CN103870597A - 一种无水印图片的搜索方法及装置 - Google Patents

Abstract

本发明实施例提供了一种无水印图片的搜索方法及装置，其中方法包括：首先，接收用户输入的待搜索图片，确定基准图片，然后使用基准图片对搜索结果中给出的多个图片进行图像配准，获取与待搜索图片对应的无水印图片，本发明通过对基于局部特征匹配的搜索结果进行进一步处理得到与用户输入的图片相近似的无水印的图片，抛弃包含水印的图片，从而显著提高了处理效率和准确度。

Description

一种无水印图片的搜索方法及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种无水印图片的搜索方法及装置。

背景技术

目前在网上搜索相关图片的方式，通常是用户输入图片相关的文本信息，搜索引擎基于该文本信息搜索相关的图片，另一种用户输入待识别图片信息，搜索引擎返回与该上传的图片相似的图片作为搜索结果。

目前基于搜索图片的技术中，搜索引擎在后台处理时，基于用户输入的待识别图片信息搜索到的海量的搜索结果中，常包含大量的水印图片，例如图1是一张无水印的图片，图2是与图1相似的但含有水印的图片，两者不同之处在于该图片右下角有水印，而用户一般的搜索图片需求是想要找到清晰的无水印的图片，但现在的搜索图片结果并不能很好的区分有水印和无水印图片，通常需要用户肉眼在搜索结果中进行辨认，因此用户使用时效率非常低下，结果也不直观；另外，也有相关厂商考虑通过人工标注的方式提前进行有无水印图片的区分，但是图片数据库中的数据量巨大（亿万级）人工预先标注存在处理效率低、工作量大的问题，并且，图片数据库每天更新的图片数据量大，人工标注的方式很难跟的上更新的进度，最终影响搜索引擎返回给用的结果。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种无水印图片的搜索方法及装置。

基于上述问题，本发明实施例提供的一种无水印图片的搜索方法，包括：

接收用户输入的待搜索图片，确定适于对搜索结果进行图像配准的基准图片；依据所述基准图片，对所述搜索结果中给出的多个图片进行图像配准，获取与所述待搜索图片对应的无水印图片。

本发明实施例提供的一种无水印图片的搜索装置，包括：

用户输入接口，适于接收用户输入的待搜索图片；

图片配准单元，适于确定用于对搜索结果进行图像配准的基准图片；

无水印图片获取单元，适于依据所述基准图片，对所述搜索结果中给出的多个图片进行图像配准，获取与所述待搜索图片对应的无水印图片。

本发明实施例的有益效果包括：

本发明实施例提供的无水印图片的搜索方法及装置，首先，接收用户输入的待搜索图片，确定基准图片，然后使用基准图片对搜索结果中给出的多个图片进行图像配准，获取与待搜索图片对应的无水印图片，采用本发明实施例提供的无水印图片的搜索方法及装置，通过对初步的搜索结果进行进一步处理得到与用户输入的图片相近似的无水印的图片，抛弃包含水印的图片，从而显著提高了处理效率和准确度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为无水印图片的一个例子；

图2为与图1相似的有水印的图片；

图3为本发明实施例提供的无水印图片的搜索方法的流程图；

图4为本发明实施例提供的确定基准图片的流程图；

图5为本发明实施例提供的图像配准以及根据图像配准确定变换信息的流程图；

图6为本发明实施例提供的根据变换信息计算精确平均图的流程图；

图7为本发明实施例提供的循环迭代的流程图；

图8为本发明实施例提供的无水印图片的搜索装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供的一种无水印图片的搜索方法，如图3所示，包括以下步骤：

S301、接收用户输入的待搜索图片；

本步骤S301中，用户输入的待搜索图片例如可以通过在搜索引擎提供的搜索框中使用拖拽、复制粘贴等方式输入，或者采用其他方式输入，在此不做限定。

S302、确定用于对搜索结果进行图像配准的基准图片；

本步骤S302中，搜索结果为一个初步的搜索结果，该初步的搜索结构可以采用一些现有的图片匹配方式搜索得到，例如采用基于用户输入的图片进行局部特征匹配得到的初步的搜索结果，该初步的搜索结果中给出的多张图片中，显然会包含具有水印的图片，因此，本发明实施例还需要对上述搜索结果进行S303的处理，保证经过处理后的搜索结果中的图片均为无水印图片。

基于用户输入的图片进行局部特征匹配得到搜索结果，在具体实施时，可以采用如下方式：从待匹配的图片中提取大量局部特征，将待匹配的图片表示为局部特征的集合。比较两幅图片的相似度时，以局部特征集合的重合比例作为比较标准，当两个图片的局部特征集合的重合比例高于某个固定阈值时则认为两幅图片匹配（即认为两者是相同的图片）。其中，图片特征提取的常见做法包括：使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为了不同的子集，这些子集往往属于图片上孤立的点、连续的曲线或者连续的区域。

S303、依据基准图片，对搜索结果中给出的多个图片进行图像配准，获取与待搜索图片对应的无水印图片。

下面分别对上述各步骤进行详细的说明。

上述S302中，确定用于对搜索结果进行图像配准的基准图片，如图4所示，具体包括下述步骤：

S41、将搜索结果中的各图片缩放到同一尺寸；

将搜索结果中的图片缩放到同一尺寸，例如都统一缩放到宽*高=100像素*100像素。

本次缩放的目的是为了后续计算粗略平均图的方便。

S42、将缩放后的各图片的像素取平均值，得到粗略平均图；

本步骤中，假设平均图为avgimg，img[i][j][k]表示图像img的i行j列第k个通道的亮度值，搜索结果中各图片经过缩放后的图片分别为{img₁,img₂,…,img_N;N=搜索结果中图片数量}，则：

$\mathrm{avgimg}\left[i\right]\left[j\right]\left[k\right]=\frac{1}{N}\underset{n-1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{img}}_n\left[i\right]\left[j\right]\left[k\right].$

S43、分别计算缩放后的各图片与粗略平均图的欧氏距离；

进一步地，本步骤中，可以采用下述公式计算缩放后的图片与粗略平均图的欧氏距离：

${\mathrm{ce}}_n=\frac{1}{\mathrm{width}*\mathrm{height}*\mathrm{channel}}\underset{i=0}{\overset{\mathrm{width}-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{\mathrm{height}-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{\mathrm{channel}-1}{\mathrm{\Σ}}}{\left({\mathrm{img}}_n\right[i\left]\right[j\left]\right[k]-\mathrm{avgimg}[i\left]\right[j\left]\right[k\left]\right)}^2$

上式中，distance_n是缩放后的第n张图片与粗略平均图之间的欧氏距离；

width是缩放后的图片（粗略平均图）的长（缩放后的图片以及粗略平均图的大小一致），例如100像素；

height是缩放后的图片（粗略平均图）的宽，例如100像素；

channel是每个像素点的通道总数（通常为3）；

img_n[i][j][k]是缩放后的第n张图片即图像img_n的i行j列第k个通道的亮度值。

S44、将欧氏距离最小的缩放后的图片所对应的缩放前的图片确定为基准图片。

在本步骤S44中，对S43求出的N个欧氏距离的值按大小排序，将其中欧氏距离最小对应的缩放后的图片的原图（即缩放前的图片）作为基准图。

经过上述S41～S44处理得到的粗略平均图，其各部分是搜索结果中各张图片不同部分的像素的叠加求均值得到的，是一个比较粗略，不准确的图片，因此要基于此再进行后续的处理。

在本发明实施例中，除了采用上述S41～S44的流程来获得基准图片之外，还可以直接将用户输入的图片作为与基准图片，这样可以简化部分流程。

上述S303中，依据所述基准图片，对搜索结果中给出的多个图片进行图像配准，在具体实施时，首先对搜索结果中给出的多个图片进行图像配准，获得各图片的配准信息，然后再根据配准信息，确定搜索结果中给出的多个图片到基准图片的变换信息；

进一步来说，上述流程在具体实施时，如图5所示，可以包括如下步骤：

S51、将搜索结果中给出的各图片按照预设的最长边长度进行长宽等比例压缩得到对应的压缩结果图；

本次对搜索结果中的各图片按照预设的最长边长度进行长宽等比例的缩放的目的是为了提高运算速度，同时长宽等比例缩放也不会造成缩放后得到的压缩结果图较原有图像损失过大。

预设的最长边长度为SCALE_SIZE，例如SCALE_SIZE=200像素。

为了进一步地节省计算流程，提高运算速度，在本步骤中，还可以对搜索结果中的部分图片进行S51～S53的处理，例如在搜索结果中选择对应distance（即前面步骤S43得到的缩放后的图片与粗略平均图的欧氏距离）较小的若干张图片（例如100张）进行处理。

S52、对基准图片和除了基准图片对应的压缩结果图之外的每个压缩结果图分别提取局部特征并进行匹配，获取每个压缩结果图与基准图片之间的配准信息；

压缩结果图与基准图片之间的配准信息即，每个压缩结果图中的局部特征，与基准图片中的局部特征之间的匹配关系。两个图片提取的各个局部特征之间，存在一定的匹配关系。

S53、根据配准信息，计算每个压缩结果图到基准图片的变换信息，变换信息包括：水平方向上的偏移量、垂直方向上的偏移量和缩放量。

根据配准信息，计算每个压缩结果图到基准图片的变换信息，可以采用现有技术的做法，计算出的变换信息例如用下述方式表示：

offset_x：水平方向上的偏移量；

offset_y：垂直方向上的偏移量；

scale：缩放量。

较佳地，为了消除局部特征匹配的误差的影响，更精确地计算每个压缩结果图到基准图片的变换信息，在上述S52获取每个压缩结果图与基准图片之间的配准信息之后，还包括执行下述步骤：使用随机抽样一致（RANdomSAmpleConsensus，Ransac）算法或者最小二乘法去除配准信息中的错配信息；这样，上述S53中，可以根据去除错配信息后的配准信息，计算每个压缩结果图到基准图片的变换信息。

Ransac算法是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。使用Ransac算法能够很好地去除错配信息。

上述S303中，获取与所述待搜索图片对应的无水印图片，具体可以通过下述流程实现：

首先根据搜索结果中给出的多个图片到基准图片的变换信息，计算出搜索结果的精确平均图；

然后通过循环迭代，不断计算上述搜索结果中的各图片与精确平均图的欧氏距离；循环迭代过程中，不断在搜索结果中保留欧氏距离小于第一阈值的图片，丢弃欧氏距离大于第二阈值的图片，直至搜索结果中的所有图片与精确平均图的欧氏距离小于第一阈值（其中，第一阈值小于第二阈值），这样，最终得到的搜索结果中所有图片都为与用户输入的待搜索图片相同的无水印图片。

进一步地，上述根据各图片到基准图片的变换信息，计算出搜索结果的精确平均图的步骤，在具体实施时，如图6所示，可通过下述流程实现：

S61、确定精确平均图的长（avg_width）和宽（avg_height），其中：

avg_width=2*base_width；

avg_height=2*base_height；

上述base_width和base_height为基准图片按照预设的最长边长度进行长宽等比例压缩后的长和宽；

S62、初始化精确平均图的像素值为0；

S63、更新精确平均图，具体做法如下：

将除了基准图片对应的压缩结果图之外的每个压缩结果图，按照对应变换信息中的缩放量scale进行缩放，得到对应的变换结果图imageNew₁～imageNew_N，，N等于除了所述基准图片对应的压缩结果图之外的所有压缩结果图的数量；

例如将imagek缩放到imageNew_k,假设imageK的长宽分别为width_old，height_old，imageNew_k的长和宽分别为width_new，height_new，则：

width_new=width_old×scale

height_new=height_old×scale

然后，按照下述公式计算精确平均图：

$\_\mathrm{img}\left[i\right]\left[j\right]\left[k\right]=\frac{1}{c}\underset{n=1}{\overset{c}{\mathrm{\Σ}}}\mathrm{image}{\mathrm{Cover}}_n[i+\mathrm{offset}\_x_n][j+\mathrm{offset}\_y_n]\left[k\right];$

上式中：

avg_img[i][j][k]为精确平均图中第i行第j列第k个通道的亮度值，i、j和k大于等于0；

imageCover_n是imageNew_1～imageNew_N中覆盖了精确平均图的像素点范围的图片，c为覆盖了精确平均图的像素点范围的图片的数量，1≤n≤c；

offset_x_n为imageCover_n对应的压缩结果图到基准图片的变换信息中的水平方向上的偏移量；

offset_y_n为imageCover_n对应的压缩结果图到基准图片的变换信息中的垂直方向上的偏移量。

上述计算精确平均图的过程，从图像的处理过程来看，就是将各种大小的、包含有精确平均图内像素范围的（例如200像素*200像素）的压缩结果图中的像素点，投影到精确平均图（即只考虑与精确平均图像素范围重叠的那部分像素点）上的过程。

进一步地，上述通过循环迭代的方式得到与待搜索图片对应的无水印图片的步骤，在具体实施时，其循环迭代的过程如图7所示：

S71、计算搜索结果中各图片对应的变换结果图与精确平均图的欧氏距离；

按照下述方式计算各变换结果图imageNew_1～imageNew_N与精确平均图的欧氏距离：

${\mathrm{ce}}_n=\frac{1}{\mathrm{width}*\mathrm{height}*\mathrm{channel}}\underset{i=0}{\overset{\mathrm{width}-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{\mathrm{height}-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{\mathrm{channel}-1}{\mathrm{\Σ}}}{\left({\mathrm{img}}_n\right[i\left]\right[j\left]\right[k]-\mathrm{avgimg}[i\left]\right[j\left]\right[k\left]\right)}^2$

；

上式中：

为imageNew_n对应的压缩结果图到基准图片的变换信息中的水平方向上的偏移量；

为imageNew_n对应的压缩结果图到基准图片的变换信息中的垂直方向上的偏移量；

pixNum_n=width_n*height_n*channel，width_n为imageNew_n的长，height_n为imageNew_n的宽，channel为imageNew_n的通道数。

S72、判断是否满足循环迭代结束条件即：是否搜索结果中所有图片对应的变换结果图的欧氏距离均小于θ1；若满足，则执行S65，若不满足，则执行下述S73；

对N个欧氏距离distance₁，distance₂，…，distance_N，设置2个阈值第一阈值（θ1）和第二阈值（θ2）其中：θ1<θ2；

S73、在搜索结果中，去掉distance>θ2的图片，保留distance<θ1的图片；

S74、对于欧氏距离大于等于θ1小于等于θ2的各变换结果图，按照与精确平均图欧氏距离的大小进行排序，从欧氏距离最小的开始选取其中一半数量的变换结果图；将选取的一半数量的变换结果图与保留的变换结果图混合到一起，再转向执行S71；

S75、向用户返回搜索结果。

基于同一发明构思，本发明实施例还提供了一种无水印图片的搜索装置，由于该装置所解决问题的原理与前述方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例提供的一种无水印图片的搜索装置，如图8所示，包括：

用户输入接口801，适于用于接收用户输入的待搜索图片；

图片配准单元802，适于确定用于对搜索结果进行图像配准的基准图片；

无水印图片获取单元803，适于依据所述基准图片，对所述搜索结果中给出的多个图片进行图像配准，获取与所述待搜索图片对应的无水印图片。

较佳地，上述用户输入接口801可以是搜索引擎提供的输入接口，该接口与用户输入设备（例如鼠标、键盘等）连接，接收用户在搜索引擎等提供的界面中输入（例如使用鼠标拖拽、键盘输入复制粘贴指令等方式）的待搜索图片。

进一步地，上述无水印图片获取单元803，具体适于对搜索结果中给出的多个图片进行图像配准，获得各图片的配准信息，并根据配准信息，确定搜索结果中给出的多个图片到所述基准图片的变换信息。

进一步地，上述无水印图片获取单元803，具体适于根据搜索结果中给出的多个图片到所述基准图片的变换信息，计算出搜索结果的精确平均图；通过循环迭代计算所述搜索结果中给出的各图片与精确平均图的欧氏距离，在搜索结果中保留欧氏距离小于第一阈值的图片，丢弃欧氏距离大于第二阈值的图片，直至搜索结果中的所有图片与所述精确平均图的欧氏距离小于所述第一阈值，得到所述待搜索图片对应的无水印图片，所述第一阈值小于第二阈值。

进一步地，上述无水印图片获取单元803，具体适于将搜索结果中给出的多个图片分别按照预设的最长边长度进行长宽等比例压缩得到对应的压缩结果图；对基准图片和除了基准图片对应的压缩结果图之外的每个压缩结果图分别提取局部特征并进行匹配，获取每个压缩结果图与基准图片之间的配准信息；根据配准信息，计算每个压缩结果图到基准图片的变换信息，变换信息包括：水平方向上的偏移量、垂直方向上的偏移量和缩放量。

进一步地，上述图片配准单元802，具体适于将搜索结果中给出的多个图片缩放到同一尺寸，将缩放后的各图片的像素取平均值，得到粗略平均图，计算缩放后的各图片与所述粗略平均图的欧氏距离，将欧氏距离最小的缩放后的图片所对应的缩放前的图片确定为基准图片。

进一步地，上述无水印图片获取单元803，还适于在获取每个压缩结果图与基准图片之间的配准信息之后，使用Ransac算法或者最小二乘法去除配准信息中的错配信息；以及使用去除错配信息后的配准信息，计算每个压缩结果图到基准图片的变换信息。

进一步地，上述无水印图片获取单元803，具体适于确定精确平均图的长avg_width和宽avg_height，其中：avg_width=2*base_width，avg_height=2*base_height，所述base_width和base_height为基准图片按照预设的最长边长度进行长宽等比例压缩后的长和宽；初始化精确平均图的像素值为0；将除了所述基准图片对应的压缩结果图之外的所述每个压缩结果图按照对应变换信息中的缩放量进行缩放得到对应的变换结果图imageNew1～imageNewN，N等于除了所述基准图片对应的压缩结果图之外的所有压缩结果图的数量；

按照下述公式计算精确平均图：

$\_\mathrm{img}\left[i\right]\left[j\right]\left[k\right]=\frac{1}{c}\underset{n=1}{\overset{c}{\mathrm{\&Sigma;}}}\mathrm{image}{\mathrm{Cover}}_n[i+\mathrm{offset}\_x_n][j+\mathrm{offset}\_y_n]\left[k\right];$

上式中：

avg_img[i][j][k]为精确平均图中第i行第j列第k个通道的亮度值，i、j和k大于等于0；

imageCover_n是imageNew_1～imageNew_N中覆盖了精确平均图的像素点范围的图片，c为所述覆盖了精确平均图的像素点范围的图片的数量，1≤n≤c；

offset_x_n为imageCover_n对应的压缩结果图到基准图片的变换信息中的水平方向上的偏移量；

offset_y_n为imageCover_n对应的压缩结果图到基准图片的变换信息中的垂直方向上的偏移量。

进一步地，上述无水印图片获取单元803，具体适于按照下述公式分别计算搜索结果中的各图片对应的变换结果图imageNew_1～imageNew_N与精确平均图的欧氏距离：

${\mathrm{ce}}_n=\frac{1}{\mathrm{width}*\mathrm{height}*\mathrm{channel}}\underset{i=0}{\overset{\mathrm{width}-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{\mathrm{height}-1}{\mathrm{\&Sigma;}}}\underset{k=0}{\overset{\mathrm{channel}-1}{\mathrm{\&Sigma;}}}{\left({\mathrm{img}}_n\right[i\left]\right[j\left]\right[k]-\mathrm{avgimg}[i\left]\right[j\left]\right[k\left]\right)}^2$

上式中：

为imageNew_n对应的压缩结果图到基准图片的变换信息中的水平方向上的偏移量；

为imageNew_n对应的压缩结果图到基准图片的变换信息中的垂直方向上的偏移量；

pixNum_n=width_n*height_n*channel，width_n为imageNew_n的长，height_n为imageNew_n的宽，channel为imageNew_n的通道数。

进一步地，上述无水印图片获取单元803，适于计算搜索结果中的各图片对应的变换结果图与精确平均图的欧氏距离；保留欧氏距离小于第一阈值的变换结果图，丢弃欧氏距离大于第二阈值的变换结果图；对于欧氏距离大于等于第一阈值小于等于第二阈值的各变换结果图，按照与精确平均图欧氏距离的大小进行排序，从欧氏距离最小的开始选取其中一半数量的变换结果图；根据保留的变换结果图和选取的一半数量的变换结果图，重新计算精确平均图；计算保留的变换结果图和所述一半数量的变换结果图与重新计算的精确平均图之间的欧氏距离，保留欧氏距离小于第一阈值的变换结果图，丢弃欧氏距离大于第二阈值的变换结果图，直至所有保留的变换结果图与所述精确平均图的欧氏距离均小于第一阈值，得到所述待搜索图片对应的无水印图片。

本发明实施例提供的上述无水印图片的搜索装置，在具体实施时，可以集成于搜索引擎中。

本发明实施例提供的无水印图片的搜索方法及装置，首先，接收用户输入的待搜索图片，确定基准图片，然后使用基准图片对搜索结果中给出的多个图片进行图像配准，获取与待搜索图片对应的无水印图片，采用本发明实施例提供的无水印图片的搜索方法及装置，通过对初步的搜索结果进行进一步处理得到与用户输入的图片相近似的无水印的图片，抛弃包含水印的图片，无需像现有技术中那样使用图像处理软件，通过人工方式对水印图片进行处理，也不需要采用人工提前标注出水印图片的方式，克服了现有技术人工处理方式存在的处理效率低、工作量大，处理效果差的问题，显著地提高了处理效率和准确度。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的无水印图片的搜索装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种无水印图片的搜索方法，其特征在于，包括：

接收用户输入的待搜索图片，确定用于对搜索结果进行图像配准的基准图片；依据所述基准图片，对所述搜索结果中给出的多个图片进行图像配准，获取与所述待搜索图片对应的无水印图片。

2.如权利要求1所述的方法，其特征在于，依据所述基准图片，对所述搜索结果中给出的多个图片进行图像配准，具体包括：

对搜索结果中给出的多个图片进行图像配准，获得各图片的配准信息，并根据配准信息，确定搜索结果中给出的多个图片到所述基准图片的变换信息。

3.如权利要求1-2任一项所述的方法，其特征在于，获取与所述待搜索图片对应的无水印图片，具体包括：

根据搜索结果中给出的多个图片到所述基准图片的变换信息，计算出搜索结果的精确平均图；

通过循环迭代计算所述搜索结果中给出的各图片与精确平均图的欧氏距离，在搜索结果中保留欧氏距离小于第一阈值的图片，丢弃欧氏距离大于第二阈值的图片，直至搜索结果中的所有图片与所述精确平均图的欧氏距离小于所述第一阈值，得到所述待搜索图片对应的无水印图片，所述第一阈值小于第二阈值。

4.如权利要求1-3任一项所述的方法，其特征在于，对搜索结果中给出的多个图片进行图像配准，获得各图片的配准信息，并根据配准信息，确定搜索结果中给出的多个图片到所述基准图片的变换信息，具体包括：

将所述搜索结果中给出的多个图片分别按照预设的最长边长度进行长宽等比例压缩得到对应的压缩结果图；

对所述基准图片和除了所述基准图片对应的压缩结果图之外的每个压缩结果图分别提取局部特征并进行匹配，获取所述每个压缩结果图与所述基准图片之间的配准信息；

根据所述配准信息，计算所述每个压缩结果图到所述基准图片的变换信息，所述变换信息包括：水平方向上的偏移量、垂直方向上的偏移量和缩放量。

5.如权利要求1-4任一项所述的方法，其特征在于，所述确定用于对搜索结果进行图像配准的基准图片，具体包括：

将搜索结果中的各图片缩放到同一尺寸；

将缩放后的各图片的像素取平均值，得到粗略平均图；

分别计算缩放后的各图片与所述粗略平均图的欧氏距离；

将欧氏距离最小的缩放后的图片所对应的缩放前的图片确定为所述基准图片。

6.如权利要求1-5任一项所述的方法，其特征在于，所述确定用于对搜索结果进行图像配准的基准图片，具体包括：

使用所述用户输入的图片作为所述基准图片。

7.一种无水印图片的搜索装置，其特征在于，包括：

用户输入接口，适于接收用户输入的待搜索图片；

图片配准单元，适于确定用于对搜索结果进行图像配准的基准图片；

无水印图片获取单元，适于依据所述基准图片，对所述搜索结果中给出的多个图片进行图像配准，获取与所述待搜索图片对应的无水印图片。

8.如权利要求7所述的装置，其特征在于，所述无水印图片获取单元，具体适于对搜索结果中给出的多个图片进行图像配准，获得各图片的配准信息，并根据配准信息，确定搜索结果中给出的多个图片到所述基准图片的变换信息。

9.如权利要求7-8任一项所述的装置，其特征在于，所述无水印图片获取单元，具体适于根据搜索结果中给出的多个图片到所述基准图片的变换信息，计算出搜索结果的精确平均图；通过循环迭代计算所述搜索结果中给出的各图片与精确平均图的欧氏距离，在搜索结果中保留欧氏距离小于第一阈值的图片，丢弃欧氏距离大于第二阈值的图片，直至搜索结果中的所有图片与所述精确平均图的欧氏距离小于所述第一阈值，得到所述待搜索图片对应的无水印图片，所述第一阈值小于第二阈值。

10.如权利要求7-9任一项所述的装置，其特征在于，所述无水印图片获取单元，具体适于将所述搜索结果中给出的多个图片分别按照预设的最长边长度进行长宽等比例压缩得到对应的压缩结果图；对所述基准图片和除了所述基准图片对应的压缩结果图之外的每个压缩结果图分别提取局部特征并进行匹配，获取所述每个压缩结果图与所述基准图片之间的配准信息；根据所述配准信息，计算所述每个压缩结果图到所述基准图片的变换信息，所述变换信息包括：水平方向上的偏移量、垂直方向上的偏移量和缩放量。

Images