一至第五示例实施例中的任何示例实施例的配置添加同一性确定单元04。由于其它点与第一至第五示例实施例中相同，所以将描述与第一至第五示例实施例的不同点。 

同一性确定单元04将由图像特征比较设备02输出的两个图像(图像1和图像2)的同一性尺度与作为输入而供应的定义阈值进行比较，确定两个图像是否相同并且输出确定结果作为同一性确定结果。同一性确定单元04在同一性尺度大于阈值时确定两个图像相同而在同一性尺度小于阈值时确定两个图像不相同。这里输入的阈值可以根据由比较量化指标集选择部021选择的比较量化指标集而变化。另外可以通过预先将图像组用于学习进行学习来设置阈值。 

[第六示例实施例的效果] 

接着将描述本发明的第六示例实施例的效果。 

在本发明的第六示例实施例中，基于通过使用由第一至第五示例实施例中的任何示例实施例的图像同一性尺度计算系统计算的同一性尺度计算的同一性尺度来进行对图像同一性的确定，从而基于具有第一至第五示例实施例的效果的同一性尺度来进行对图像同一性的确定。效果在于进行对图像同一性的确定以便针对各群体而言适合和最优并且有可能保持对图像同一性高精确确定。 

[第七示例实施例] 

接着参照图16将描述本发明的第七示例实施例。第七示例实施例是在上述第一至第六示例实施例中的任何示例实施例的图像同一性尺度计算系统中使用如图16中所示分级量化方法这样的实施例。在图16中，量化方法A是用于最高分级的量化方法。在量化方法A中，计算与图像在量化目标区域中的梯度(边缘)量值和方向有关的特征，在量值小于定义水平的情况下将样本分类到代表“无梯度”的量化指标9，而在其它情况下将主导梯度方向量化(分类)到八个方向(例如图像的水平右方向设置成0度并且在顺时针方向上依次是45度、90度、135度、180度、225度、275度、315度)。也就是说，样本在主导梯度方向量化为0度时分类到量化指标1、在量化为45度时分类到量化指标2、在量化为90度时分类到量化指标3、在量化为135度时分类到量化指标4、在量化为180度时分类到量化指标5、在量化为225度时分类到量化指标6、在量化为270度时分类到量化指标7而在量化为315度时分类到量化指标8。 

作为一种用于计算在量化目标区域中图像的主导梯度(边缘)方向的具体方法，例如可以计算和获得在量化目标区域中心的梯度量值和方向。另外，例如通过针对量化目标区域内的多个小区域中的各小区域(例如在量化目标区域内的各像素)计算梯度(边缘)量值和方向，当该量值是定义水平或者更多时将梯度方向量化到八个方向并且票选(vote)具有与八个方向中的各方向对应的仓的直方 图，可以将票数最大的方向视为主导方向(当票数少于定义数目时分类到代表“无梯度”的量化指标9)。在这一例子中，将主导方向量化为八个方向，但是可以量化为四个方向、十六个方向和任何数目的方向。 

在未将样本分类到代表“无梯度”的量化指标9的情况下(在有梯度的情况下)，也就是在将样本分类到量化指标1至8中的任一量化指标的情况下，执行作为用于更低分级的量化方法的量化方法B的量化。在量化方法B中基于关于梯度的辅助特征执行量化。例如，在量化方法B中可以基于梯度量值水平将样本分类到两组。另外，例如可以基于是否存在以在最高分级中分类的主导梯度方向为参照的辅助主导梯度方向(辅助主导梯度方向的量值是否为定义水平或者更多)将样本分类到两组。另外可以量化辅助主导梯度方向。在图16中，分类数目为二，但是不是必须为二。 

在图16中，统一运用量化方法B作为用于所有量化指标1至8的更低分级的量化方法，但是例如可以仅在主导梯度方向是指定角度时运用量化方法B。例如仅针对与作为经常存在于一般图像中的(即以更高频率分类的)梯度方向的0度、90度、180度和270度(人造对象的图像包括这四个梯度方向，因为人造对象包括水平方向的多个边缘)对应的量化指标1、3、5和7，可以运用量化方法B作为用于其更低分级的量化方法(上述指标之外的量化指标2、4、6和8可以是最低分级)。另外例如可以将量化方法B运用于所有量化指标1至8的更低分级，而针对其最高分级的量化指标为1、3、5和7的量化指标10、11、14、15、18、19、22和23可以运用用于进一步更低分级的量化方法。这是因为关于假定一般以更高频率将样本分类到其的量化指标，使更接近地分类成为可能是有效的。 

在将样本分类到代表无梯度的量化指标9的情况下执行作为用于其更低分级的量化方法的量化方法C的量化。在量化方法C中基于图像的梯度(边缘)不同的特征来执行量化。例如在量化方法C中，可以基于在量化目标区域中图像的照度来执行量化。例如可以 基于在量化目标区域中图像的平均照度值来执行到N级(N表示数值二或者更多)的量化。另外，例如在量化方法C中可以基于在量化目标区域中图像的色彩信息来执行量化。例如可以从量化目标区域的图像提取与色调有关的特征以基于色调角度来执行量化。在图16中，分类方法C分类的数目为三、但是不是必须为三。 

在这里描述的分级量化方法中最高分级的量化方法是基于梯度(边缘)方向，因为与图像的梯度(边缘)有关的特征、尤其是与梯度(边缘)方向有关的特征一般对各种更改过程(比如图像压缩、滤波过程如模糊、亮度调节和色调调节)有稳健性。因此，用于存在主导梯度方向的量化指标1至8的更低分级的量化方法也是基于作为稳健特征的梯度(边缘)(梯度量值、辅助主导梯度的方向)。仅在将样本分类为代表无梯度的量化指标9的情况下，不能使用关于梯度的信息作为用于更低分级的量化方法(因为无梯度)，基于梯度之外的特征(照度、色彩信息等)来执行量化。 

[第八示例实施例] 

接着参照图17A至17C将描述本发明的第八示例实施例。第八示例实施例是一个使用如图17A至17C中所示数据结构作为如下存储单元中的数据结构的实施例，该存储单元存储由上文描述的第一至第七示例实施例的图像同一性尺度计算系统中的任何系统中的图像特征提取设备生成的分级量化指标代码。图17A示出了在图像上设置的量化目标区域的例子。在这一例子中，通过将图像像矩阵地划分成四份来获得的各区域是一个量化目标区域。在这样预先决定每个图像的量化目标区域的数目的情况下，如图17B中所示有可能通过使用如下数据结构向存储单元中存储分级量化指标代码，在该数据结构中以预定顺序布置从相应量化目标区域提取的量化指标。这里，预定顺序可以是任何顺序，只要提前加以确定。例如以量化目标区域(1)、量化目标区域(2)、量化目标区域(3)和量化目标区域(4)这样的顺序布置量化指标。 

另外，在每个图像的量化目标区域的数目可变的情况下，如图 17C中所示有可能通过使用如下数据结构向存储单元中存储分级量化指标代码，在该数据结构中，将每个图像的量化目标区域的数目保持于顶部中，然后以预定顺序布置从相应量化目标区域提取的量化指标。 

各量化指标可以仅包括最低分级的量化指标或者可以包括所有分级的量化指标。以图16中所示分级量化方法为例，在针对量化目标区域(1)获得量化指标11的情况下，可以向量化指标(1)中仅装入量化指标11或者可以装入量化指标1和11。 

[第九示例实施例] 

接着将参照图18描述本发明的第九示例实施例。图18是示出了这一实施例的图像同一性尺度计算系统的配置的框图。在这一实施例中将示意地描述前述图像同一性尺度计算系统。 

如图18中所示，这一实施例的图像同一性尺度计算系统是配置成计算代表两个图像的同一性程度的同一性尺度的系统并且包括图像特征比较单元2A。 

图像特征比较单元2A被配置成：根据预先定义的分级量化方法，作为输入被供应有分级量化指标代码，这些分级量化指标代码是如下编码，该编码允许对针对两个图像的各量化目标区域分级量化计算的多个分级的量化指标的唯一指定，基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集，并且通过使用比较量化指标集来比较两个图像的分级量化指标代码，由此计算两个图像的同一性尺度。 

然后，图像同一性尺度计算系统具有如下配置：另外供应的信息是代表两个图像或者其中的至少一个图像所属群体的性质的群体性质信息。 

另外，该图像同一性尺度计算系统包括：图像特征提取单元，配置成根据分级量化方法执行分级量化以针对两个图像的各量化目标区域计算多个分级的量化指标，并且输出分级量化指标代码，该分级量化指标代码是允许对各量化目标区域的相应分级的量化指标 唯一指定的编码。 

另外，该图像特征提取单元包括：下一分级量化方法选择单元，配置成根据分级量化方法针对各量化目标区域，在供应更高分级的量化指标作为反馈的情况下选择用于与供应的量化指标对应的更低分级的量化方法，而在未供应量化指标的情况下选择用于最高分级的量化方法；特征提取单元，配置成针对各量化目标区域从向其输入的图像提取由所选量化方法使用的特征；量化指标计算单元，配置成针对各量化目标区域根据所选量化方法来量化提取的特征以计算量化指标，并且在计算的量化指标并非最低分级的情况下向下一分级量化方法选择单元供应量化指标作为反馈；以及分级量化指标代码输出单元，配置成在针对各量化目标区域计算相应分级的量化指标时计算和输出编码的分级量化指标代码，该编码允许对各量化目标区域的相应分级的量化指标的唯一指定。 

另外，该图像特征比较单元包括：比较量化指标集选择部，配置成基于群体性质信息来选择用于比较的量化指标集作为比较量化指标集；比较量化指标获取单元，配置成参照两个图像的各分级量化指标代码针对各图像中的各量化目标区域从分级量化指标代码唯一指定的相应分级的量化指标之中获取在比较量化指标集中包括的量化指标作为比较量化指标；以及量化指标比较单元，配置成针对各对应量化目标区域比较两个图像的比较量化指标，并且基于其量化指标重合的量化目标区域的数目来计算两个图像的同一性尺度。 

另外，该图像同一性尺度计算系统具有如下配置：量化目标区域是图像的一个或者多个局部区域。 

另外，该图像同一性尺度计算系统具有如下配置：分级量化方法由量化方法组成，通过这些量化方法，在更高分级中计算的量化指标更耐受各种图像更改过程。 

另外，该图像同一性尺度计算系统具有如下配置：用于分级量化方法的各分级的量化方法是如下量化方法，通过该量化方法，在并未假定具体群体的一般图像中，该量化方法分类的多个量化指标 被几乎均匀分类。 

另外，该图像同一性尺度计算系统具有如下配置：群体是在两个图像或者其中的至少一个图像所属分类中包括的图像组。 

另外，该图像同一性尺度计算系统具有如下配置：群体是在两个图像或者其中的至少一个图像所属数据库中或者在其具体子集中包括的图像组。 

另外，该图像同一性尺度计算系统具有如下配置：两个图像或者其中的至少一个图像是移动图像的帧，并且群体是在两个图像或者其中的至少一个所属移动图像中或者在该移动图像的部分节选中包括的帧组。 

另外，该图像同一性尺度计算系统具有如下配置：群体性质信息是与基于通过使用群体的图像组中的所选量化指标集来计算的同一性尺度对图像同一性的确定的准确性相关的信息；并且选择比较量化指标集使得基于计算的同一性尺度对图像同一性的确定的准确性变高。 

另外，该图像同一性尺度计算系统具有如下配置：群体性质信息是与群体的图像组中的所选量化指标集所拥有的作为识别不同图像的能力程度的识别能力相关的信息；并且选择比较量化指标集使得识别能力变高。 

另外，该图像同一性尺度计算系统具有如下配置：群体性质信息是与群体的图像组中的所选量化指标集所拥有的作为量化指标对各种图像更改过程的耐受程度的稳健性相关的信息；并且选择比较量化指标集使得稳健性变高。 

另外，该图像同一性尺度计算系统具有如下配置：群体性质信息是根据由图像特征提取单元输出的群体的图像组的分级量化指标代码来计算的作为在群体中分级量化方法的各量化指标的出现频率的群体量化指标出现频率；并且比较量化指标集选择部被配置成基于群体量化指标出现频率来选择比较量化指标集使得量化指标的出现频率变得尽可能统一。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部被配置成基于群体量化指标出现频率通过选择出现频率高的量化指标的更低分级的量化指标集来选择比较量化指标集。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部被配置成基于群体量化指标出现频率通过以从分级量化方法的最高分级的量化指标集依次选择用于出现频率高的量化指标的更低分级的量化指标集直至满足定义的条件来选择比较量化指标集。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部包括：候选量化指标集选择单元，配置成根据分级量化方法在未供应量化指标作为反馈的情况下，选择最高分级的量化指标集作为候选量化指标集，而在供应量化指标作为反馈的情况下将该量化指标替换为其更低分级的量化指标集以选择作为候选量化指标集；以及定义条件确定单元，配置成确定候选量化指标集是否满足提前定义的条件，并且在满足定义的条件的情况下输出候选量化指标集作为比较量化指标集，而在并未满足定义的条件的情况下基于群体量化指标出现频率从候选量化指标集向候选量化指标集选择单元供应出现频率高的量化指标作为反馈。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部被配置成除了群体量化指标出现频率之外还基于量化指标数目来选择比较量化指标集。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部被配置成基于群体量化指标出现频率针对所选比较量化指标集的各量化指标计算加权值作为量化指标加权值以便使加权值随着出现频率更高而更小；并且量化指标比较单元被配置成针对各对应量化目标区域比较两个图像的比较量化指标，针对各量化指标获得其量化指标重合的量化目标区域的数目并且使量化指标加权值对其起作用，由此计算同一性尺度。 

另外，该图像同一性尺度计算系统具有如下配置：群体性质信 息是代表在群体的图像组中分级量化方法的各量化指标对各种更改过程的耐受程度的群体量化指标防更改程度；并且比较量化指标集选择部被配置成基于群体量化指标防更改程度来选择比较量化指标集使得与已经选择的整个量化指标集有关的量化指标防更改程度变高。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部被配置成基于作为输入而供应的群体量化指标防更改程度通过以从分级量化方法的最高分级的量化指标集依次选择更低分级的量化指标集来选择比较量化指标集。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部被配置成除了群体量化指标出现频率之外还基于量化指标数目来选择比较量化指标集。 

另外，该图像同一性尺度计算系统具有如下配置：比较量化指标集选择部被配置成基于群体量化指标防更改程度针对所选比较量化指标集的各量化指标计算加权值作为量化指标加权值，使得该加权值随着防更改程度更高而变得更大；并且量化指标比较单元被配置成针对各对应量化目标区域比较两个图像的比较量化指标，针对各量化指标获得其量化指标重合的量化目标区域的数目并且使量化指标权值对其起作用，由此计算同一性尺度。 

另外，该图像同一性尺度计算系统被配置成通过比较同一性尺度与提前定义的阈值来确定两个图像是否相同。 

另外，通过前述图像同一性尺度计算系统的操作来执行的本发明的另一实施例的一种图像同一性尺度计算方法是一种用于计算代表两个图像的同一性程度的同一性尺度的方法，并且包括：图像特征比较单元被供应有分级量化指标代码作为输入，这些分级量化指标代码是如下编码，该编码允许唯一指定分级量化根据提前定义的分级量化方法针对两个图像的各量化目标区域计算的多个分级的量化指标；基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集；通过使用比较量化指标集来比较两个图像的分级量 化指标代码，由此计算同一性尺度。 

另外，该图像同一性尺度计算方法具有如下配置：另外供应的信息是代表两个图像或者其中的至少一个图像所属群体的性质的群体性质信息。 

另外，该图像同一性尺度计算方法包括：图像特征提取单元根据分级量化方法来分级量化以针对两个图像的各量化目标区域计算多个分级的量化指标；并且向图像特征比较单元输出分级量化指标代码，该分级量化指标代码是如下编码，该编码允许对各量化目标区域的各分级的量化指标的唯一指定。 

另外，该图像同一性尺度计算方法包括：图像特征提取单元的下一分级量化方法选择单元根据分级量化方法针对各量化目标区域在供应更高分级的量化指标作为反馈的情况下选择用于与供应的量化指标对应的更低分级的量化方法，而在未供应量化指标的情况下选择用于最高分级的量化方法；图像特征提取单元的特征提取单元针对各量化目标区域从输入的图像提取由所选量化方法使用的特征；图像特征提取单元的量化指标计算单元针对各量化目标区域根据所选量化方法执行量化以计算量化指标，在计算的量化指标并非最低分级的情况下向下一分级量化方法选择单元供应量化指标作为反馈；并且当针对各量化目标区域计算各分级的量化指标时，图像特征提取单元的分级量化指标代码输出单元计算和输出分级量化指标代码，该分级量化指标代码是如下编码，该编码允许对各量化目标区域的相应分级的量化指标的唯一指定。 

另外，该图像同一性尺度计算方法包括：图像特征比较单元的比较量化指标集选择部基于群体性质信息来选择用于比较的量化指标集作为比较量化指标集；参照两个图像的各分级量化指标代码，图像特征比较单元的比较量化指标获取单元针对各图像中的各量化目标区域从分级量化指标代码唯一指定的相应分级的量化指标之中获取在比较量化指标集中包括的量化指标作为比较量化指标；并且图像特征比较单元的量化指标比较单元针对各对应量化目标区域比 较两个图像的比较量化指标，并且基于其量化指标重合的量化目标区域的数目来计算两个图像的同一性尺度。 

另外，可以通过向计算机中安装程序来实现该图像同一性尺度计算系统。具体而言，本发明的另一实施例的一种计算机程序产品包括用于使计算代表两个图像的同一性程度的同一性尺度的计算机作为图像特征比较单元来工作的计算机可实施指令，该图像特征比较单元被配置成：被供应有分级量化指标代码作为输入，这些分级量化指标代码是如下编码，该编码允许对根据提前定义的分级量化方法针对两个图像的各量化目标区域通过分级量化计算的多个分级的量化指标的唯一指定；基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集；并且通过使用比较量化指标集来比较两个图像的分级量化指标代码，由此计算两个图像的同一性尺度。 

另外，该计算机程序产品具有如下配置：另外供应的信息是代表两个图像或者其中的至少一个图像所属群体的性质的群体性质信息。 

另外，该计算机程序产品包括用于使计算机作为图像特征提取单元来工作的计算机可实施指令，该图像特征提取单元被配置成根据分级量化方法执行分级量化以针对两个图像的各量化目标区域计算多个分级的量化指标并且输出编码的分级量化指标代码，该编码允许对各量化目标区域的相应分级的量化指标的唯一指定。 

另外，该计算机程序产品具有如下配置：图像特征提取单元包括：下一分级量化方法选择单元，配置成根据分级量化方法针对各量化目标区域在供应更高分级的量化指标作为反馈的情况下选择用于与供应的量化指标对应的更低分级的量化方法，而在未供应量化指标的情况下选择用于最高分级的量化方法；特征提取单元，配置成针对各量化目标区域从向其输入的图像提取由所选量化方法使用的特征； 

量化指标计算单元，配置成针对各量化目标区域根据所选量化方法来量化提取的特征以计算量化指标并且在计算的量化指标，并且在计算的量化指标并非最低分级的情况下向下一分级量化方法选择单元供应量化指标作为反馈；以及分级量化指标代码输出单元，配置成在针对各量化目标区域计算相应分级的量化指标时计算和输出编码的分级量化指标代码，该编码允许对各量化目标区域的相应分级的量化指标的唯一指定。 

另外，该计算机程序产品具有如下配置：图像特征比较单元包括：比较量化指标集选择部，配置成基于群体性质信息来选择用于比较的量化指标集作为比较量化指标集；比较量化指标获取单元，配置成参照两个图像的各分级量化指标代码针对各图像中的各量化目标区域从分级量化指标代码唯一指定的相应分级的量化指标之中获取在比较量化指标集中包括的量化指标作为比较量化指标；以及量化指标比较单元，配置成针对各对应量化目标区域比较两个图像的比较量化指标，并且基于其量化指标重合的量化目标区域的数目来计算两个图像的同一性尺度。 

具有前述配置的图像同一性尺度计算方法或者程序的发明具有与上述图像同一性尺度计算系统类似的效果并且因此可以实现本发明的前述目的。 

虽然上文已经在相应实施例中说明本发明，但是本发明并不限于前述实施例。可以在本发明的范围内以本领域技术人员可以理解的各种方式更改本发明的配置和细节。 

本发明是基于于2008年9月1日提交的第2008-223388号日本专利申请，并且要求该申请的优先权，该申请的全文在此通过引用并入本文。 

产业上的可利用性 

例如，本发明可以用于检测图像和移动图像的非法副本。例如，本发明可以用于一种检测在因特网上向图像/移动图像共享服务等非法发布图像和移动图像的系统。另外，由于有可能在产生图像和移动图像时(例如在广播站)检测在原始图像/移动图像与编辑的图像/ 移动图像之间的链接，所以也有可能使用为一种管理编辑历史的系统。 

符号说明 

11-图像特征提取设备 

111-特征提取单元 

112-量化指标计算单元 

12-图像特征比较设备 

121-量化指标比较单元 

01-图像特征提取设备 

011-下一分级量化方法选择单元 

012-特征提取单元 

013-量化指标计算单元 

014-分级量化指标代码输出单元 

02-图像特征比较设备 

2A-图像特征比较单元 

021-比较量化指标集选择部 

021A-比较量化指标集选择部 

021A1-候选量化指标集选择单元 

021A2-定义条件确定单元 

021B-比较量化指标集选择部 

021C-比较量化指标集选择部 

021D-比较量化指标集选择部 

022-比较量化指标获取单元 

023-量化指标比较单元 

023A-量化指标比较单元 

03-群体量化指标出现频率计算单元 

04-同一性确定单元 

Claims (16)

1.一种图像同一性尺度计算系统，配置成计算代表两个图像的同一性程度的同一性尺度，所述系统包括：

图像特征比较单元，配置成：根据提前定义的分级量化方法，被供应有分级量化指标代码作为输入，所述分级量化指标代码是如下编码，该编码允许对分级量化针对所述两个图像的各量化目标区域计算的多个分级的量化指标的唯一指定；基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集；并且通过使用所述比较量化指标集来比较所述两个图像的所述分级量化指标代码，由此计算所述两个图像的同一性尺度。

2.根据权利要求1所述的图像同一性尺度计算系统，其中所述另外供应的信息是代表所述两个图像或者其中的至少一个图像所属群体的性质的群体性质信息。

3.根据权利要求2所述的图像同一性尺度计算系统，包括：图像特征提取单元，配置成针对所述两个图像的各量化目标区域根据所述分级量化方法执行分级量化以计算多个分级的量化指标，并且输出所述分级量化指标代码，所述分级量化指标代码是如下编码，该编码允许对各量化目标区域的所述相应分级的量化指标的唯一指定。

4.根据权利要求3所述的图像同一性尺度计算系统，其中所述图像特征提取单元包括：

下一分级量化方法选择单元，配置成针对各量化目标区域根据所述分级量化方法在供应更高分级的量化指标作为反馈时选择用于与所述供应的量化指标对应的更低分级的量化方法，而在未供应量化指标时选择用于最高分级的量化方法；

特征提取单元，配置成针对各量化目标区域从向其输入的图像提取由所述选择的量化方法使用的特征；

量化指标计算单元，配置成针对各量化目标区域根据所述选择的量化方法来量化所述提取的特征以计算量化指标，并且在所述计算的量化指标并非最低分级的情况下向所述下一分级量化方法选择单元供应所述量化指标作为反馈；以及

分级量化指标代码输出单元，配置成在针对各量化目标区域计算所述相应分级的量化指标时计算和输出所述分级量化指标代码，所述分级量化指标代码是所述编码，所述编码允许对各量化目标区域的所述相应分级的所述量化指标的唯一指定。

5.根据权利要求2所述的图像同一性尺度计算系统，其中所述图像特征比较单元包括：

比较量化指标集选择部，配置成基于所述群体性质信息来选择用于比较的量化指标集作为比较量化指标集；

比较量化指标获取单元，配置成参照所述两个图像的各所述分级量化指标代码针对各所述图像中的各量化目标区域从所述分级量化指标代码唯一指定的所述相应分级的所述量化指标之中获取在所述比较量化指标集中包括的量化指标作为比较量化指标；以及

量化指标比较单元，配置成针对各对应量化目标区域比较所述两个图像的所述比较量化指标，并且基于其量化指标重合的量化目标区域的数目来计算所述两个图像的同一性尺度。

6.根据权利要求2所述的图像同一性尺度计算系统，其中所述量化目标区域是图像的一个或者多个局部区域。

7.根据权利要求2所述的图像同一性尺度计算系统，其中所述分级量化方法由量化方法组成，通过所述量化方法，计算的量化指标在更高分级中更耐受各种图像更改过程。

8.根据权利要求2所述的图像同一性尺度计算系统，其中用于所述分级量化方法的各分级的量化方法是如下量化方法，通过该量化方法，在并未假定具体群体的一般图像中，该量化方法分类的多个量化指标被几乎均匀分类。

9.根据权利要求2所述的图像同一性尺度计算系统，其中所述群体是在所述两个图像或者其中的至少一个图像所属分类中包括的图像组。

10.根据权利要求2所述的图像同一性尺度计算系统，其中所述群体是在所述两个图像或者其中的至少一个图像所属数据库中或者在其具体子集中包括的图像组。

11.根据权利要求2所述的图像同一性尺度计算系统，其中所述两个图像或者其中的至少一个图像是移动图像的帧，并且所述群体是在所述两个图像或者其中的至少一个所属移动图像中或者在所述移动图像的部分节选中包括的帧组。

12.一种图像同一性尺度计算方法，用于计算代表两个图像的同一性程度的同一性尺度，所述方法包括：

图像特征比较单元被供应有分级量化指标代码作为输入，所述分级量化指标代码是如下编码，该编码允许对由分级量化根据提前定义的分级量化方法针对所述两个图像的各量化目标区域计算的多个分级的量化指标的唯一指定；基于另外供应的信息来选择用于比较的量化指标集作为比较量化指标集；通过使用所述比较量化指标集来比较所述两个图像的所述分级量化指标代码，由此计算所述两个图像的同一性尺度。

13.根据权利要求12所述的图像同一性尺度计算方法，其中所述另外供应的信息是代表所述两个图像或者其中的至少一个图像所属群体的性质的群体性质信息。

14.根据权利要求13所述的图像同一性尺度计算方法，包括：

图像特征提取单元根据所述分级量化方法来分级量化以针对所述两个图像的各量化目标区域计算多个分级的量化指标，并且向所述图像特征比较单元输出分级量化指标代码，所述分级量化指标代码是如下编码，该编码允许对各量化目标区域的各分级的量化指标的唯一指定。

15.根据权利要求14所述的图像同一性尺度计算方法，包括：

所述图像特征提取单元的下一分级量化方法选择单元根据所述分级量化方法针对各量化目标区域在供应更高分级的量化指标作为反馈的情况下选择用于与所述供应的量化指标对应的更低分级的量化方法，而在未供应量化指标的情况下选择用于最高分级的量化方法；

所述图像特征提取单元的特征提取单元针对各量化目标区域从输入的图像提取由所述选择的量化方法使用的特征；

所述图像特征提取单元的量化指标计算单元针对各量化目标区域根据所述选择的量化方法执行对所述提取的特征的量化以计算量化指标，在所述计算的量化指标并非最低分级的情况下向所述下一分级量化方法选择单元供应所述量化指标作为反馈；并且

当针对各量化目标区域计算各分级的量化指标时，所述图像特征提取单元的分级量化指标代码输出单元计算和输出分级量化指标代码，所述分级量化指标代码是如下编码，该编码允许对各量化目标区域的相应分级的所述量化指标的唯一指定。

16.根据权利要求13所述的图像同一性尺度计算方法，包括：

所述图像特征比较单元的比较量化指标集选择部基于所述群体性质信息来选择用于比较的量化指标集作为比较量化指标集；

参照所述两个图像的各所述分级量化指标代码，所述图像特征比较单元的比较量化指标获取单元针对各所述图像中的各量化目标区域从所述分级量化指标代码唯一指定的所述相应分级的所述量化指标之中获取在所述比较量化指标集中包括的量化指标作为比较量化指标；并且

所述图像特征比较单元的量化指标比较单元针对各对应量化目标区域比较所述两个图像的所述比较量化指标并且基于其量化指标重合的量化目标区域的数目来计算所述两个图像的同一性尺度。

Images