CN107622270B - 图像相似度计算方法和装置、相似图像检索方法和系统 - Google Patents
图像相似度计算方法和装置、相似图像检索方法和系统 Download PDFInfo
- Publication number
- CN107622270B CN107622270B CN201610548371.2A CN201610548371A CN107622270B CN 107622270 B CN107622270 B CN 107622270B CN 201610548371 A CN201610548371 A CN 201610548371A CN 107622270 B CN107622270 B CN 107622270B
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- small block
- query
- determining
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种图像相似度计算方法和装置、相似图像检索方法和系统。该图像相似度计算方法包括：分别对查询图像和参考图像进行自适应分块；针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块；根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度。本发明不需要提前对数据库中的图像进行训练，且准确率高，本发明能兼顾图像相似性检索的准确性和即时性，非常适用于如实时视频内容匹配等图像相似性检索场景。
Description
技术领域
本发明涉及图像检索领域，特别涉及一种图像相似度计算方法和装置、相似图像检索方法和系统。
背景技术
目前传统的图像相似度计算方法一般有两种，一是通过在图像中找出sift(Scale-invariant feature transform，尺度不变特征变换)、brief(Binary RobustIndependent Elementary Features，双鲁棒独立基本特征)等关键点后，直接与目标图像中的相应关键点匹配，二是用bow(bag of words，词袋)、vlad(vector of locallyaggregated descriptors，本地聚合描述符向量)等方法将图中的所有关键点信息转化为一个向量再进行匹配。
直接进行关键点匹配往往会因为物体尺度、图片亮度等因素导致图像匹配不准确，利用bow、vlad等算法加上关键点信息虽然匹配度提高，但需要提前用较长的时间对数据库中的图像进行训练。且这两种方法都存在关键点太少甚至找不到关键点的情况。
发明内容
鉴于以上技术问题，本发明提供了一种图像相似度计算方法和装置、相似图像检索方法和系统，能兼顾图像相似性检索的准确性和即时性。
根据本发明的一个方面，提供一种图像相似度计算方法，包括：
分别对查询图像和参考图像进行自适应分块；
针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块；
根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度。
在本发明的一个实施例中，对一张图像进行自适应分块的步骤包括：
确定一张图像的分块阶数n；
根据一张图像的分块阶数n，将图像分成n×n块；
其中，一张图像为查询图像或参考图像。
在本发明的一个实施例中，确定一张图像的分块阶数n的步骤包括：
确定一张图像的所有sift特征点，其中每个sift特征点对应一个尺度参数；
根据一张图像中所有sift特征点的尺度参数，确定该张图像的尺度参数平均值；
根据该张图像的尺度参数平均值，查询尺度参数平均值与分块阶数n的对应关系表，确定该张图像的分块阶数n。
在本发明的一个实施例中，针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块的步骤包括：
针对查询图像的每一小块，计算其与参考图像的每一小块的相似度；
将与查询图像每一小块的相似度最大的参考图像的一个小块作为查询图像该小块的匹配小块。
在本发明的一个实施例中，根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度的步骤包括：
将查询图像的每一小块与其匹配小块的相似度进行排序；
从查询图像的每一小块与其匹配小块的相似度排序中选取最大的N个相似度求平均值，将该平均值作为查询图像和参考图像的相似度，其中，N为对查询图像块数的一半向下取整的结果。
根据本发明的另一方面，提供一种相似图像检索方法，包括：
接收查询图像；
采用基于自适应分块和局部匹配的图像相似度计算方法，计算查询图像与数据库中每一参考图像的相似度；
对查询图像与数据库中每一参考图像的相似度进行排序；
将与查询图像相似度最高的查询图像作为与查询图像最相似的图像。
在本发明的一个实施例中，所述基于自适应分块和局部匹配的图像相似度计算方法为如上述任一实施例所述的图像相似度计算方法。
根据本发明的另一方面，提供一种图像相似度计算装置，包括自适应分块模块、局部匹配模块和相似度计算模块，其中：
自适应分块模块，用于分别对查询图像和参考图像进行自适应分块；
局部匹配模块，用于针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块；
相似度计算模块，用于根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度。
在本发明的一个实施例中，自适应分块模块包括分块阶数确定单元和分块单元，其中：
分块阶数确定单元，用于确定一张图像的分块阶数n，其中，一张图像为查询图像或参考图像；
分块单元，根据该张图像的分块阶数n，将该图像分成n×n块。
在本发明的一个实施例中，分块阶数确定单元包括特征点确定子模块、尺度平均值确定子模块和分块阶数确定子模块，其中：
特征点确定子模块，用于确定一张图像的所有sift特征点，其中每个sift特征点对应一个尺度参数；
尺度平均值确定子模块，用于根据一张图像中所有sift特征点的尺度参数，确定该张图像的尺度参数平均值；
分块阶数确定子模块，用于根据该张图像的尺度参数平均值，查询尺度参数平均值与分块阶数n的对应关系表，确定该张图像的分块阶数n。
在本发明的一个实施例中，局部匹配模块包括局部相似度确定单元和匹配小块确定单元，其中：
局部相似度确定单元，用于针对查询图像的每一小块，计算其与参考图像的每一小块的相似度；
匹配小块确定单元，用于将与查询图像每一小块的相似度最大的参考图像的一个小块作为查询图像该小块的匹配小块。
在本发明的一个实施例中，相似度计算模块包括局部相似度排序模块和图像相似度确定模块，其中：
局部相似度排序模块，用于将查询图像的每一小块与其匹配小块的相似度进行排序；
图像相似度确定模块，用于从查询图像的每一小块与其匹配小块的相似度排序中选取最大的N个相似度求平均值，将该平均值作为查询图像和参考图像的相似度，其中，N为对查询图像块数的一半向下取整的结果。
根据本发明的另一方面，提供一种相似图像检索系统，包括查询图像接收装置、图像相似度计算装置、图像相似度排序装置和最相似图像确定装置，其中：
查询图像接收装置，用于接收查询图像；
图像相似度计算装置，用于采用基于自适应分块和局部匹配的图像相似度计算方法，计算查询图像与数据库中每一参考图像的相似度；
图像相似度排序装置，用于对查询图像与数据库中每一参考图像的相似度进行排序；
最相似图像确定装置，用于将与查询图像相似度最高的查询图像作为与查询图像最相似的图像。
在本发明的一个实施例中，所述图像相似度计算装置为上述任一实施例所述的图像相似度计算装置。
本发明不需要提前对数据库中的图像进行训练，且准确率高，本发明能兼顾图像相似性检索的准确性和即时性，非常适用于如实时视频内容匹配等图像相似性检索场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明图像相似度计算方法一个实施例的示意图。
图2为本发明一个实施例中确定一张图像的分块阶数的示意图。
图3为本发明一个实施例中查询图像和一张参考图像的对比示意图。
图4为本发明相似图像检索方法一个实施例的示意图。
图5为本发明图像相似度计算装置一个实施例的示意图。
图6为本发明一个实施例中自适应分块模块的示意图。
图7为本发明一个实施例中分块阶数确定单元的示意图。
图8为本发明一个实施例中局部匹配模块的示意图。
图9为本发明一个实施例中相似度计算模块的示意图。
图10为本发明相似图像检索系统一个实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1为本发明图像相似度计算方法一个实施例的示意图。优选的，本实施例可由本发明图像相似度计算装置执行。该方法包括以下步骤：
步骤11，分别对查询图像和参考图像进行自适应分块。
在本发明的一个实施例中，对一张图像进行自适应分块的步骤可以包括：确定一张图像的分块阶数n；根据一张图像的分块阶数n，将图像分成n×n块；其中，一张图像为查询图像或参考图像。
在本发明上述实施例中，自适应分块可以通过不同的方法实现，一种较好的方法是利用sift特征来实现。
在本发明的一个实施例中，如图2所示，确定一张图像的分块阶数n的步骤可以包括：
步骤111，确定一张图像的所有sift特征点，其中，sift是一种检测局部特征的算法，每个sift特征点都有一个scale信息，这个参数代表该sift特征点所处的尺度。
例如，图3具体实施例的左图为查询图像，右图为参考图像。由于左图中的头部尺度小于右图中的头部尺度，则左图中头部上sift特征点的scale参数一般就会小于右图中头部上sift特征点的scale参数。
步骤112，根据一张图像中所有sift特征点Pi的尺度参数，确定该张图像的尺度参数平均值。
对图3具体实施例而言，步骤112可以包括：分别求出图3具体实施例的两图中的所有sift点Pi，Pi有一个对应的scale参数Si，分别对图3具体实施例的两图中的所有Si求平均值，假设一张图中有k个sift点，则平均scale S的公式为:
步骤113，根据该张图像的尺度参数平均值(平均scale S)，查询如表1所示的尺度参数平均值与分块阶数n的对应关系表，确定该张图像的分块阶数n，其中，表1是通过训练大量图片后得出的经验结果。
| 平均scale | [0，30) | [30，40) | [40，50) | [50，+∞) |
| 阶数 | 5 | 4 | 3 | 2 |
表1
对于图3具体实施例而言，可以得到左图为3阶，右图为2阶。由此可以通过自适应分块可以将左图分为9块、右图分为4块(用细线标出)，这样做的目的是将人的头部、衣服、手、黑板等独立的元素分隔开来，以便于下一步的匹配。
步骤12，图像局部匹配。对图像分完块后，就可以对图像进行局部匹配，局部匹配是指利用上一步分成的小块进行块与块之间的匹配。即，针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块。由于经过自适应分块后，块中的元素比较独立，图像局部匹配可以方便完成。
在本发明的一个实施例中，步骤12可以包括：
步骤121，针对查询图像的每一小块，计算其与参考图像的每一小块的相似度。
步骤122，将与查询图像每一小块的相似度最大的参考图像的一个小块作为查询图像该小块的匹配小块。
在本发明的一个具体实施例中，步骤12可以利用hog(Histogram of OrientedGradient,方向梯度直方图)直方图进行相似度匹配，其中hog是一种用来描述局部目标形状和轮廓的特征。
例如对于图3具体实施例而言，局部匹配的做法是分别将两图中的所有小块Ii运用hog算法表示成一个归一化的向量ui，然后对左图中每一小块的hog向量ui，分别求与右图中每一小块hog向量vi的夹角余弦值cos<ui，vi>，公式为：
右图中夹角余弦值最大的小块即为左图中该小块的匹配小块，本例中的9对匹配小块用彩色粗线标出。
具体而言，设定图3左图的9个小块中，最上方一行小块从左到右依次为块1-1、1-2、1-3，第二行小块从左到右依次为块1-4、1-5、1-6，第三行小块从左到右依次为块1-7、1-8、1-9；设定图3右图的4个小块中，最上方一行小块从左到右依次为块2-1、2-2，第二行小块从左到右依次为块2-3、2-4。
则进行局部匹配后，如图3所示，左图中小块1-1的匹配小块为右图中的小块2-1；左图中小块1-5、1-8的匹配小块为右图中的小块2-2；左图中小块1-4、1-7的匹配小块为右图中的小块2-3；左图中小块1-2、1-3、1-6、1-9的匹配小块为右图中的小块2-4。
步骤13，根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度。
在本发明的一个实施例中，步骤13可以包括：
步骤131，将查询图像的每一小块与其匹配小块的相似度进行排序。
步骤132，从查询图像的每一小块与其匹配小块的相似度排序中选取最大的N个相似度求平均值，将该平均值作为查询图像和参考图像的相似度，其中，N为对查询图像块数的一半向下取整的结果，即N＝INT(m/2)，其中，INT为向下取整函数，m为查询图像自适应分块后的小块数。例如在图3具体实施例中，m＝9，则N为INT(9/2)，等于4。
在本发明的一个实施例中，由步骤12的局部匹配得到了m对匹配小块，这些小块之间hog向量的夹角余弦值即为小块之间的相似度。图像相似度的计算方法包括：在这m个小块之间的相似度中选取最大的前50％个(本例中m＝9，则取前4个)相似度求平均值，这个平均值即为两图像的最终相似度。
基于本发明上述实施例提供的图像相似度计算方法，既不需要提前训练数据库中的图像，也不需要数据库，可随时求任意两图像之间的相似度，且算法的计算量也不大，具有很好的即时性。
本发明上述实施例既突出了图像的局部特征，又兼顾了整体特征。而在最后的相似度计算中，只取前50％个相似度取平均，又突出了图像中效果较好的相似信息，剔除掉了效果较差的相似信息，大大降低了图像的误匹配率，具有很好的准确性。
本发明上述实施例能兼顾图像相似性检索的准确性和即时性，非常适用于如实时视频内容匹配等图像相似性检索场景。
图4为本发明相似图像检索方法一个实施例的示意图。优选的，本实施例可由本发明相似图像检索系统执行。该方法包括以下步骤：
步骤41，接收查询图像。
步骤42，采用基于自适应分块和局部匹配的图像相似度计算方法，计算查询图像与数据库中每一参考图像的相似度。
在本发明的一个实施例中，所述基于自适应分块和局部匹配的图像相似度计算方法为如本发明上述任一实施例(例如图1实施例)所述的图像相似度计算方法。
步骤43，对查询图像与数据库中每一参考图像的相似度进行排序。
步骤44，将与查询图像相似度最高的查询图像作为与查询图像最相似的图像。
基于本发明上述实施例提供的相似图像检索方法，首先通过本专利给出的自适应分块方法分别对输入图片(查询图像)和数据库中所有图片(参考图像)进行自适应分块；对数据库中自适应分块完成后的每张图片，分别将输入图片中的各个小块与其进行局部匹配，求出每张图片中与之最相似的小块，并计算出其相似度；对输入图片与数据库每张图片局部匹配中计算出的小块相似度，选出最高的前50％个求平均值，即得到了输入图片与数据库每张图片的相似度，相似度最高的图片即为检索到的与输入图片最相似的图片。
本发明上述实施例不需要提前对数据库中的图像进行训练，且准确率较高，此方法能兼顾图像相似性检索的准确性和即时性，非常适用于如实时视频内容匹配等图像相似性检索场景。
图5为本发明图像相似度计算装置一个实施例的示意图。如图5所示，所述图像相似度计算装置包括自适应分块模块51、局部匹配模块52和相似度计算模块53，其中：
自适应分块模块51，用于分别对查询图像和参考图像进行自适应分块。
在本发明的一个实施例中，如图6所示，图5实施例的自适应分块模块51可以包括分块阶数确定单元511和分块单元512，其中：
分块阶数确定单元511，用于确定一张图像的分块阶数n，其中，一张图像为查询图像或参考图像。
分块单元512，根据该张图像的分块阶数n，将该图像分成n×n块。
在本发明的一个实施例中，如图7所示，图6实施例的分块阶数确定单元511可以包括特征点确定子模块5111、尺度平均值确定子模块5112和分块阶数确定子模块5113，其中：
特征点确定子模块5111，用于确定一张图像的所有sift特征点，其中每个sift特征点对应一个尺度参数。
尺度平均值确定子模块5112，用于根据一张图像中所有sift特征点的尺度参数，确定该张图像的尺度参数平均值。
分块阶数确定子模块5113，用于根据该张图像的尺度参数平均值，查询尺度参数平均值与分块阶数n的对应关系表，确定该张图像的分块阶数n。
局部匹配模块52，用于针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块。
在本发明的一个实施例中，如图8所示，图5实施例的局部匹配模块52可以包括局部相似度确定单元521和匹配小块确定单元522，其中：
局部相似度确定单元521，用于针对查询图像的每一小块，计算其与参考图像的每一小块的相似度。
匹配小块确定单元522，用于将与查询图像每一小块的相似度最大的参考图像的一个小块作为查询图像该小块的匹配小块。
相似度计算模块53，用于根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度。
在本发明的一个实施例中，如图9所示，图5实施例的相似度计算模块53可以包括局部相似度排序模块531和图像相似度确定模块532，其中：
局部相似度排序模块531，用于将查询图像的每一小块与其匹配小块的相似度进行排序。
图像相似度确定模块532，用于从查询图像的每一小块与其匹配小块的相似度排序中选取最大的N个相似度求平均值，将该平均值作为查询图像和参考图像的相似度，其中，N为对查询图像块数的一半向下取整的结果。
基于本发明上述实施例提供的图像相似度计算装置，既不需要提前训练数据库中的图像，也不需要数据库，可随时求任意两图像之间的相似度，且算法的计算量也不大，具有很好的即时性。
本发明上述实施例既突出了图像的局部特征，又兼顾了整体特征。而在最后的相似度计算中，只取前50％个相似度取平均，又突出了图像中效果较好的相似信息，剔除掉了效果较差的相似信息，大大降低了图像的误匹配率，具有很好的准确性。
本发明上述实施例能兼顾图像相似性检索的准确性和即时性，非常适用于如实时视频内容匹配等图像相似性检索场景。
图10为本发明相似图像检索系统一个实施例的示意图。如图10所示，所述相似图像检索系统包括查询图像接收装置1、图像相似度计算装置5、图像相似度排序装置2和最相似图像确定装置3，其中：
查询图像接收装置1，用于接收查询图像。
图像相似度计算装置5，用于采用基于自适应分块和局部匹配的图像相似度计算方法，计算查询图像与数据库中每一参考图像的相似度。
在本发明的一个实施例中，图像相似度计算装置5可以为本发明上述任一实施例(例如图5-图9任一实施例)所述的图像相似度计算装置。
图像相似度排序装置2，用于对查询图像与数据库中每一参考图像的相似度进行排序。
最相似图像确定装置3，用于将与查询图像相似度最高的查询图像作为与查询图像最相似的图像。
基于本发明上述实施例提供的相似图像检索系统，首先通过本专利给出的自适应分块方法分别对输入图片(查询图像)和数据库中所有图片(参考图像)进行自适应分块；然后对数据库中自适应分块完成后的每张图片，分别将输入图片中的各个小块与其进行局部匹配，求出每张图片中与之最相似的小块，并计算出其相似度；最后对输入图片与数据库每张图片局部匹配中计算出的小块相似度，选出最高的前50％个求平均值，即得到了输入图片与数据库每张图片的相似度，相似度最高的图片即为检索到的与输入图片最相似的图片。
本发明上述实施例通过图像自适应分块进行图像相似度计算，计算相似度时取最大的前50％个局部匹配相似度求平均值；本发明上述实施例不需要提前对数据库中的图像进行训练，且准确率较高，从而能兼顾图像相似性检索的准确性和即时性，非常适用于如实时视频内容匹配等图像相似性检索场景。
在上面所描述的查询图像接收装置1、图像相似度计算装置5、图像相似度排序装置2和最相似图像确定装置3可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此，已经详细描述了本发明。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (6)
1.一种图像相似度计算方法，其特征在于，包括：
分别对查询图像和参考图像进行自适应分块；
针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块；
根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度；
其中，根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度的步骤包括：
将查询图像的每一小块与其匹配小块的相似度进行排序；
从查询图像的每一小块与其匹配小块的相似度排序中选取最大的N个相似度求平均值，将该平均值作为查询图像和参考图像的相似度，其中，N为对查询图像块数的一半向下取整的结果；
其中，对一张图像进行自适应分块的步骤包括：
确定一张图像的分块阶数n；
根据一张图像的分块阶数n，将图像分成n×n块，其中，一张图像为查询图像或参考图像；
确定一张图像的分块阶数n的步骤包括：
确定一张图像的所有sift特征点，其中每个sift特征点对应一个尺度参数；
根据一张图像中所有sift特征点的尺度参数，确定该张图像的尺度参数平均值；
根据该张图像的尺度参数平均值，查询尺度参数平均值与分块阶数n的对应关系表，确定该张图像的分块阶数n。
2.根据权利要求1所述的方法，其特征在于，针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块的步骤包括：
针对查询图像的每一小块，计算其与参考图像的每一小块的相似度；
将与查询图像每一小块的相似度最大的参考图像的一个小块作为查询图像该小块的匹配小块。
3.一种相似图像检索方法，其特征在于，包括：
接收查询图像；
采用基于自适应分块和局部匹配的图像相似度计算方法，计算查询图像与数据库中每一参考图像的相似度；
对查询图像与数据库中每一参考图像的相似度进行排序；
将与查询图像相似度最高的查询图像作为与查询图像最相似的图像；
其中，所述基于自适应分块和局部匹配的图像相似度计算方法为如权利要求1或2所述的图像相似度计算方法。
4.一种图像相似度计算装置，其特征在于，包括自适应分块模块、局部匹配模块和相似度计算模块，其中：
自适应分块模块，用于分别对查询图像和参考图像进行自适应分块；
局部匹配模块，用于针对查询图像的每一小块，确定参考图像的一个小块作为其匹配小块；
相似度计算模块，用于根据查询图像的每一小块与其匹配小块的相似度，确定查询图像和参考图像的相似度；
其中，相似度计算模块包括局部相似度排序模块和图像相似度确定模块，其中：
局部相似度排序模块，用于将查询图像的每一小块与其匹配小块的相似度进行排序；
图像相似度确定模块，用于从查询图像的每一小块与其匹配小块的相似度排序中选取最大的N个相似度求平均值，将该平均值作为查询图像和参考图像的相似度，其中，N为对查询图像块数的一半向下取整的结果；
其中，自适应分块模块包括分块阶数确定单元和分块单元，其中：
分块阶数确定单元，用于确定一张图像的分块阶数n，其中，一张图像为查询图像或参考图像；
分块单元，根据该张图像的分块阶数n，将该图像分成n×n块；
其中，分块阶数确定单元包括特征点确定子模块、尺度平均值确定子模块和分块阶数确定子模块，其中：
特征点确定子模块，用于确定一张图像的所有sift特征点，其中每个sift特征点对应一个尺度参数；
尺度平均值确定子模块，用于根据一张图像中所有sift特征点的尺度参数，确定该张图像的尺度参数平均值；
分块阶数确定子模块，用于根据该张图像的尺度参数平均值，查询尺度参数平均值与分块阶数n的对应关系表，确定该张图像的分块阶数n。
5.根据权利要求4所述的装置，其特征在于，局部匹配模块包括局部相似度确定单元和匹配小块确定单元，其中：
局部相似度确定单元，用于针对查询图像的每一小块，计算其与参考图像的每一小块的相似度；
匹配小块确定单元，用于将与查询图像每一小块的相似度最大的参考图像的一个小块作为查询图像该小块的匹配小块。
6.一种相似图像检索系统，其特征在于，包括查询图像接收装置、图像相似度计算装置、图像相似度排序装置和最相似图像确定装置，其中：
查询图像接收装置，用于接收查询图像；
图像相似度计算装置，用于采用基于自适应分块和局部匹配的图像相似度计算方法，计算查询图像与数据库中每一参考图像的相似度；
图像相似度排序装置，用于对查询图像与数据库中每一参考图像的相似度进行排序；
最相似图像确定装置，用于将与查询图像相似度最高的查询图像作为与查询图像最相似的图像；
其中，所述图像相似度计算装置为如权利要求4或5所述的图像相似度计算装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610548371.2A CN107622270B (zh) | 2016-07-13 | 2016-07-13 | 图像相似度计算方法和装置、相似图像检索方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610548371.2A CN107622270B (zh) | 2016-07-13 | 2016-07-13 | 图像相似度计算方法和装置、相似图像检索方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107622270A CN107622270A (zh) | 2018-01-23 |
| CN107622270B true CN107622270B (zh) | 2020-05-12 |
Family
ID=61086912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610548371.2A Active CN107622270B (zh) | 2016-07-13 | 2016-07-13 | 图像相似度计算方法和装置、相似图像检索方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107622270B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334593B (zh) * | 2018-01-30 | 2022-01-28 | 西安电子科技大学 | 一种安全的云环境下的密文图像去重方法、云服务器 |
| CN108897746B (zh) * | 2018-04-03 | 2022-02-08 | 南昌奇眸科技有限公司 | 一种图像检索方法 |
| CN108874855B (zh) * | 2018-04-03 | 2022-06-21 | 南昌奇眸科技有限公司 | 一种基于相似区域检测分割的商标检索方法 |
| CN108694411B (zh) * | 2018-04-03 | 2022-02-25 | 南昌奇眸科技有限公司 | 一种识别相似图像的方法 |
| CN108763265B (zh) * | 2018-04-03 | 2022-02-08 | 南昌奇眸科技有限公司 | 一种基于分块检索的图像识别方法 |
| CN108763263A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种商标检索方法 |
| CN111428122B (zh) * | 2020-03-20 | 2023-09-01 | 南京中孚信息技术有限公司 | 图片检索方法、装置及电子设备 |
| CN113392925A (zh) * | 2021-06-30 | 2021-09-14 | 合肥高维数据技术有限公司 | 一种基于ar技术的合同篡改实时检查方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1617162A (zh) * | 2003-11-10 | 2005-05-18 | 北京握奇数据系统有限公司 | 一种智能卡内指纹特征匹配方法 |
| CN101136015A (zh) * | 2006-09-01 | 2008-03-05 | 北大方正集团有限公司 | 一种计算图像之间相似度的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2418555A (en) * | 2004-09-23 | 2006-03-29 | Mitsubishi Electric Inf Tech | Representing an image using descriptors based on colour information |
| CN102663765B (zh) * | 2012-04-28 | 2016-03-02 | Tcl集团股份有限公司 | 一种基于语义分割的三维图像立体匹配方法和系统 |
| CN103593464B (zh) * | 2013-11-25 | 2017-02-15 | 华中科技大学 | 基于视觉特征的视频指纹检测及视频序列匹配方法及系统 |
-
2016
- 2016-07-13 CN CN201610548371.2A patent/CN107622270B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1617162A (zh) * | 2003-11-10 | 2005-05-18 | 北京握奇数据系统有限公司 | 一种智能卡内指纹特征匹配方法 |
| CN101136015A (zh) * | 2006-09-01 | 2008-03-05 | 北大方正集团有限公司 | 一种计算图像之间相似度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《Confounded Expectations:Informedia at TRECVID 2004》;A. Hauptmann等;《TRECVID 2004》;20041130;全文 * |
| 《一种基于改进块匹配算法的运动车辆检测》;韦容等;《液晶与显示》;20160430;第31卷(第4期);第410-414页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107622270A (zh) | 2018-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107622270B (zh) | 图像相似度计算方法和装置、相似图像检索方法和系统 | |
| Li et al. | SHREC’13 track: large scale sketch-based 3D shape retrieval | |
| JP6188400B2 (ja) | 画像処理装置、プログラム及び画像処理方法 | |
| US9582518B2 (en) | Image processing apparatus, image processing method, and storage medium | |
| CN107223242B (zh) | 用于在多个已存储图像中搜索相似图像的方法 | |
| CN107423306B (zh) | 一种图像检索方法及装置 | |
| CN110546651B (zh) | 用于识别对象的方法、系统和计算机可读介质 | |
| US10140342B2 (en) | Similarity calculation system, method of calculating similarity, and program | |
| Kavitha et al. | Object based image retrieval from database using combined features | |
| CN109447023B (zh) | 确定图像相似度的方法、视频场景切换识别方法及装置 | |
| EP3044733A1 (en) | Image processing | |
| CN103971134A (zh) | 图像分类、检索和校正方法，以及相应装置 | |
| CN107832359B (zh) | 一种图片检索方法及系统 | |
| CN112597978A (zh) | 指纹匹配方法、装置、电子设备及存储介质 | |
| US20130121598A1 (en) | System and Method for Randomized Point Set Geometry Verification for Image Identification | |
| CN113918744A (zh) | 相似图像检索方法、装置、存储介质及计算机程序产品 | |
| CN110969657B (zh) | 一种枪球坐标关联方法、装置、电子设备及存储介质 | |
| US20220374947A1 (en) | Artificial intelligence-based system and method for grading collectible trading cards | |
| CN113343033B (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
| CN109657623B (zh) | 一种人脸图像相似度计算方法、装置、计算机装置及计算机可读存储介质 | |
| CN110196919B (zh) | 基于关键帧的电影推荐方法、装置、终端设备及存储介质 | |
| Sur et al. | An a contrario model for matching interest points under geometric and photometric constraints | |
| Sluzek et al. | Machine Vision in Food Recognition: Attempts to Enhance CBVIR Tools. | |
| CN110147459B (zh) | 一种图像检索方法、装置及电子设备 | |
| US9779062B2 (en) | Apparatus, method, and computer program product for computing occurrence probability of vector |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |