CN102629325A - 图像特征提取方法和装置及图像拷贝检测方法和系统 - Google Patents
图像特征提取方法和装置及图像拷贝检测方法和系统 Download PDFInfo
- Publication number
- CN102629325A CN102629325A CN2012100649060A CN201210064906A CN102629325A CN 102629325 A CN102629325 A CN 102629325A CN 2012100649060 A CN2012100649060 A CN 2012100649060A CN 201210064906 A CN201210064906 A CN 201210064906A CN 102629325 A CN102629325 A CN 102629325A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic
- matrix
- pixel
- dimension
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了图像特征提取方法和装置及图像拷贝检测方法和系统,该图像特征提取方法包括:将被提取图像缩放到K维灰度矩阵中;对该矩阵中每个点位,结合其它像素点的位置与灰度值,计算特征值,形成两个K维的图像特征矩阵;再从这两个特征矩阵中各选取两个具有最大值的点作为特征点,并以这四个特征点形成三条表示图像特征的线段,获得所述被提取图像的特征。由于在提取图像特征时,不依赖图像本身的颜色信息、与图像尺寸无关,在对大尺寸彩色图像进行特征抽取时没有额外的开销;对图像特征提取的过程中采用特征线段,只要图像结构没有明显变化,图像特征线段相对稳定,就具有较高的检测精度,并具有探测攻击类型并分析攻击强度的功能。
Description
技术领域
本发明涉及通用图像数据的图像分析技术领域,尤其涉及的是图像拷贝检测技术领域。
背景技术
基于图像内容的拷贝检测技术,简称图像拷贝检测,作为一项重要的数字图像管理技术,已成为当前研究的热点。图像拷贝检测的任务是:给定被检测图像,在图像库中进行查找,检测是否存在内容相似或者相同的图像;如若存在,则被检测图像为拷贝图像。
拷贝图像是对源图像经过各种拷贝攻击而得,包括裁剪、旋转、加入字幕、噪音等。虽然经过拷贝攻击,但是拷贝图像与原图像在内容上是一致的,图像拷贝检测技术需要能够应对这些拷贝攻击。
数字图像由于表现直观、内容生动等特点,成为一种被人们广泛使用的信息载体,随着数字图像获取工具、编辑工具和相关技术的普及,获取、制作和修改图像变得越来越简单。
如今,越来越多的个人和组织出于不同的目的在网络上不听的传播自制图像,为数字图像内容管理、版权保护,特别是不良图像过滤带来了日益严重的挑战。
当前图像拷贝检测技术方案的关键在于图像特征的提取方法,在特征提取方面多数以提取颜色特征、纹理特征和变换域特征作为相关依据,而这些算法的重点往往关注图像的全局特征,对图像的颜色,亮度对比度的变化比较敏感,也不能有效的应对几何类失真攻击。
近年来,研究人员提出了基于局部特征的方法,即把图像表征为若干局部区块的集合,通过查询组成目标图像的区块来检测相关图像;由于该特征对常见的攻击方式具有一定的鲁棒性,因此应用广泛,但是该特征的计算复杂度较高,无法满足大规模数据下实时应用的需求。
因此,在图像拷贝检测领域,目前缺少既满足实时性要求又能够抵抗噪声类攻击与几何类攻击的拷贝检测方法。
发明内容
为解决上述问题,本发明提供了一种图像特征提取方法和装置以及图像拷贝检测方法和系统,能够提高检测精度与速度,满足实用性要求。
本发明的技术方案如下:
本发明公开了一种图像特征提取方法,包括:
步骤A,将被提取图像缩放到K维的灰度矩阵中,其中,K<=128;
步骤B,对缩放矩阵中每个点位,结合其它像素点的位置与灰度值,计算此点位的特征值,最终形成两个K维图像特征矩阵;
步骤C,从这两个特征矩阵中各选取两个具有最大值的像素点作为特征点,并以这四个特征点形成三条表示图像特征的线段,获得所述被提取图像的特征;
所述步骤A进一步为,
步骤A1,将被测图像灰度化,并将其缩放为K*K(K<=128)像素的大小;
步骤A2,抽取被缩放后的图像灰度值,形成K(K<=128)维矩阵。
所述步骤B进一步为,
步骤B1,对矩阵中的每个点,计算其附近点对其影响值的和,以矩阵中的每个点的下标为其在二维平面上的位置坐标,以每个像素点的灰度值为其“信息分量”,其它象素对自身的“影响值”与两者之间的欧式距离成反比,与其它象素的“信息分量”成正比,其附近点的定义为与其距离小于等于K/8的点,计算完成后形成K维局部特征矩阵。
步骤B2,对矩阵中的每个点,计算其外围点对其影响值的和,其影响值计算方法与步骤31相同,其外围点的定义为与其距离大于K/8的点,计算完成后形成K维全局特征矩阵;
所述步骤C进一步为,
步骤C1,选取局部特征矩阵中最大值作为第一特征点,
步骤C2,选取局部特征矩阵除距第一特征点距离小于等于K/8的点中具有最大值的点,作为第二特征点;
步骤C3,选取全局特征矩阵中的最大值作为第三特征点;
步骤C4,选取全局特征矩阵除距第三特征点距离大于k/8的点中具有最大值的点,作为第四特征点;
步骤C5,以第三特征点位端点分别连接第一特征点、第二特征点和第四特征点,形成三条共用第三特征点的线段。
本发明还公开了一种应用上述图像特征提取方法的图像拷贝检测方法,包括:
步骤D,按上述图像特征提取方法提取被检测图像的图像特征,计算每一个所述图像特征的特征线段;
步骤E,对图像库中的每一幅图像,按上述图像特征提取方法提取所有图像的特征线段;
步骤F,根据所述被检测图像和所述图像库中图像的特征线段进行拷贝检测。
所述步骤D进一步包括,对图像库中的每一幅图像,按所述图像特征提取方法提取所有图像的特征线段;将得到的各图像库中图像的特征线段的长度、与水平线段沿逆时针旋转得到的角度、两两线段之间的交角以及第三个特征点的坐标值封装成结构体,形成特征分量,保存在一个特征分量链表中;
所述步骤E进一步包括,以被检测图像的特征分量为基准,对所述特征分量链表中的结点进行评分,其中各个分量差小于阈值的匹配成功并取得相应分数,同时匹配成功的可得附加分,匹配不成功则扣分;其中距离差的阈值为K/32,角度类分量的阈值分别为arcsin Kl/32,l为特征线段的长度;最后其得分超过预设阈值的图像为被测图像相似的图像。
本发明还公开了一种图像特征提取装置,包括:
被检测图像预处理模块,用于生成被提取图像的K维灰度矩阵;
特征提取模块,用于对所述K维灰度矩阵进行影响值的计算,形成1个局部特征矩阵和1个全局特征矩阵,并依上述图像特征提取方法形成3条特征线段。
所述被检测图像预处理模块进一步用于对不同格式的图像进行灰度化并缩放到所述K维矩阵中;所述预处理过程具体是对于每一幅高H宽W的灰度图像,长缩小H/K倍、宽缩小W/K倍,而形成所述K维矩阵,矩阵中个元素的值为0到1之间的像素灰度值。
所述特征提取模块进一步用于对所述K维灰度矩阵,计算其附近点对其影响值的和;以矩阵中的每个点的下标为其在二维平面上的位置坐标,以每个像素点的灰度值为其“信息分量”,其它象素对自身的“影响值”与两者之间的欧式距离成反比,与其它象素的“信息分量”成正比,其附近点的定义为与其距离小于等于K/8的点,计算完成后形成K维局部特征矩阵,对矩阵中的每个点,计算其外围点对其影响值的和,其外围点的定义为与其距离大于K/8的点,计算完成后形成K维全局特征矩阵。
所述特征提取模块还进一步用于在所述的K维局部特征矩阵与K维全局特征矩阵中选取4个特征点;选取局部特征矩阵中最大值作为第一个特征点,选取局部特征矩阵除距第一个特征点距离小于K/8的点中具有最大值的点,作为第二个特征点,选取全局特征矩阵中的最大值作为第三个特征点,选取全局特征矩阵除距第三个特征点距离小于k/8的点中具有最大值的点,作为第四个特征点,以第三个特征点位端点分别连接第一、第二、第四个特征点,形成三条共用一个端点的线段,此为所述特征提取模块提取出的被检测图像特征线段。
本发明还公开了一种图像拷贝检测系统,包括:
如前所述的图像特征提取装置,
被检测图像特征生成模块,用于使用所述图像特征提取装置提取被检测图像的图像特征,计算每一个所述图像特征线段的特征分量;
图像库特征生成模块,用于对图像库中的每一幅图像,使用所述图像特征提取装置提取所有图像的图像特征线段,计算所述图像特征线段的特征分量,包括特征线段的长度、与水平线段沿逆时针旋转得到的角度、三条线段彼此间的交角,第三个特征点的坐标值;
图像拷贝检测模块,用于根据所述图像特征线段的各个特征分量进行拷贝检测。
所述图像库特征生成模块进一步用于对图像库中的每一幅图像,使用所述图像特征提取装置提取所有图像的图像特征线段,计算所述图像特征线段的各个特征分量;将图像库中所有的图像特征线段的特征分量保存在特征分量链表中;
所述图像拷贝检测模块进一步用于以被检测图像的每个特征线段为查询点,对所述特征分量链表中的结点进行评分,其中各个特征分量差小于阈值的匹配成功并取得相应分数,同时匹配成功的可得附加分,匹配不成功则扣分;其中距离差的阈值为K/32,角度类分量的阈值分别为arcsin Kl/32,l为特征线段的长度;最后其得分超过预设阈值的图像为被测图像相似的图像。
本发明所提供的图像特征提取方法和装置及图像拷贝检测方法和系统,由于在提取图像特征时,不依赖图像本身的颜色信息、与图像尺寸无关,在对大尺寸彩色图像进行特征抽取时没有额外的开销;对图像特征提取的过程中采用特征线段,只要图像结构没有明显变化,图像特征线段相对稳定,就具有较高的检测精度,并具有探测攻击类型并分析攻击强度的功能。另外,在计算特征线段的过程中还可以通过并行算法设计提高计算效率满足实时性需求。
附图说明
图1是本发明图像特征提取方法的流程图。
图2是本发明图像拷贝检测方法的流程图。
图3是本发明图像特征提取装置的结构图。
图4是本发明图像拷贝检测系统的结构图。
图5是本发明经过灰度化并被缩放到64*64的被检测图像示例。
图6是本发明图5的64维局部特征矩阵曲线图。
图7是本发明图5的64维全局特征矩阵曲线图。
图8是本发明用表示图5图像特征的三条线段从图像库中拷贝检测到的相似图像。
具体实施方式
以下将结合附图,对本发明的具体实施方式和实施例加以详细说明,所描述的具体实施例仅用以解释本发明,并非用于限定本发明的具体实施方式。
如图1所示,图1是本发明图像特征提取方法的流程图,所述图像特征提取方法包括:
步骤S110,在被提取图像中提取K维灰度图像矩阵,其中K<=128;即:对被提取图像进行预处理,将其缩放到K(K<=128)维的灰度方阵;
步骤S120,对缩放方阵中每个点位,计算此点位的特征值,形成2个K维图像特征方阵,即:对所述K维灰度图像矩阵进行影响值的处理,就其中的每个像素点,计算其附近点对其影响值的和以及外围点对其影响值的和,对应生成一个局部图像特征矩阵和一个全局图像特征矩阵;
步骤S130,在所述K维局部图像特征矩阵和所述K维全局图像特征矩阵中共寻找4个点,并以此4个点形成可表征图像特征的特征线段。
在本发明图像特征提取方法的优选实施方式中,所述步骤S110进一步包括:
步骤S111,可对不同格式的图像进行灰度化处理,形成与被检测图像原始大小相同的灰度化图像矩阵;
步骤S112,将所述灰度化图像矩阵缩放到K维矩阵中,例如,对于每一幅高H、宽W的灰度图像,长缩小H/K倍、宽缩小W/K倍,形成K维矩阵,矩阵中个元素的值为0到1之间的像素灰度值。
所述步骤S120进一步包括:
步骤S121,以所述K维图像灰度矩阵中每个点的下标为其在二维平面上的位置坐标,以每个像素点的灰度值为其“信息分量”,如公式一所示,其附近点定义为与其距离小于等于K/8的点,计算完成后形成K维局部特征矩阵。
公式一:
。
步骤S122,以所述K维图像灰度矩阵中每个点的下标为其在二维平面上的位置坐标,以每个像素点的灰度值为其“信息分量”,如公式二所示,其外围点的定义为与其距离大于K/8的点,计算完成后形成K维全局特征矩阵。
公式二:
所述步骤S130进一步包括:
步骤S131,选取所述K维局部特征矩阵中具有最大值的点作为第一特征点;
步骤S132,选取所述K维局部特征矩阵除第一特征点外与其距离小于等于K/8的点中具有最大值的点,作为第二特征点,即:除去局部特征矩阵中具有最大值的第一特征点,在与该第一特征点距离小于等于K/8的点中再选取一个具有最大值的点作为第二特征点;
步骤S133,选取所述K维全局特征矩阵中的最大值作为第三特征点;
步骤S134,选取所述K维全局特征矩阵除第三特征点外与其距离大于k/8的点中具有最大值的点,作为第四特征点,即:除去全局特征矩阵中具有最大值的第三特征点,在与该第三特征点距离大于K/8的点中再选取一个具有最大值的点作为第四特征点;
步骤S135,以所述第三特征点为端点分别连接所述第一特征点、第二特征点以及第四特征点,形成三条共用所述第三特征点的线段。
如图2所示,图2是本发明图像拷贝检测方法的流程图,基于上述图像特征提取方法,本发明还提出了一种应用上述图像特征提取方法的图像拷贝检测方法,该图像拷贝检测方法包括:
步骤S210,按所述图像特征提取方法提取被检测图像的图像特征点,计算被检测图像的特征线段,即:提取被检测图像的图像特征线段,对每一个图像的特征线段,计算其各特征分量的值;
步骤S220,对图像库中每一幅图像,也按所述图像特征提取方法提取所有图像的图像特征线段,计算每一个所述图像特征的特征线段,即:对图像库中的每一幅图像,按所述图像特征提取方法提取所有图像的特征线段,计算每一个图像特征线段的各个特征分量;
步骤S230,根据所述被检测图像的特征线段与图像库中图像的特征线段进行拷贝检测。
其中,所述步骤S210进一步为,
步骤S221,对图像库中的每一幅图像,按所述图像特征提取方法提取所有图像的特征线段,计算所述图像特征线段的各特征分量并保存在一个链表中,即将得到的各图像库中图像的特征线段的长度、与水平线段沿逆时针旋转得到的角度、两两线段之间的交角以及部分特征点的坐标值封装成结构体,形成特征分量并保存在特征分量链表中。
所述步骤S230进一步为,
步骤S231,以被检测图像特征线段的各特征分量为基准,与所述特征线段链表中的结点进行评分,其中各个特征分量差小于阈值的匹配成功并取得相应分数x,同时匹配成功的可得附加分y,匹配不成功则扣分z,若x,y,z为0.5则阈值为2有较好的检测效果;其中距离差的阈值为K/32,角度类分量的阈值分别为arcsin Kl/32,l为征线段的长度,最后其得分超过预设阈值的图像为被测图像相似的图像。
基于上述图像特征提取方法,本发明还提出了一种图像特征提取装置,如图3所示,图3是本发明图像特征提取装置的结构图,所述图像特征提取装置包括:
被检测图像预处理模块,即K维灰度矩阵获得模块310,用于获得所测图片的K维灰度矩阵;
特征线段提取模块,即特征提取模块320,用于依据所述K维灰度矩阵计算图像局部特征矩阵和图像全局特征矩阵,并通过上述图像特征提取方法在此两个矩阵中寻找4个点,形成表征图像特征的线段。
所述被检测图像预处理模块还用于对不同格式的图像进行灰度化并缩放到所述K维矩阵中,对于每一幅高H、宽W的灰度图像,长缩小H/K倍、宽缩小W/K倍,而形成K维矩阵,所述K维矩阵中个元素的值为0到1之间的像素灰度值。
基于上述图像特征提取装置,本发明还提出了一种图像拷贝检测系统,如图4所示,图4是本发明图像拷贝检测系统的结构图,该图像拷贝检测系统包括:
所述图像特征提取装置410,用于通过前述图像特征提取方法提取图像特征;
被检测图像特征生成模块420,用于使用所述图像特征线段提取装置101提取被检测图像的图像特征线段,并计算图像特征线段的各特征分量;
图像库特征生成模块430,用于对图像库中的每一幅图像,使用所述图像特征线段提取装置410提取所有图像的图像特征线段,并计算图像特征线段的各特征分量;
图像拷贝检测模块440,用于根据所述特征线段的各特征分量进行拷贝检测。
所述图像库特征生成模块430还用于将得到的各图像库中图像的特征线段的长度、与水平线段沿逆时针旋转得到的角度、两两线段之间的交角以及部分特征点的坐标值封装成结构体,形成特征分量并保存在特征分量链表中。
所述图像拷贝检测模块440还用于以被检测图像的每个特征线段为查询点,对所述特征分量链表中的结点进行评分,对各个特征分量差与其阈值进行匹配,匹配成功的可得附加分,匹配不成功则扣分;其中,距离差的阈值为K/32,角度类分量的阈值分别为arcsin Kl/32,l为特征线段的长度,最后其得分超过预设阈值的图像为被测图像相似的图像。
如图5所示,图5是本发明经过灰度化并被缩放到64*64的图像示例,将被提取图像灰度化后缩放到64维灰度矩阵中;对于缩放矩阵中每个点位,结合其它像素点的位置与灰度值,计算此点位的特征值,形成2个的图像特征矩阵:64维局部特征矩阵和64维全局特征矩阵,结合图6和图7所示,图6是本发明图5的64维局部特征矩阵曲线图,图7是本发明图5的64维全局特征矩阵曲线图,再从这两个特征矩阵中分别选取2个具有最大值的点作为特征点,并以这4个特征点形成3条表示图像特征的线段,获得所述被提取图像的特征,分别从图6和图7中各找出两个点共四个点作为特征点,并以64维全局特征矩阵中具有最大值的第三特征点为共用端点,形成表示被提取图像特征的三条线段,结合图8所示,图8是本发明用表示图5图像特征的三条线段从图像库中拷贝检测到的相似图像。
与现有技术中的图像特征提取方法和装置以及图像拷贝检测方法和系统相比,本发明所提供的图像特征提取方法及装置和图像拷贝检测方法及系统,由于在提取图像特征时,不依赖图像本身的颜色信息、与图像尺寸无关,在对大尺寸彩色图像进行特征抽取时没有额外的开销;对图像特征提取的过程中采用特征线段,只要图像结构没有明显变化,图像特征线段相对稳定,就具有较高的检测精度,并具有探测攻击类型并分析攻击强度的功能。另外,在计算特征线段的过程中还可以通过并行算法设计提高计算效率满足实时性需求。
应当理解的是,以上所述仅为本发明的较佳实施例而已,并不足以限制本发明的技术方案,对本领域普通技术人员来说,在本发明的精神和原则之内,可以根据上述说明加以增减、替换、变换或改进,而所有这些增减、替换、变换或改进后的技术方案,都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种图像特征提取方法,其特征在于,包括以下步骤:
将被提取图像缩放到K维灰度矩阵中;
计算所述K维灰度矩阵中像素点的特征值,形成K维图像特征矩阵;
从所述K维图像特征矩阵中选取具有最大值的像素点作为特征点,并形成表示图像特征的线段,以获得被提取图像的特征。
2.根据权利要求1所述的图像特征提取方法,其特征在于,计算所述K维灰度矩阵中像素点的特征值形成所述K维图像特征矩阵时,包括:
以与所计算像素点的距离小于等于K/8的像素点作为附近像素点,结合所述附近像素点的位置和灰度值,形成K维局部特征矩阵;
以与所计算像素点的距离大于K/8的像素点作为外围像素点,结合所述外围像素点的位置和灰度值,形成K维全局特征矩阵。
3.根据权利要求2所述的图像特征提取方法,其特征在于,包括:
形成所述K维局部特征矩阵时,以所述K维灰度矩阵中像素点的下标为二维平面上的位置坐标,以所述K维灰度矩阵中像素点的灰度值为信息分量,计算所述附近像素点对其影响值的和:与两者之间的欧式距离成反比,与所述信息分量成正比;
形成所述K维全局特征矩阵时,以所述K维灰度矩阵中像素点的下标为二维平面上的位置坐标,以所述K维灰度矩阵中像素点的灰度值为信息分量,计算所述外围像素点对其影响值的和:与两者之间的欧式距离成反比,与所述信息分量成正比。
4.根据权利要求2所述的图像特征提取方法,其特征在于,从所述K维图像特征矩阵中选取具有最大值的像素点作为特征点并形成表示图像特征的线段时,包括:
在所述K维局部特征矩阵中,选取具有最大值的像素点作为第一特征点,选取其附近像素点中具有最大值的像素点作为第二特征点;
在所述K维全局特征矩阵中,选取具有最大值的像素点作为第三特征点,选取其外围像素点中具有最大值的像素点作为第四特征点;
以所述第三特征点为端点分别连接所述第一特征点、第二特征点和第三特征点,形成三条共用一个端点的线段。
5.一种应用权利要求1至4中任一项所述的图像特征提取方法的图像拷贝检测方法,其特征在于,包括以下步骤:
按所述图像特征提取方法提取被检测图像的图像特征,计算每一个所述图像特征的特征线段;
对图像库中的每一幅图像,按所述图像特征提取方法提取所有图像的特征线段,计算每一个所述图像特征的特征线段;
根据所述被检测图像的特征线段与所述图像库中图像的特征线段进行拷贝检测。
6.根据权利要求5所述的图像拷贝检测方法,其特征在于,包括:
将得到的各图像库中图像的特征线段的长度、与水平线段沿逆时针旋转得到的角度、两两线段之间的交角以及部分特征点的坐标值封装成结构体,形成特征分量并保存在特征分量链表中。
7.根据权利要求6所述的图像拷贝检测方法,其特征在于,拷贝检测时还包括以被检测图像的每个特征线段为查询点,对所述特征分量链表中的结点进行评分,对各个特征分量差与其阈值进行匹配,匹配成功的可得附加分,匹配不成功则扣分;其中,距离差的阈值为K/32,角度类分量的阈值分别为arcsin Kl/32,l为特征线段的长度,最后其得分超过预设阈值的图像为被测图像相似的图像。
8.一种图像特征提取装置,其特征在于,包括:
被检测图像预处理模块,用于将被提取图像缩放到K维灰度矩阵中;
图像特征矩阵生成模块,用于计算所述K维灰度矩阵中像素点的特征值,形成K维图像特征矩阵;
特征提取模块,用于从所述K维图像特征矩阵中选取具有最大值的像素点作为特征点,并形成表示图像特征的线段,以获得被提取图像的特征。
9.根据权利要求8所述的图像特征提取装置,其特征在于,所述被检测图像预处理模块还用于对不同格式的图像进行灰度化并缩放到所述K维矩阵中,对于每一幅高H、宽W的灰度图像,长缩小H/K倍、宽缩小W/K倍,而形成K维矩阵,所述K维矩阵中个元素的值为0到1之间的像素灰度值。
10.一种图像拷贝检测系统,其特征在于,包括:
被检测图像特征生成模块,用于按所述图像特征提取方法提取被检测图像的图像特征,计算每一个所述图像特征的特征线段;
图像库特征生成模块,用于对图像库中的每一幅图像,按所述图像特征提取方法提取所有图像的特征线段,计算每一个所述图像特征的特征线段;
图像拷贝检测模块,用于根据所述被检测图像的特征线段和所述图像库中图像的特征线段进行拷贝检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210064906.0A CN102629325B (zh) | 2012-03-13 | 2012-03-13 | 图像特征提取方法和装置及图像拷贝检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210064906.0A CN102629325B (zh) | 2012-03-13 | 2012-03-13 | 图像特征提取方法和装置及图像拷贝检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102629325A true CN102629325A (zh) | 2012-08-08 |
CN102629325B CN102629325B (zh) | 2014-06-04 |
Family
ID=46587583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210064906.0A Expired - Fee Related CN102629325B (zh) | 2012-03-13 | 2012-03-13 | 图像特征提取方法和装置及图像拷贝检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102629325B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870828A (zh) * | 2012-12-17 | 2014-06-18 | 富泰华工业(深圳)有限公司 | 图像相似度判断系统及方法 |
CN104462873A (zh) * | 2013-09-13 | 2015-03-25 | 北大方正集团有限公司 | 一种图片处理方法和装置 |
CN105740858A (zh) * | 2016-01-26 | 2016-07-06 | 南京风力舰信息技术有限公司 | 一种基于感兴趣区域提取的图像拷贝检测方法 |
CN108764327A (zh) * | 2018-05-23 | 2018-11-06 | 北京五八信息技术有限公司 | 图像模板检测方法、装置、计算设备及可读存储介质 |
CN109657083A (zh) * | 2018-12-27 | 2019-04-19 | 广州华迅网络科技有限公司 | 纺织品图片特征库的建立方法和装置 |
CN114549993A (zh) * | 2022-02-28 | 2022-05-27 | 成都西交智汇大数据科技有限公司 | 实验中线段图像的评分方法、系统、设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1445722A (zh) * | 2002-03-14 | 2003-10-01 | 精工爱普生株式会社 | 基于内容的图像副本检测方法和装置 |
CN101719275A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院计算技术研究所 | 图像特征点提取和实现方法、图像拷贝检测方法及其系统 |
-
2012
- 2012-03-13 CN CN201210064906.0A patent/CN102629325B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1445722A (zh) * | 2002-03-14 | 2003-10-01 | 精工爱普生株式会社 | 基于内容的图像副本检测方法和装置 |
CN101719275A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院计算技术研究所 | 图像特征点提取和实现方法、图像拷贝检测方法及其系统 |
Non-Patent Citations (2)
Title |
---|
李晓威: "面向拷贝检测的图像特征提取技术研究", 《中国优秀硕士学位论文全文数据库》 * |
项俊: "基于局部特征的拷贝检测方法的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870828A (zh) * | 2012-12-17 | 2014-06-18 | 富泰华工业(深圳)有限公司 | 图像相似度判断系统及方法 |
CN103870828B (zh) * | 2012-12-17 | 2018-06-15 | 富泰华工业(深圳)有限公司 | 图像相似度判断系统及方法 |
CN104462873A (zh) * | 2013-09-13 | 2015-03-25 | 北大方正集团有限公司 | 一种图片处理方法和装置 |
CN105740858A (zh) * | 2016-01-26 | 2016-07-06 | 南京风力舰信息技术有限公司 | 一种基于感兴趣区域提取的图像拷贝检测方法 |
CN105740858B (zh) * | 2016-01-26 | 2018-12-25 | 南京风力舰信息技术有限公司 | 一种基于感兴趣区域提取的图像拷贝检测方法 |
CN108764327A (zh) * | 2018-05-23 | 2018-11-06 | 北京五八信息技术有限公司 | 图像模板检测方法、装置、计算设备及可读存储介质 |
CN108764327B (zh) * | 2018-05-23 | 2022-04-05 | 北京五八信息技术有限公司 | 图像模板检测方法、装置、计算设备及可读存储介质 |
CN109657083A (zh) * | 2018-12-27 | 2019-04-19 | 广州华迅网络科技有限公司 | 纺织品图片特征库的建立方法和装置 |
CN114549993A (zh) * | 2022-02-28 | 2022-05-27 | 成都西交智汇大数据科技有限公司 | 实验中线段图像的评分方法、系统、设备及可读存储介质 |
CN114549993B (zh) * | 2022-02-28 | 2022-11-11 | 成都西交智汇大数据科技有限公司 | 实验中线段图像的评分方法、系统、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102629325B (zh) | 2014-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Local background enclosure for RGB-D salient object detection | |
Bi et al. | Fast copy-move forgery detection using local bidirectional coherency error refinement | |
US7929728B2 (en) | Method and apparatus for tracking a movable object | |
CN101719275B (zh) | 图像特征点提取和实现方法、图像拷贝检测方法及其系统 | |
CN102629325B (zh) | 图像特征提取方法和装置及图像拷贝检测方法和系统 | |
KR101548928B1 (ko) | 불변적인 시각적 장면 및 객체 인식 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
Uchiyama et al. | Toward augmenting everything: Detecting and tracking geometrical features on planar objects | |
CN101447070B (zh) | 基于典型相关分析的2维矢量图的数字水印保护方法 | |
Song et al. | An automatic video image mosaic algorithm based on SIFT feature matching | |
CN107527348B (zh) | 基于多尺度分割的显著性检测方法 | |
CN100397400C (zh) | 图形检索的方法 | |
Kise et al. | Expansion of queries and databases for improving the retrieval accuracy of document portions: an application to a camera-pen system | |
Singh et al. | Copy move forgery detection on digital images | |
CN103034859B (zh) | 一种获取姿势模型的方法及装置 | |
Yang et al. | Contrast limited adaptive histogram equalization for an advanced stereo visual slam system | |
Zhao et al. | Effective digital image copy-move location algorithm robust to geometric transformations | |
Shen et al. | Auto-adaptive harris corner detection algorithm based on block processing | |
Yang et al. | Exposing photographic splicing by detecting the inconsistencies in shadows | |
Zhou et al. | On contrast combinations for visual saliency detection | |
Li et al. | A novel automatic image stitching algorithm for ceramic microscopic images | |
Dowson et al. | Image template matching using mutual information and NP-Windows | |
Hwang et al. | Painting alive: Handheld augmented reality system for large targets | |
Yang et al. | A robust scheme for copy detection of 3D object point clouds | |
Shen et al. | Efficient line matching with homography |
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: 20140604 Termination date: 20150313 |
|
EXPY | Termination of patent right or utility model |