CN108009233A - 一种图像还原方法、装置、计算机设备及存储介质 - Google Patents

一种图像还原方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN108009233A
CN108009233A CN201711226861.1A CN201711226861A CN108009233A CN 108009233 A CN108009233 A CN 108009233A CN 201711226861 A CN201711226861 A CN 201711226861A CN 108009233 A CN108009233 A CN 108009233A
Authority
CN
China
Prior art keywords
image
feature vector
original
target
restored
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
Application number
CN201711226861.1A
Other languages
English (en)
Other versions
CN108009233B (zh
Inventor
马琳
富群
万月亮
王梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ruian Technology Co Ltd
Original Assignee
Beijing Ruian Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Ruian Technology Co Ltd filed Critical Beijing Ruian Technology Co Ltd
Priority to CN201711226861.1A priority Critical patent/CN108009233B/zh
Publication of CN108009233A publication Critical patent/CN108009233A/zh
Application granted granted Critical
Publication of CN108009233B publication Critical patent/CN108009233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • 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
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • 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
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information

Abstract

本发明公开了一种图像还原方法、装置、计算机设备及存储介质。所述方法包括：提取待还原图像的原始特征向量；确定所述原始特征向量对应的目标特征向量；获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对所述待还原图像进行图像还原。本发明的技术方案能够提高图像还原的真实性和准确性。

Description

一种图像还原方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及数据通信技术，尤其涉及一种图像还原方法、装置、计算机设备及存储介质。
背景技术
随着网络的发展，上网已经成为人们生活中的一部分。人们几乎每天都要通过网络进行信息查询、在线聊天、线上购物、社交互动等活动。然而，在网络给人们的生活带来便利的同时，其也显露出了一些弊端。例如，基于网络应用的丰富性、用户群体的复杂性，经常有人利用网络传播一些影响人们身心健康或危及社会稳定、破坏公共安全的信息。因此，必须对网络数据进行监控，以杜绝这些有害信息的传播。
近年来，Web应用中的图像在所有网络应用中所占的比例越来越高，因此对Web应用中的图像进行还原在网络数据监控中具有至关重要的作用。现有的图像还原技术中图像信息检索又是重中之重。目前，图像信息检索通常采用关键字检索。但是关键字检索存在很大的弊端，一是，关键字检索需要利用关键字的方式描述图像细节和意义，但是关键词给出的信息缺乏真实性，无法准确表达用户所需。二是，关键字检索需要人工标注图像信息不仅耗时费力，还会被主观多义所局限，导致基于关键字标签的检索结果出现偏差。
发明内容
本发明提供一种图像还原方法、装置、计算机设备及存储介质，以提高图像还原的真实性和准确性。
第一方面，本发明实施例提供了一种图像还原方法，所述方法包括：
提取待还原图像的原始特征向量；
确定所述原始特征向量对应的目标特征向量；
获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对所述待还原图像进行图像还原。
第二方面，本发明实施例还提供了一种图像还原装置，所述装置包括：提取模块、确定模块和还原模块；其中，
所述提取模块，用于提取待还原图像的原始特征向量；
所述确定模块，用于确定所述原始特征向量对应的目标特征向量；
所述还原模块，用于获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对所述待还原图像进行图像还原。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述第一方面中任一所述的方法。
第四方面，本发明实施例还提供了一种存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如第一方面中任一所述的方法。
本发明通过提取待还原图像的原始特征向量；确定所述原始特征向量对应的目标特征向量；获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对所述待还原图像进行图像还原。以能够提高图像还原的真实性和准确性。
附图说明
图1是本发明实施例一提供的图像还原方法的流程图；
图2是本发明实施例一提供的图像检索系统的结构框图；
图3是本发明实施例一提供的图像分割示意图；
图4是本发明实施例二提供的图像还原方法的流程图；
图5是本发明实施例三提供的图像还原装置的结构示意图；
图6是本发明实施例四提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的图像还原方法的流程图，本实施例可适用于图像还原的情况，该方法可以由图像还原装置来执行，如图1所示，图像还原方法可以包括如下步骤：
S110、提取待还原图像的原始特征向量。
在本实施例中，待还原图像是指在网络数据监控中，需要还原的Web应用中的图像。图像的特征向量能够从不同角度描述图片的特点。原始特征向量是指带还原图像本身的特征向量。对接收到的Web应用中的数据包进行解析，确定需要还原的图像，在数据包中提取出待还原图像的原始特征向量。
S120、确定原始特征向量对应的目标特征向量。
在本实施例中，目标特征向量是指存储在图像数据库中的与原始特征向量相似度大于预设阈值的特征向量。
图2是本发明实施例一提供的图像检索系统的结构框图，如图2所示，一般图像检索系统包括如下模块：图像数据库210、高维索引结构220。
在图像库中存储大量的图像资源，由于图像是彩色的，图像在存储到图像数据库之前需要对图像进行预处理，预处理包括对图像的色彩空间进行分析转换、量化、分割、去燥和滤波等。
对图像数据库中的图像进行文本注释。文本注释主要包括两个方面的内容，关键字和文字描述。关键字是指图像的入库时间、大小、类型和像素等。文字描述包括图像中出现的人物信息和事件信息等，用文字描述图像的内容使得要表示的内容更为具体。
对图像数据库中的图像提取特征向量。通过采用统计变换直方图与空间金字塔模型相结合的方法来提取图像的特征向量。
统计变换直方图可以描述出图像整体结构的信息。一幅图像有若干个像素点，也就会产生若干个统计变换(Census Transform，CT)值，CT指通过比较图像中选定的一个像素值与其周围紧邻的8个像素值的大小进而计算得到。如公式(1)所示，若中心位置的像素值大于或等于其紧邻的8个像素值，则在其相应位置记为比特1，否则就记为比特0。这是一个局部变换且没有参数，可以用此来确定局部模块之间的一致性。将得到的8个比特位按照预设拟定的任意顺序连接起来(此处为按从左到右，从上到下的顺序排列)，这样就构成了一个8位二进制数，它可以转换成[0，255]之间的十进制数，这个数即为选定的中心像素的CT值。也就是说，对于一张相对完整的图片，在经过统计变换直方图特征提取后的图像特征是256维的向量表示。用若干个像素的CT值分别代替其对应的灰度值后即可得到一张经统计变换后的图像。由于相邻像素之间的CT值高度相关，这就使统计变换直方图可以描述出图像整体结构的信息。
由于统计变换直方图只能对比较小的图像区域的整体形状特征进行编码，而网络中往往传输的图片很大，这就需要使用基于空间金字塔匹配模型的空间表示来获取较大图像的整体特征。这样通过将图像分割成若干个区域，有利于对图像的主要特征进行表示，可以很好的分类和检索。
金字塔匹配模型是指通过将一幅图像分别每次都将其长和宽各变成其原来的二分之一，来分成若干个小块图像，每一级分割后的图像块个数可以构成如金字塔般的形状，结合这些子区域的对应的CT值可以连接成一个大特征向量，可以有效增强图像整体的空间特征。这种方法的思路是将图像用网格的方式划分成2l×2l个图像块，然后对其中每个图像块计算其统计变换值，构成统计变换直方图，然后将各个图像块的直方图串接起来，就形成了对图像的全局描述。
图3是本发明实施例一提供的图像分割示意图，如图3所示，若将金字塔进行一次2级分割，则会产生22×22＝16个小块，为了减小完全不重叠分割产生的人工误差，需要再按图像中虚线区域进行再次分割。由图3可知，对图像进行2级分割可以使原图像产生4×4+3×3＝25个图像块，1级分割产生2×2+1＝5个图像块，0级分割产生1个图像块。由于统计变换直方图是256维的，故2级金字塔形成的特征向量有256×(25+5+1)＝7936维。将其作为特征向量放入特征向量库中供检索时使用。由于像素点往往集中于图像的中心区域，为更好地描述图像的主要特征，还可以将整个区域进行空间金字塔分割后再对中心区域进行一次金字塔分割，提高检索的准确率。
建立高维索引结构。首先要对所抽取的图像进行描述，及时返回带有特定信息的相似图形，使图像检索的时间大大减少。
此外，如图2所示，图像检索系统还包括搜索引擎230，搜索引擎由查询处理模块231和查询接口模块232组成。查询处理模块采用基于“相关反馈”的方法对图像进行查询，这样可以使用户参与在图像处理中。查询接口模块用于收集用户的信息需求，并将搜索结果返回给用户。在图像检索系统中建立搜索引擎是为了方便用户查询所浏览的网页是否存在敏感图片。
S130、获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对待还原图像进行图像还原。
根据特征向量和图像的关联关系，在图像数据库中获取与各个目标特征向量对应的目标还原图像。根据各个目标还原图像对待还原图像进行图像还原。
本发明实施例通过提取待还原图像的原始特征向量；确定原始特征向量对应的目标特征向量；获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对待还原图像进行图像还原，以实现提高图像还原的真实性和准确性。
在上述技术方案的基础上，确定原始特征向量对应的目标特征向量之前，图像还原方法还包括获取待检测图像和待检测图像对应的统一资源标识符URI；当在预先设置的URI数据库中查找到待检测图像对应的URI时，将待检测图像确定为待还原图像。根据待检测图像对应的统一资源标识符URI来确定带还原图像，可以按需获取待还原图像，并不要需要还原在网络中传输的所有数据。
实施例二
图4是本发明实施例二提供的图像还原方法的流程图，本实施例在上述各实施例的基础上，优选是将图像还原方法进一步优化。如图4所示，图像还原方法可以包括如下步骤：
S310、提取待还原图像的原始特征向量。
S320、提取待还原图像的文本信息，根据文本信息在预先设置的图像数据库中获取原始特征向量对应的预选目标特征向量。
对接收到的Web应用中的数据包进行解析，确定需要还原的图像，在数据包中提取出待还原图像的原始特征向量和文本信息，其中文本信息包括图像中出现的人物信息和事件信息等。根据文本信息在图像数据中进行检索，将检索到的特征向量作为预选目标特征向量，使图像检索的时间大大减少。
S330、计算各个预选目标特征向量与原始特征向量的相似度。
在本实施例中，对于图像间距离的计算，通常采用相似性度量的方法，将提取出的图像特征看成是矢量空间中的一个点，通过其特征向量比较相应图片的对应位置点间的距离来表示这两幅图像的相似度。可采用的距离函数计算方法有Millkowsky距离、欧氏距离和直方图相交法。计算各个预选目标特征向量与原始特征向量的相似度。
S340、将相似度大于或者等于预设相似度的预选目标特征向量确定为目标特征向量。
在本实施例中，相似度越大，表示图片越相似，目标还原图像越接近待还原图像。将相似度大于或者等于预设相似度的预选目标特征向量确定为目标特征向量，进一步确定目标特征向量。通过计算各个目标特征向量与原始特征向量的相似度来确定目标特征向量，可以提高检索的正确率和真实性，避免获取到大量的不相关图像。
S350、按照各个目标特征向量与原始特征向量的相似度将全部目标特征向量由大到小进行排序。
S360、按照由大到小的顺序获取各个目标特征向量对应的目标还原图像。
在本实施例中，按照各个目标特征向量与原始特征向量的相似度有大到小的顺序依次获取各个目标特征向量对应的目标还原图像，可以将相似度高的图像即与待还原图像最接近的图像优先输出。
本发明实施例的技术方案，通过提取待还原图像的原始特征向量；提取待还原图像的文本信息，根据文本信息在预先设置的图像数据库中获取原始特征向量对应的预选目标特征向量；计算各个预选目标特征向量与原始特征向量的相似度；将相似度大于或者等于预设相似度的预选目标特征向量确定为目标特征向量。按照各个目标特征向量与原始特征向量的相似度将全部目标特征向量由大到小进行排序；按照由大到小的顺序获取各个目标特征向量对应的目标还原图像。以实现缩小图像检索时间，提高图像还原的真实性和准确性。
实施例三
图5是本发明实施例三提供的图像还原装置的结构示意图，本实施例可适用于图像还原的情况，如图5所示，该图像还原装置的具体结构如下：该装置包括：提取模块410、确定模块420和还原模块430；其中，
提取模块410，用于提取待还原图像的原始特征向量；
确定模块420，用于确定原始特征向量对应的目标特征向量；
还原模块430，用于获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对待还原图像进行图像还原。
进一步的，提取模块410，还用于获取待检测图像和待检测图像对应的URI；
确定模块，还用于当在预先设置的URI数据库中查找到待检测图像对应的URI时，将待检测图像确定为待还原图像。
具体的，确定模块420包括：获取单元、计算单元和确定单元；其中，
获取单元，用于提取待还原图像的文本信息，根据文本信息在预先设置的图像数据库中获取原始特征向量对应的预选目标特征向量；
计算单元，用于计算各个预选目标特征向量与原始特征向量的相似度；
确定单元，用于将相似度大于或者等于预设相似度的预选目标特征向量确定为目标特征向量。
具体的，还原模块430，具体用于按照各个目标特征向量与原始特征向量的相似度将全部目标特征向量由大到小进行排序；按照由大到小的顺序获取各个目标特征向量对应的目标还原图像。
本发明实施例提供的图像还原装置，可以通过提取待还原图像的原始特征向量；确定原始特征向量对应的目标特征向量；获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对待还原图像进行图像还原。本发明实施例提供的技术方案能够提高图像还原的真实性和准确性。
本发明实施例所提供的图像还原装置可执行本发明任意实施例所提供的图像还原方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述图像还原装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图6是本发明实施例四提供的计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图6显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器或者处理单元516，系统存储器528，连接不同系统组件(包括系统存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。系统存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如系统存储器528中，这样的程序模块542包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像还原方法：
提取待还原图像的原始特征向量；
确定原始特征向量对应的目标特征向量；
获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对待还原图像进行图像还原。
进一步的，提取待还原图像的原始特征向量之前，图像还原方法还包括：
获取待检测图像和待检测图像对应的统一资源标识符URI；
当在预先设置的URI数据库中查找到待检测图像对应的URI时，将待检测图像确定为待还原图像。
进一步的，确定原始特征向量对应的目标特征向量，包括：
提取待还原图像的文本信息，根据文本信息在预先设置的图像数据库中获取原始特征向量对应的预选目标特征向量；
计算各个预选目标特征向量与原始特征向量的相似度；
将相似度大于或者等于预设相似度的预选目标特征向量确定为目标特征向量。
进一步的，获取各个目标特征向量对应的目标还原图像，包括：
按照各个目标特征向量与原始特征向量的相似度将全部目标特征向量由大到小进行排序；
按照由大到小的顺序获取各个目标特征向量对应的目标还原图像。
本发明实施例提供的计算机设备，通过提取待还原图像的原始特征向量；确定原始特征向量对应的目标特征向量；获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对待还原图像进行图像还原，以提高图像还原的真实性和准确性。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的图像还原方法：
提取待还原图像的原始特征向量；
确定原始特征向量对应的目标特征向量；
获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对待还原图像进行图像还原。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是--但不限于--电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种图像还原方法，其特征在于，包括：
提取待还原图像的原始特征向量；
确定所述原始特征向量对应的目标特征向量；
获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对所述待还原图像进行图像还原。
2.根据权利要求1所述的方法，其特征在于，所述提取待还原图像的原始特征向量之前，所述方法还包括：
获取待检测图像和所述待检测图像对应的统一资源标识符URI；
当在预先设置的URI数据库中查找到所述待检测图像对应的URI时，将所述待检测图像确定为所述待还原图像。
3.根据权利要求1所述的方法，其特征在于，所述确定所述原始特征向量对应的目标特征向量，包括：
提取所述待还原图像的文本信息，根据所述文本信息在预先设置的图像数据库中获取所述原始特征向量对应的预选目标特征向量；
计算各个预选目标特征向量与所述原始特征向量的相似度；
将相似度大于或者等于预设相似度的预选目标特征向量确定为所述目标特征向量。
4.根据权利要求1所述的方法，其特征在于，所述获取各个目标特征向量对应的目标还原图像，包括：
按照各个目标特征向量与所述原始特征向量的相似度将全部目标特征向量由大到小进行排序；
按照由大到小的顺序获取各个目标特征向量对应的目标还原图像。
5.一种图像还原装置，其特征在于，所述装置包括：提取模块、确定模块和还原模块；其中，
所述提取模块，用于提取待还原图像的原始特征向量；
所述确定模块，用于确定所述原始特征向量对应的目标特征向量；
所述还原模块，用于获取各个目标特征向量对应的目标还原图像，根据各个目标还原图像对所述待还原图像进行图像还原。
6.根据权利要求5所述的装置，其特征在于，所述获取模块，还用于获取待检测图像和所述待检测图像对应的URI；
所述确定模块，还用于当在预先设置的URI数据库中查找到所述待检测图像对应的URI时，将所述待检测图像确定为所述待还原图像。
7.根据权利要求5所述的装置，其特征在于，所述确定模块包括：获取单元、计算单元和确定单元；其中，
所述获取单元，用于提取所述待还原图像的文本信息，根据所述文本信息在预先设置的图像数据库中获取所述原始特征向量对应的预选目标特征向量；
所述计算单元，用于计算各个预选目标特征向量与所述原始特征向量的相似度；
所述确定单元，用于将相似度大于或者等于预设相似度的预选目标特征向量确定为所述目标特征向量。
8.根据权利要求5所述的装置，其特征在于，所述还原模块，具体用于按照各个目标特征向量与所述原始特征向量的相似度将全部目标特征向量由大到小进行排序；按照由大到小的顺序获取各个目标特征向量对应的目标还原图像。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至4任一权利要求所述的方法。
CN201711226861.1A 2017-11-29 2017-11-29 一种图像还原方法、装置、计算机设备及存储介质 Active CN108009233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711226861.1A CN108009233B (zh) 2017-11-29 2017-11-29 一种图像还原方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711226861.1A CN108009233B (zh) 2017-11-29 2017-11-29 一种图像还原方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN108009233A true CN108009233A (zh) 2018-05-08
CN108009233B CN108009233B (zh) 2021-08-31

Family

ID=62054742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711226861.1A Active CN108009233B (zh) 2017-11-29 2017-11-29 一种图像还原方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN108009233B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110018930A (zh) * 2019-04-18 2019-07-16 苏州开心盒子软件有限公司 图像恢复方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6295377B1 (en) * 1998-07-13 2001-09-25 Compaq Computer Corporation Combined spline and block based motion estimation for coding a sequence of video images
CN101231662A (zh) * 2008-01-25 2008-07-30 华中科技大学 基于网格平台的分布式医学图像检索系统
CN103226616A (zh) * 2013-05-16 2013-07-31 南京龙渊微电子科技有限公司 一种图像内容检索系统及其图像内容稀疏学习方法
CN104935838A (zh) * 2015-06-04 2015-09-23 上海集成电路研发中心有限公司 一种图像还原的方法
CN107358581A (zh) * 2017-06-19 2017-11-17 东南大学 快速图像修复方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6295377B1 (en) * 1998-07-13 2001-09-25 Compaq Computer Corporation Combined spline and block based motion estimation for coding a sequence of video images
CN101231662A (zh) * 2008-01-25 2008-07-30 华中科技大学 基于网格平台的分布式医学图像检索系统
CN103226616A (zh) * 2013-05-16 2013-07-31 南京龙渊微电子科技有限公司 一种图像内容检索系统及其图像内容稀疏学习方法
CN104935838A (zh) * 2015-06-04 2015-09-23 上海集成电路研发中心有限公司 一种图像还原的方法
CN107358581A (zh) * 2017-06-19 2017-11-17 东南大学 快速图像修复方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110018930A (zh) * 2019-04-18 2019-07-16 苏州开心盒子软件有限公司 图像恢复方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN108009233B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN111753727B (zh) 用于提取结构化信息的方法、装置、设备及可读存储介质
CN107690657B (zh) 根据影像发现商户
Ju et al. Depth-aware salient object detection using anisotropic center-surround difference
US10031925B2 (en) Method and system of using image recognition and geolocation signal analysis in the construction of a social media user identity graph
EP3625734A2 (en) Neural network based translation of natural language queries to database queries
CN110516096A (zh) 合成感知数字图像搜索
US20160048849A1 (en) Method and system for clustering and classifying online visual information
CN111325271B (zh) 图像分类方法及装置
US11797634B2 (en) System and method for providing a content item based on computer vision processing of images
CN102737243A (zh) 获取多幅图像的描述信息的方法及装置与图像匹配方法
CN106503112B (zh) 视频检索方法和装置
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
Liu et al. A novel watermarking algorithm for three-dimensional point-cloud models based on vertex curvature
CN112907569A (zh) 头部图像区域的分割方法、装置、电子设备和存储介质
Chen et al. Content-based image retrieval using block truncation coding based on edge quantization
CN111177497B (zh) 层次数据的关联关系可视化处理方法、服务器及存储介质
CN115392937A (zh) 一种用户欺诈风险识别方法、装置、电子设备及存储介质
CN115131803A (zh) 文档字号的识别方法、装置、计算机设备和存储介质
Shi et al. Segment-based adaptive window and multi-feature fusion for stereo matching
CN108009233A (zh) 一种图像还原方法、装置、计算机设备及存储介质
Cheng et al. Automatic registration of coastal remotely sensed imagery by affine invariant feature matching with shoreline constraint
CN111798406A (zh) 一种图片质量评价方法和系统
CN115116080A (zh) 表格解析方法、装置、电子设备和存储介质
Chu et al. A news picture geo-localization pipeline based on deep learning and street view images
Hu et al. Intelligent digital image firewall system for filtering privacy or sensitive images

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
CB03 Change of inventor or designer information

Inventor after: Ma Lin

Inventor after: Chen Fuqun

Inventor after: Wan Yueliang

Inventor after: Wang Mei

Inventor before: Ma Lin

Inventor before: Fu Qun

Inventor before: Wan Yueliang

Inventor before: Wang Mei

CB03 Change of inventor or designer information