CN105608234A - 图像检索方法和装置 - Google Patents
图像检索方法和装置 Download PDFInfo
- Publication number
- CN105608234A CN105608234A CN201610159289.0A CN201610159289A CN105608234A CN 105608234 A CN105608234 A CN 105608234A CN 201610159289 A CN201610159289 A CN 201610159289A CN 105608234 A CN105608234 A CN 105608234A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- image
- descriptor
- edge direction
- local feature
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了图像检索方法和装置。该方法的一具体实施方式包括:接收对待检索的图像的检索请求;获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;基于特征向量,确定检索结果。实现了同时提取反映图像全局特征和局部特征的描述子,以及生成特征向量后与其他的图像的预设特征向量进行相似度匹配,从而查找出相似的图像,提升了图像检索的准确率。
Description
技术领域
本申请涉及互联网领域,具体涉及应用领域,尤其涉及图像检索方法和装置。
背景技术
目前,在一些应用中,向用户提供了图像检索的功能。通常采用的方式为:接收用户输入的待检索图像,提取图像的某一个特征,然后将该特征与其他图像的该特征进行比较,将相似度大于阈值的图像作为检索结果返回给用户。
然而,当采用上述方式进行图像检索时,仅提取图像的单一特征,无法全面的描述出图像的特征,进而造成在查找相似的图像时,仅可以查找出与待检索图像在某一特征上相似的图像,检索的准确率较低。
发明内容
本申请提供了图像检索方法和装置,用于解决上述背景技术部分存在的技术问题。
第一方面,本申请提供了图像检索方法,该方法包括:接收对待检索的图像的检索请求;获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;基于特征向量,确定检索结果。
第二方面,本申请提供了图像检索装置,该装置包括:接收单元,配置用于接收对待检索的图像的检索请求;获取单元,配置用于获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;生成单元,配置用于生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;确定单元,配置用于基于特征向量,确定检索结果。
本申请提供的图像检索方法和装置,通过接收对待检索的图像的检索请求;获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;基于特征向量,确定检索结果。实现了同时提取反映图像全局特征和局部特征的描述子,以及生成特征向量后与其他的图像的预设特征向量进行相似度匹配,从而查找出相似的图像,提升了图像检索的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2示出了根据本申请的图像检索方法的一个实施例的流程图;
图3示出了本申请中的图像检索方法的一个示例性流程图;
图4示出了根据本申请的图像检索装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像检索方法或图像检索装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供传输链路的介质。网络104可以包括各种连接类型,例如有线、无线传输链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯应用,例如、图像处理类应用、浏览器类应用、搜索类应用、文字处理类应用等。
终端设备101、102、103可以是具有显示屏并且支持网络通信的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(MovingPictureExpertsGroupAudioLayerIII,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExpertsGroupAudioLayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以接收终端设备101、102、103上发送的图像,查找出相似的图像,将相似的图像反馈给终端设备。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,其示出了根据本申请的图像检索方法的一个实施例的流程200。需要说明的是,本申请实施例所提供的图像检索方法一般由图1中的服务器105执行,相应地,图像检索装置一般设置于服务器105中。该方法包括以下步骤:
步骤201,接收对待检索的图像的检索请求。
在本实施例中,当需要查找出与待检索图像相似的图像时,可以首先接收对待检索图像的检索请求,检索请求中包含待检索图像。
步骤202,获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子。
在本实施例中,在获取到待检索的图像之后,可以提取待检索的图像的特征。在本实施例中,可以同时提取待检索的图像的全局特征信息和局部特征信息,全局特征信息可以为全局特征颜色与边缘方向特征描述子(ColorandEdgeDirectivityDescriptor,CEDD),也可称之为CEDD描述子,局部特征信息可以为局部特征描述子,也可称之为SURF描述子。
在本实施例的一些可选的实现方式中,获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子包括:建立图像的尺度空间;分别确定尺度空间的每一层图像中对应的海森矩阵的行列式的值大于阈值的像素点;从确定出的像素点中查找出满足以下条件的特征点:对应的海森矩阵的行列式的值大于相邻区域内预设个数的像素点对应的海森矩阵的行列式的值;基于特征点,获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子。
在本实施例的一些可选的实现方式中,基于特征点,获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子包括:选取特征点的主方向,以及将特征点的坐标所处的坐标轴旋转为主方向;以特征点为中心,选取预设大小的窗口作为特征点的相邻区域;在相邻区域内,提取全局特征颜色与边缘方向特征描述子和局部特征描述子。
在本实施例中,可以采用以下方式获取待检索的图像的全局特征颜色与边缘方向特征描述子和局部特征描述子:为使待检索图像在与其他图像之间进行匹配时,能够具有尺度不变性,可以对待检索图像进行分层,建立待检索图像对应的尺度空间。例如,可以首先生成待检索图像对应的积分图像,然后,通过改变箱式滤波器模板的大小的方式对积分图像进行滤波,从而得到待检索图像对应的尺度空间。
在建立了待检索图像对应的尺度空间之后,可以在尺度空间的每一层图像上使用快速海森矩阵来确定待检索图像的特征点。例如,可以计算每一层图像上的像素点对应的海森矩阵,当海森矩阵的行列式的值大于预设门限值时,可以进一步将该像素点对应的海森矩阵的行列式的值与领域空间内预设个数,例如26个像素点对应的海森矩阵的行列式的值与进行比较。当该像素点对应的海森矩阵的行列式的值比邻域内所有像素点对应的海森矩阵的行列式的值都大时,可以将该像素点选取为特征点。此外,在本实施例中,为了能够得到连续空间的稳定位置和尺度值,可以对尺度空间进行插值计算。
在本实施例中,为了使待检索图像与其他图像之间的匹配能够具有旋转不变性,可以进一步选取特征点的主方向。在本实施例中,可以采用以下方式选取特征点的主方向:可以以特征点为中心,计算特征点周围6倍尺度大小的圆形邻域内的像素点在x轴、y轴方向上的哈尔小波响应值。同时,可以根据与该特征点距离的远近对哈尔小波响应值赋予不同的权重值。可以计算以特征点为中心构成的60度扇形区域内像素点的x轴方向的哈尔小波响应值和y轴方向上哈尔小波响应值,得到一个矢量。然后,可以将该60度扇形区域以一定间隔进行旋转,例如,每隔5度进行旋转,重新计算新的矢量,当遍历完整个圆形区域后,可以得到72个新的矢量,并将长度最长的矢量的方向作为该特征点的主方向。
在本实施例中,在确定了特征点的主方向之后,可以将坐标轴旋转为特征点的主方向,以确保生成的描述子具备旋转不变性。然后,可以以特征点为中心选取预设大小的窗口,例如8×8大小的窗口作为特征点的邻域,在特征点的邻域内,提取SURF描述子和CEDD描述子。在本实施例中,可以将SURF描述子量化为64维的特征向量,将CEDD描述子量化为144维大小的特征向量。
步骤203,生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量。
在本实施例的一些可选的实现方式中,生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量包括:利用K-Means聚类算法将特征点的全局特征颜色与边缘方向特征描述子和局部特征描述子量化为预设维度的特征向量。
在本实施例中,在获取到特征点的全局特征颜色与边缘方向特征描述子和局部特征描述子之后,可以利用K-Means聚类算法将全局特征颜色与边缘方向特征描述子和局部特征描述子量化为K维大小的视觉单词,然后,可以将待检索图像表示为K维大小的特征向量,可以利用HammingEmbedding算法与Softbinning算法进一步过滤掉量化错误的特征,然后,可以采用TF-IDF加权方式对特征向量进行加权。然后,可以将经过加权后的特征向量存储在Lucene索引文件中。
步骤204,基于特征向量,确定检索结果。
在本实施例中,在生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量之后,可以进一步基于特征向量,确定检索结果。
在本实施例的一些可选的实现方式中,基于特征向量,确定检索结果包括:采用余弦相似度算法计算特征向量与预设特征向量的相似度;基于相似度,对预设特征向量对应的图像进行排序;采用颜色自相关算法对排序后的图像再次进行排序,以及选取再次排序后的预设个数的图像作为检索结果。
请参考图3,其示出了本申请中的图像检索方法的一个示例性流程图。
在本实施例中,可以预先获取海量图像,对海量图像中的图像进行预处理。可以提取图像的CEDD描述子和SURF描述子,将CEDD描述子和SURF描述子存储在Lucene的索引文件中。在提取海量图像的CEDD描述子和SURF描述子之后,可以利用K-Means聚类算法将CEDD描述子和SURF描述子量化为K维大小的视觉单词并作为码本,形成由多个视觉单词组成的视觉词典。可以进一步进行特征量化,即将图像表示为K维大小的特征向量。可以采用HE过滤即采用HammingEmbedding算法与Softbinning算法进一步过滤掉量化错误的特征,然后,可以采用TF-IDF加权方式对特征向量进行加权。然后,可以将经过加权后的特征向量存储在Lucene的索引文件中。
在本实施例中,在进行图像检索时,可以首先接收待检索图像。然后,可以对待检索图像进行预处理,提取待检索图像的CEDD描述子和SURF描述子。在提取出待检索图像的CEDD描述子和SURF描述子之后,可以进行特征量化加权,即利用K-Means聚类算法将CEDD描述子和SURF描述子量化为K维大小的视觉单词并作为码本,以及将待检索图像表示为K维大小的特征向量,将该特征向量作为待检索图像对应的图像索引向量。
在本实施例中,可以预先建立指示海量图像对应的特征向量与待检索图像对应的图像索引向量的对应关系的倒排索引,在查找与待检索图像相似的图像时,可以通过倒排索引,查找出与待检索图像对应的图像索引向量匹配的Lucene的索引文件中的特征向量。例如,可以采用余弦相似度算法计算待检索图像对应的图像索引向量与特征向量的相似度,基于相似度的大小,对查找出的特征向量对应的图像进行排序,可以采用颜色自相关算法对排序后的图像再次进行排序,选取再次排序后的预设个数的图像作为检索结果。
请参考图4,作为对上述各图所示方法的实现,本申请提供了一种图像检索装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的图像检索装置400包括:接收单元401,获取单元402,生成单元403,确定单元404。接收单元401配置用于接收对待检索的图像的检索请求;获取单元402配置用于获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;生成单元403配置用于生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;确定单元404配置用于基于特征向量,确定检索结果。
在本实施例的一些可选的实现方式中,获取单元402包括:建立子单元(未示出),配置用于建立图像的尺度空间;确定子单元(未示出),配置用于分别确定尺度空间的每一层图像中对应的海森矩阵的行列式的值大于阈值的像素点;特征点查找子单元(未示出),配置用于从确定出的像素点中查找出满足以下条件的特征点:对应的海森矩阵的行列式的值大于相邻区域内预设个数的像素点对应的海森矩阵的行列式的值;描述子获取子单元(未示出),配置用于基于特征点,获取图像的全局特征颜色与边缘方向特征描述子和局部特征描述子。
在本实施例的一些可选的实现方式中,描述子获取子单元进一步配置用于:选取特征点的主方向,以及将特征点的坐标所处的坐标轴旋转为主方向;以特征点为中心,选取预设大小的窗口作为特征点的相邻区域;在相邻区域内,提取全局特征颜色与边缘方向特征描述子和局部特征描述子。
在本实施例的一些可选的实现方式中,生成单元403包括:量化子单元(未示出),配置用于利用K-Means聚类算法将特征点的全局特征颜色与边缘方向特征描述子和局部特征描述子量化为预设维度的特征向量。
在本实施例的一些可选的实现方式中,确定单元404包括:相似度计算子单元(未示出),配置用于采用余弦相似度算法计算特征向量与预设特征向量的相似度;第一排序子单元(未示出),配置用于基于相似度,对预设特征向量对应的图像进行排序;第二排序子单元(未示出),配置用于采用颜色自相关算法对排序后的图像再次进行排序,以及选取再次排序后的预设个数的图像作为检索结果。
图5示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有系统500操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:接收对待检索的图像的检索请求;获取所述图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;基于所述特征向量,确定检索结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种图像检索方法,其特征在于,所述方法包括:
接收对待检索的图像的检索请求;
获取所述图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;
生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;
基于所述特征向量,确定检索结果。
2.根据权利要求1所述的方法,其特征在于,获取所述图像的全局特征颜色与边缘方向特征描述子和局部特征描述子包括:
建立所述图像的尺度空间;
分别确定尺度空间的每一层图像中对应的海森矩阵的行列式的值大于阈值的像素点;
从确定出的像素点中查找出满足以下条件的特征点:对应的海森矩阵的行列式的值大于相邻区域内预设个数的像素点对应的海森矩阵的行列式的值;
基于所述特征点,获取所述图像的全局特征颜色与边缘方向特征描述子和局部特征描述子。
3.根据权利要求2所述的方法,其特征在于,基于所述特征点,获取所述图像的全局特征颜色与边缘方向特征描述子和局部特征描述子包括:
选取所述特征点的主方向,以及将特征点的坐标所处的坐标轴旋转为所述主方向;
以所述特征点为中心,选取预设大小的窗口作为特征点的相邻区域;
在所述相邻区域内,提取所述全局特征颜色与边缘方向特征描述子和局部特征描述子。
4.根据权利要求3所述的方法,其特征在于,生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量包括:
利用K-Means聚类算法将特征点的全局特征颜色与边缘方向特征描述子和局部特征描述子量化为预设维度的特征向量。
5.根据权利要求4所述的方法,其特征在于,所述基于所述特征向量,确定检索结果包括:
采用余弦相似度算法计算所述特征向量与预设特征向量的相似度;
基于所述相似度,对预设特征向量对应的图像进行排序;
采用颜色自相关算法对排序后的图像再次进行排序,以及选取再次排序后的预设个数的图像作为检索结果。
6.一种图像检索装置,其特征在于,所述装置包括:
接收单元,配置用于接收对待检索的图像的检索请求;
获取单元,配置用于获取所述图像的全局特征颜色与边缘方向特征描述子和局部特征描述子;
生成单元,配置用于生成全局特征颜色与边缘方向特征描述子和局部特征描述子对应的特征向量;
确定单元,配置用于基于所述特征向量,确定检索结果。
7.根据权利要求6所述的装置,其特征在于,获取单元包括:
建立子单元,配置用于建立所述图像的尺度空间;
确定子单元,配置用于分别确定尺度空间的每一层图像中对应的海森矩阵的行列式的值大于阈值的像素点;
特征点查找子单元,配置用于从确定出的像素点中查找出满足以下条件的特征点:对应的海森矩阵的行列式的值大于相邻区域内预设个数的像素点对应的海森矩阵的行列式的值;
描述子获取子单元,配置用于基于所述特征点,获取所述图像的全局特征颜色与边缘方向特征描述子和局部特征描述子。
8.根据权利要求7所述的装置,其特征在于,描述子获取子单元进一步配置用于:选取所述特征点的主方向,以及将特征点的坐标所处的坐标轴旋转为所述主方向;以所述特征点为中心,选取预设大小的窗口作为特征点的相邻区域;在所述相邻区域内,提取所述全局特征颜色与边缘方向特征描述子和局部特征描述子。
9.根据权利要求8所述的装置,其特征在于,生成单元包括:
量化子单元,配置用于利用K-Means聚类算法将特征点的全局特征颜色与边缘方向特征描述子和局部特征描述子量化为预设维度的特征向量。
10.根据权利要求9所述的装置,其特征在于,确定单元包括:
相似度计算子单元,配置用于采用余弦相似度算法计算所述特征向量与预设特征向量的相似度;
第一排序子单元,配置用于基于所述相似度,对预设特征向量对应的图像进行排序;
第二排序子单元,配置用于采用颜色自相关算法对排序后的图像再次进行排序,以及选取再次排序后的预设个数的图像作为检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159289.0A CN105608234A (zh) | 2016-03-18 | 2016-03-18 | 图像检索方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159289.0A CN105608234A (zh) | 2016-03-18 | 2016-03-18 | 图像检索方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105608234A true CN105608234A (zh) | 2016-05-25 |
Family
ID=55988173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610159289.0A Pending CN105608234A (zh) | 2016-03-18 | 2016-03-18 | 图像检索方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608234A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202419A (zh) * | 2016-07-12 | 2016-12-07 | 天津大学 | 一种基于Map‑Reduce框架的图像检索方法 |
CN107688824A (zh) * | 2017-07-27 | 2018-02-13 | 平安科技(深圳)有限公司 | 图片匹配方法及终端设备 |
CN109711441A (zh) * | 2018-12-13 | 2019-05-03 | 泰康保险集团股份有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN110196926A (zh) * | 2019-06-10 | 2019-09-03 | 北京字节跳动网络技术有限公司 | 对象处理方法、装置、电子设备及计算机可读存储介质 |
CN110321966A (zh) * | 2019-07-11 | 2019-10-11 | 同方知网数字出版技术股份有限公司 | 一种加快图书相似性分析速度的方法 |
WO2019214289A1 (zh) * | 2018-05-09 | 2019-11-14 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
WO2019237870A1 (zh) * | 2018-06-15 | 2019-12-19 | 深圳市商汤科技有限公司 | 目标匹配方法及装置、电子设备和存储介质 |
CN112182264A (zh) * | 2020-10-10 | 2021-01-05 | 书行科技(北京)有限公司 | 地标信息的确定方法、装置、设备及可读存储介质 |
CN112257625A (zh) * | 2020-10-29 | 2021-01-22 | 上海工程技术大学 | 一种基于车正脸特征的车辆重识别方法 |
CN113127670A (zh) * | 2019-12-31 | 2021-07-16 | 飞书数字科技(上海)有限公司 | 目标颜色搜索的方法、装置、存储介质与处理器 |
CN115169489A (zh) * | 2022-07-25 | 2022-10-11 | 北京百度网讯科技有限公司 | 数据检索方法、装置、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8249361B1 (en) * | 2010-04-22 | 2012-08-21 | Google Inc. | Interdependent learning of template map and similarity metric for object identification |
CN103226589A (zh) * | 2012-10-15 | 2013-07-31 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
CN104615613A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 全局特征描述子的聚合方法 |
-
2016
- 2016-03-18 CN CN201610159289.0A patent/CN105608234A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8249361B1 (en) * | 2010-04-22 | 2012-08-21 | Google Inc. | Interdependent learning of template map and similarity metric for object identification |
CN103226589A (zh) * | 2012-10-15 | 2013-07-31 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
CN104615613A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 全局特征描述子的聚合方法 |
Non-Patent Citations (1)
Title |
---|
梅尚健: "基于特征融合的图像检索研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202419A (zh) * | 2016-07-12 | 2016-12-07 | 天津大学 | 一种基于Map‑Reduce框架的图像检索方法 |
CN107688824A (zh) * | 2017-07-27 | 2018-02-13 | 平安科技(深圳)有限公司 | 图片匹配方法及终端设备 |
WO2019214289A1 (zh) * | 2018-05-09 | 2019-11-14 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及存储介质 |
WO2019237870A1 (zh) * | 2018-06-15 | 2019-12-19 | 深圳市商汤科技有限公司 | 目标匹配方法及装置、电子设备和存储介质 |
US11222231B2 (en) | 2018-06-15 | 2022-01-11 | Shenzhen Sensetime Technology Co., Ltd. | Target matching method and apparatus, electronic device, and storage medium |
CN109711441A (zh) * | 2018-12-13 | 2019-05-03 | 泰康保险集团股份有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN110196926A (zh) * | 2019-06-10 | 2019-09-03 | 北京字节跳动网络技术有限公司 | 对象处理方法、装置、电子设备及计算机可读存储介质 |
CN110321966A (zh) * | 2019-07-11 | 2019-10-11 | 同方知网数字出版技术股份有限公司 | 一种加快图书相似性分析速度的方法 |
CN110321966B (zh) * | 2019-07-11 | 2022-02-15 | 同方知网数字出版技术股份有限公司 | 一种加快图书相似性分析速度的方法 |
CN113127670A (zh) * | 2019-12-31 | 2021-07-16 | 飞书数字科技(上海)有限公司 | 目标颜色搜索的方法、装置、存储介质与处理器 |
CN112182264A (zh) * | 2020-10-10 | 2021-01-05 | 书行科技(北京)有限公司 | 地标信息的确定方法、装置、设备及可读存储介质 |
CN112182264B (zh) * | 2020-10-10 | 2024-05-10 | 书行科技(北京)有限公司 | 地标信息的确定方法、装置、设备及可读存储介质 |
CN112257625A (zh) * | 2020-10-29 | 2021-01-22 | 上海工程技术大学 | 一种基于车正脸特征的车辆重识别方法 |
CN115169489A (zh) * | 2022-07-25 | 2022-10-11 | 北京百度网讯科技有限公司 | 数据检索方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608234A (zh) | 图像检索方法和装置 | |
US20200210763A1 (en) | Identifying visually similar digital images utilizing deep learning | |
US9349076B1 (en) | Template-based target object detection in an image | |
CN109284371B (zh) | 反欺诈方法、电子装置及计算机可读存储介质 | |
US8923628B2 (en) | Computer readable medium, image processing apparatus, and image processing method for learning images based on classification information | |
CN109564575A (zh) | 使用机器学习模型来对图像进行分类 | |
CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN113379627B (zh) | 图像增强模型的训练方法和对图像进行增强的方法 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN115496970A (zh) | 图像任务模型的训练方法、图像识别方法以及相关装置 | |
CN111104572A (zh) | 用于模型训练的特征选择方法、装置及电子设备 | |
Phoka et al. | Image based phishing detection using transfer learning | |
CN111582284A (zh) | 用于图像识别的隐私保护方法、装置和电子设备 | |
CN114445833B (zh) | 文本识别方法、装置、电子设备和存储介质 | |
CN113901302B (zh) | 数据处理方法、装置、电子设备和介质 | |
KR20150101846A (ko) | 스케치를 기반으로 하는 영상 분류 서비스 시스템, 사용자 장치, 서비스 제공 장치, 그 서비스 방법 및 컴퓨터 프로그램이 기록된 기록매체 | |
CN114880509A (zh) | 模型训练方法、搜索方法、装置、电子设备及存储介质 | |
CN110262906B (zh) | 接口标签推荐方法、装置、存储介质和电子设备 | |
CN114207650A (zh) | 用于化妆品推荐的方法和设备 | |
CN113610064B (zh) | 笔迹识别方法和装置 | |
CN115147850B (zh) | 文字生成模型的训练方法、文字生成方法及其装置 | |
CN114781557B (zh) | 图像信息获取方法及装置、计算机可读存储介质 | |
CN117312533B (zh) | 基于人工智能模型的文案生成方法、装置、设备及介质 | |
CN114821603B (zh) | 票据识别方法、装置、电子设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160525 |
|
WD01 | Invention patent application deemed withdrawn after publication |