CN108287833A - 一种用于艺术品鉴定的以图搜图方法 - Google Patents
一种用于艺术品鉴定的以图搜图方法 Download PDFInfo
- Publication number
- CN108287833A CN108287833A CN201710013011.7A CN201710013011A CN108287833A CN 108287833 A CN108287833 A CN 108287833A CN 201710013011 A CN201710013011 A CN 201710013011A CN 108287833 A CN108287833 A CN 108287833A
- Authority
- CN
- China
- Prior art keywords
- picture
- pixel
- search
- result set
- matching
- 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
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于艺术品鉴定的以图搜图方法,包括如下步骤:S1,当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,将高度匹配的历史图片对应的检索结果以及相似度展示给用户;否则转向步骤S2;S2,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集;S3,针对第一结果集中的图片,根据搜索图的稳定特征点和子图特征点,采用SIFT算法进行快速匹配,得到第二结果集;S4,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序。该方法通过粗匹配、快速匹配和精细匹配,在保证匹配精确度的基础上,提高了搜索效率。
Description
技术领域
本发明涉及一种以图搜图方法,尤其涉及一种用于艺术品鉴定的以图搜图方法,属于防伪鉴伪技术领域。
背景技术
随着我国经济的腾飞和文化底蕴的快速发展,对艺术品的鉴赏、交易、收藏渐渐成为一部分人的生活追求。但由于我国艺术品领域的发展不平衡,导致伪劣艺术品泛滥成灾、抄袭模仿司空见惯,虚假宣传与欺诈等现象时有发生。
为此,针对流转过程中的艺术品进行鉴定非常有必要。现有的艺术品鉴定一般是作者验证和经验验证。作者验证是作者本人对自身作品进行验证。但是,作者验证会出现人寿有限的问题,随着时间的推移,某些作者的记忆与眼力难免出现问题。经验验证是鉴定机构或者专家根据专业实力和经验对艺术品进行验证。但是,艺术品经验验证系统的专家的知识面有限,任何人都不可能成为全方位的、无所不能的艺术品鉴别超人。而且,现代科技已经可以让复制品与原作之间的视觉差异接近于零。
为解决现有问题,在申请号为201210378767.9的中国专利申请中公开了一种解决艺术品真伪鉴别的认证鉴伪系统。它采用一种以艺术品表层点状的物理显微图像结构特征为基础的客观、量化、精确的鉴别对象,有效解决有时连作者本人都无法证明自己作品真伪的窘境,有效压缩赝品的生存空间。但是,该认证鉴伪系统需要进行显微图像的拍摄,像素要求在1500~6000万像素,不能很好地满足大众对艺术品的鉴定需求,图片的尺寸比较大(千万像素级别),计算速度慢,需要消耗大量的CPU/GPU计算资源和内存资源。
发明内容
针对现有技术的不足,本发明所要解决的技术问题在于提供一种用于艺术品鉴定的以图搜图方法。
为实现上述发明目的,本发明采用下述的技术方案:
一种用于艺术品鉴定的以图搜图方法,包括如下步骤:
S1,当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户;否则转向步骤S2;
S2,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集;
S3,针对第一结果集中的图片,根据搜索图的稳定特征点和子图特征点,采用SIFT算法进行快速匹配,得到第二结果集;
S4,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序。
其中较优地,在步骤S2中,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集,包括如下步骤:
S21,将接收到的搜索图统一缩放到8×8个像素点的图片中;
S22,将缩放后的搜索图转化为256阶的灰度图;
S23,获取进行灰度处理后搜索图的所有像素点,计算所有像素点的灰度值的平均值;
S24,遍历灰度处理后搜索图中的每一个像素点,如果像素点的灰度值大于所述所有像素点的灰度值的平均值,则将所述像素点记录为1,否则记录为0,得到信息指纹;
S25,遍历图库中的图片,获取图库中图片的信息指纹,计算图库中图片的信息指纹与搜索图的信息指纹的汉明距离,当汉明距离大于粗匹配搜索阈值时,将图片去除,否则,将图片放入第一结果集;
S26,将上传的搜索图的信息指纹依次转置成四个方向,重复步骤S25,得到第一结果集。
其中较优地,在步骤S26中,所述信息指纹依次转置成的四个方向为搜索图原图、搜索图顺时针旋转90度、搜索图顺时针旋转180度和搜索图顺时针旋转270度。
其中较优地,在步骤S3中,针对第一结果集中的图片,根据搜索图的稳定特征点采用SIFT算法进行快速匹配,包括如下步骤:
S311,将8×8个像素点的图片进行进一步缩放,缩放到N×N个像素点的图片,构建尺度空间;其中,N为2m,m为大于等于3的正整数;
S312,将尺度空间中对比度低的像素点和不稳定的像素点去除;
S313,按照像素点的稳定性进行排序,从高到低挑选一定百分比的像素点作为特征点;
S314,针对选定的特征点,依次与第一结果集中的每张图片的像素点进行对比,当匹配度超过匹配阈值时,将所述张图片放入初步第二结果集。
其中较优地,在步骤S312中,所述对比度低的像素点包括空白位置组成的像素点和书画作品轮廓位置组成的图像的向量长度小于设定的长度阈值的像素点;
不稳定的像素点通过计算像素点中显现的图像的向量长度获得的,当像素点中显现的图像的向量长度小于设定的长度阈值时,所述像素点为不稳定的像素点。
其中较优地,在步骤S3中,根据搜索图的子图特征点,采用SIFT算法进行快速匹配,包括如下步骤:
S321,将第二结果集中的图片切成16~64份子图,并提取每一张子图的特征点;
S322,按画面的平均分布,从16~64份子图中提取4~16个子图进行匹配;
S323,依次获取每张图片的子图,将每个子图的特征点分别与构建尺度空间的搜索图进行对比,根据特征点匹配相同的个数得到匹配度,当匹配度超过快速匹配度阈值时,将该张图片放入第二结果集。
其中较优地,在步骤S322中,选取子图时,按照画面的平均分布,选取对角线上的子图进行进一步的匹配操作。
其中较优地,在步骤S4中,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序,包括如下步骤:
S41,从构建的尺度空间中提取搜索图的所有像素点,依次与第二结果集中的图片的所有像素点进行对比,根据像素点匹配相同的个数得到匹配度;
S42,当第二结果集中的图片全部匹配完成时,根据匹配度的大小对第二结果集中的图片进行排序;
S43,根据设定允许相似度阈值,将符合条件的图片以及对应的相似度展示给用户。
其中较优地,所述的用于艺术品鉴定的以图搜图方法,还包括如下步骤:
S5,如果没有找到相似图片,则采用SIFT算法对图库中的所有图片进行精确匹配,得到最终的相似图片,并根据相似度对所述相似图片进行排序。
其中较优地,所述的用于艺术品鉴定的以图搜图方法,还包括如下步骤:
S6,当每次匹配搜图完成之后,将用户提交的搜索图的图片搜索信息存储到数据库中,建立经验库。
本发明所提供的用于艺术品鉴定的以图搜图方法,当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户。否则,根据搜索图对图库进行粗匹配和快速匹配,对图库中的图片进行初步过滤,去除掉了大部分相似度较低的图片,对过滤之后的少量图片进行精细匹配,在保证匹配精确度的基础上,降低了海量图片的匹配操作过程,提高了搜索效率。
附图说明
图1为本发明所提供的用于艺术品鉴定的以图搜图方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
如图1所示,本发明所提供的用于艺术品鉴定的以图搜图方法,包括如下步骤:首先,当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户。否则,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集。之后,针对第一结果集中的图片,根据搜索图的稳定特征点和子图特征点,采用SIFT算法进行快速匹配,得到第二结果集:最后,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序,将排序后的检索结果以及相似度展示给用户。如果最终没有找到任何相似的图片,则采用SIFT算法对图库中的所有图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序。下面对这一过程做详细具体的说明。
S1,当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户;否则,转向步骤S2。
当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户。因为经验库中存储的历史图片(历史搜索图片)的数量要远远小于图库中存储的图片的数量,所以在经验库中进行搜索的搜索量要小很多,可以减少搜索工作量和搜索时间,提高搜图效率。其中,在经验库中检索历史图片的搜索方法与在图库中搜索相似图片的方法相同,在下文中进行详细的描述。
如果没有在经验库中搜索到高度匹配的历史图片,则转向步骤S2,在图库中进行相似图片的搜索匹配。
S2,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集。
在本发明所提供的实施例中,艺术品主要以中国书画作品为主,基于对中国书画作品以图搜图的业务需求分析,中国书画作品大都具有一定比例的留白,画面中画、书法具有比较明显的主体轮廓,针对以上特性结合基本的Hash算法,对Hash算法的64个点上的值的明暗级别较大的数值进行快速检索,然后再利用Hash算法对指纹库进行逐个匹配,对图库中的图片进行初步的排查,可以提高匹配度和匹配效率。考虑到Hash算法以及手机拍摄的搜索图的特点,匹配时要将手机端上传的搜索图的信息指纹转置成四个方向,分别匹配。其汉明距离可设置在2~5之间,产生第一结果集。
采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集,具体包括如下步骤:
S21,将接收到的搜索图统一缩放到8×8,共64个像素的图片中。
Hash算法是基于比较灰度图中每个像素点(即像素)的灰度值与灰度值的平均值来实现的,最适用于缩略图,放大图的搜索。为了保留结构去掉细节,去除大小、横纵比的差异,把接收到的搜索图统一缩放到8×8,共64个像素点的图片中。
S22,将缩放后的搜索图转化为256阶的灰度图。其中,将缩放后的搜索图转化为256阶的灰度图可以使用以下算法中的任意一种。以下算法中,R=red,G=green,B=blue:
1)浮点算法:Gray=R×0.3+G×0.59+B×0.11;
2)整数方法:Gray=(R×30+G×59+B×11)/100;
3)移位方法:Gray=(R×76+G×151+B×28)>>8;
4)平均值法:Gray=(R+G+B)/3;
5)仅取绿色:Gray=G。
S23,获取进行灰度处理后搜索图的所有像素点,计算所有像素点的灰度值的平均值。
S24,遍历灰度处理后搜索图中的每一个像素点,如果像素点的灰度值大于所有像素点的灰度值的平均值,则将其记录为1,否则记录为0,得到信息指纹。
S25,遍历图库中的图片,获取图库中图片的信息指纹,计算图库中图片的信息指纹与搜索图的信息指纹的汉明距离,当汉明距离大于粗匹配搜索阈值时,将图片去除,否则,将图片放入第一结果集。
遍历图库中的图片,获取图库中图片的信息指纹,计算图库中图片的信息指纹与搜索图的信息指纹的汉明距离,其中,图库中图片的信息指纹在艺术品录入过程中已经进行了提取备案,与图片一起存储到图库中。汉明距离指从一个信息指纹到另一个信息指纹需要变几次,在本发明所提供的实施例中,为搜索图和图库中的图片64个像素中,信息指纹不同的像素点的个数。汉明距离越大则说明图片越不一致,反之,汉明距离越小则说明图片越相似,当距离为0时,说明两张图片完全相同。通常认为距离>10就是两张完全不同的图片。粗匹配搜索阈值可以根据实际的搜图需要进行设定,一般设置为2~5。
S26,将手机上传的搜索图的信息指纹依次转置成四个方向,重复步骤S25,得到第一结果集。
Hash算法只会将现有角度的图片进行对比,但是在手机上传搜索图时,并不能保证上传的搜索图与专家进行备案时上传的图片角度是一致的,所以,在粗匹配阶段,通过将信息指纹的角度进行变化,依次进行匹配搜索,可以防止因艺术品上传角度不同而造成的漏检。在本发明所提供的实施例中,信息指纹依次转置成的四个方向为搜索图原图、搜索图顺时针旋转90度、搜索图顺时针旋转180度和搜索图顺时针旋转270度。将所有角度粗匹配出的所有相似图片组成第一结果集。通过粗匹配可以去除掉图库中一大部分相似度较低的图片,降低了后续精细匹配的工作量,提高了搜索效率。
S3,针对第一结果集中的图片,根据搜索图的稳定特征点和子图特征点,采用SIFT算法进行快速匹配,得到第二结果集。
通过粗匹配可以去除掉图库中一大部分相似度较低的图片,得到第一结果集,但是第一结果集中仍然存在大量图片信息,为了进一步降低精细匹配的工作量,提高搜索效率,针对第一结果集中的图片,根据搜索图的稳定特征点和子图特征点,采用SIFT算法进行快速匹配,得到第二结果集。SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点及其有关比例和方向的描述子得到特征并进行图像特征点匹配。
其中,针对第一结果集中的图片,根据搜索图的稳定特征点采用SIFT算法进行快速匹配,具体包括如下步骤:
S311,将8×8个像素点的图片进行进一步缩放,缩放到N×N个像素点的图片,构建尺度空间。其中,N×N可以根据要求的搜索精度进行设定,可以是8×8、16×16、32×32、64×64……2m×2m,m为大于等于3的正整数。
S312,将尺度空间中对比度比较低的像素点和不稳定的像素点去除。
其中,将尺度空间中对比度比较低的像素点包括空白位置组成的像素点和书画作品轮廓位置组成的仅占像素小部分位置的像素点。
书画作品轮廓位置组成的仅占像素小部分位置的像素点通过计算像素点中图像的向量长度获得,当向量长度小于设定的长度阈值时,将其视为仅占像素小部分位置的像素点。
不稳定的像素点通过计算像素点中显现的图像的向量长度获得的,当向量长度小于设定的长度阈值时,将其视为不稳定的像素点。其中,像素点中显现的图像的向量长度为像素点中显现的连续图像的长度。像素点中显现的连续图像的长度越长,像素点的额稳定性越高;反之,像素点中显现的连续图像的长度越短,像素点的稳定性越低。
S313,按照像素点的稳定性进行排序,从高到低挑选一定百分比的像素点作为特征点。在本发明所提供的实施例中,选取约占总特征点10%~30%的像素点作为特征点进行比对。
S314,针对选定的特征点,依次与第一结果集中的每张图片的像素点进行对比,当匹配度超过匹配阈值时,将该张图片放入初步第二结果集。其中,第一结果集中图片的特征点信息在艺术品录入过程中已经进行了提取备案,与图片一起存储到图库中。
针对第一结果集中的图片,根据搜索图的稳定特征点采用SIFT算法进行快速匹配,可以去除掉第一结果集中一大部分相似度较低的图片,降低了后续精细匹配的工作量,提高了搜索效率。
根据搜索图的子图特征点,采用SIFT算法进行快速匹配,具体包括如下步骤:
S321,将初步第二结果集中的图片切成16~64份子图,并提取每一张子图的特征点。
将初步第二结果集中的图片切成16~64份子图,根据搜索图的稳定特征点采用SIFT算法进行快速匹配中构建的尺度空间可知。每份子图中均包含多个特征点。
S322,按画面的平均分布,从16~64份子图中提取4~16个子图进行匹配。在本发明所提供的实施例中,按照画面的平均分布,选取对角线上的子图进行进一步的匹配操作。
S323,依次获取初步第二结果集中每张图片的子图,将每个子图选取的特征点分别与构建尺度空间的搜索图进行对比,根据特征点匹配相同的个数得到匹配度,当匹配度超过快速匹配度阈值时,将该张图片放入第二结果集。其中,初步第二结果集中图片的特征点信息在艺术品录入过程中已经进行了提取备案,与图片一起存储到图库中。
经过粗匹配和快速匹配之后,得到的第二结果集中,可以去除掉图库中大部分相似度较低的图片,挑选出少量具有一定相似度的图片,之后再进行精细匹配,降低了精细匹配的很多工作量,可以在很大程度上提高搜索效率。
S4,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序。
经过粗匹配和快速匹配之后,得到的第二结果集中,已经去除掉了大部分相似度较低的图片,第二结果集中的图片已经相对很少,其中存在的图片均为相似度较高的图片,在第二结果集中进行精确匹配,降低了匹配的工作量,提高了搜索效率。采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序,具体包括如下步骤:
S41,从构建的尺度空间中提取搜索图的所有像素点,依次与第二结果集中的图片的所有像素点进行对比,根据像素点匹配相同的个数得到匹配度。
S42,当第二结果集中的图片全部匹配完成时,根据匹配度的大小对第二结果集中的图片进行排序。
S43,根据设定的允许相似度阈值,将符合条件的图片以及对应的相似度展示给用户。
本发明所提供的用于艺术品鉴定的以图搜图方法,通过粗匹配和快速匹配,对图库中的图片进行初步过滤,去除掉了大部分相似度较低的图片,对过滤之后的少量图片进行精细匹配,在保证匹配精确度的基础上,降低了海量图片的匹配操作过程,提高了搜索效率。在本发明所提供的实施例中,为了保证搜图的精确性,该以图搜图方法还包括如下步骤:
S5,如果最终没有找到任何相似的图片,则采用SIFT算法对图库中的所有图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序。
如果最终没有找到任何相似的图片,为了保证搜图的精确性以及搜索结果的可靠性,采用SIFT算法对图库中的所有图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序。其中,采用SIFT算法对图库中的所有图片进行精确匹配,得到最终的相似图片的过程,与步骤S4中,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片的过程相同,只是图片搜索量进行了大量的增加,在此便不再赘述了。
在本发明所提供的实施例中,Hash算法中用到的信息指纹存储在关系型数据和内存数据库中。在1G内存中,可以存储近千万张图片的信息指纹。每台图片匹配服务器的内存数据库中,均存储一份全量的指纹数据,以避免每次匹配时,需要从数据库服务器中读取全量数据对数据库和网络造成的压力,同时也可以匹配提高效率。
针对SIFT算法特征点的数据量比较大的特点,关系型数据库、图片匹配服务器本地全量存储,每台图片匹配服务器的内存数据库中分开存储。在进行搜图请求的时候,每个以图搜图请求,都会由负载均衡服务器,分发到各个图片匹配服务器,在计算的过程中,负载均衡服务根据各个图片匹配服务器的计算进度,动态调节任务量。
当搜索完成之后,该以图搜图方法还包括如下步骤:
S6,当每次匹配搜图完成之后,将用户提交的搜索图、信息指纹和特征点、匹配结果等图片搜索信息存储到数据库中,建立经验库。
在本发明所提供的实施例中,根据艺术品创作者、收藏者、爱好者的使用特点,建立机器自动化学习机制。在每次匹配搜图完成之后,存储如下数据:用户提交的搜索图、信息指纹和特征点、匹配结果等等图片搜索信息,建立经验库。每次用户提交以图搜图请求时,服务器先到经验库中检索高度匹配的历史数据,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户,以提升效率。
综上所述,本发明所提供的用于艺术品鉴定的以图搜图方法,当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户。否则,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集。之后,针对第一结果集中的图片,根据搜索图的稳定特征点和子图特征点,采用SIFT算法进行快速匹配,得到第二结果集;最后,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序,将排序后的检索结果以及相似度展示给用户。本发明通过粗匹配和快速匹配,对图库中的图片进行初步过滤,去除掉了大部分相似度较低的图片,对过滤之后的少量图片进行精细匹配,在保证匹配精确度的基础上,降低了海量图片的匹配操作过程,提高了搜索效率。
上面对本发明所提供的用于艺术品鉴定的以图搜图方法进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (10)
1.一种用于艺术品鉴定的以图搜图方法,其特征在于包括如下步骤:
S1,当用户输入检索图进行搜图请求时,在经验库中搜索高度匹配的历史图片,如果搜索到,则将高度匹配的历史图片对应的检索结果以及相似度展示给用户;否则转向步骤S2;
S2,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集;
S3,针对第一结果集中的图片,根据搜索图的稳定特征点和子图特征点,采用SIFT算法进行快速匹配,得到第二结果集;
S4,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序。
2.如权利要求1所述的用于艺术品鉴定的以图搜图方法,其特征在于在步骤S2中,采用Hash算法对检索图进行灰度处理,得到信息指纹,根据信息指纹在图库中进行粗匹配,得到第一结果集,包括如下步骤:
S21,将接收到的搜索图统一缩放到8×8个像素点的图片中;
S22,将缩放后的搜索图转化为256阶的灰度图;
S23,获取进行灰度处理后搜索图的所有像素点,计算所有像素点的灰度值的平均值;
S24,遍历灰度处理后搜索图中的每一个像素点,如果像素点的灰度值大于所述所有像素点的灰度值的平均值,则将所述像素点记录为1,否则记录为0,得到信息指纹;
S25,遍历图库中的图片,获取图库中图片的信息指纹,计算图库中图片的信息指纹与搜索图的信息指纹的汉明距离,当汉明距离大于粗匹配搜索阈值时,将图片去除,否则,将图片放入第一结果集;
S26,将上传的搜索图的信息指纹依次转置成四个方向,重复步骤S25,得到第一结果集。
3.如权利要求2所述的用于艺术品鉴定的以图搜图方法,其特征在于:
在步骤S26中,所述信息指纹依次转置成的四个方向为搜索图原图、搜索图顺时针旋转90度、搜索图顺时针旋转180度和搜索图顺时针旋转270度。
4.如权利要求1所述的用于艺术品鉴定的以图搜图方法,其特征在于在步骤S3中,针对第一结果集中的图片,根据搜索图的稳定特征点采用SIFT算法进行快速匹配,包括如下步骤:
S311,将8×8个像素点的图片进行进一步缩放,缩放到N×N个像素点的图片,构建尺度空间;其中,N为2m,m为大于等于3的正整数;
S312,将尺度空间中对比度低的像素点和不稳定的像素点去除;
S313,按照像素点的稳定性进行排序,从高到低挑选一定百分比的像素点作为特征点;
S314,针对选定的特征点,依次与第一结果集中的每张图片的像素点进行对比,当匹配度超过匹配阈值时,将所述张图片放入初步第二结果集。
5.如权利要求4所述的用于艺术品鉴定的以图搜图方法,其特征在于:
在步骤S312中,所述对比度低的像素点包括空白位置组成的像素点和书画作品轮廓位置组成的图像的向量长度小于设定的长度阈值的像素点;
不稳定的像素点通过计算像素点中显现的图像的向量长度获得的,当像素点中显现的图像的向量长度小于设定的长度阈值时,所述像素点为不稳定的像素点。
6.如权利要求4所述的用于艺术品鉴定的以图搜图方法,其特征在于在步骤S3中,根据搜索图的子图特征点,采用SIFT算法进行快速匹配,包括如下步骤:
S321,将第二结果集中的图片切成16~64份子图,并提取每一张子图的特征点;
S322,按画面的平均分布,从16~64份子图中提取4~16个子图进行匹配;
S323,依次获取每张图片的子图,将每个子图的特征点分别与构建尺度空间的搜索图进行对比,根据特征点匹配相同的个数得到匹配度,当匹配度超过快速匹配度阈值时,将该张图片放入第二结果集。
7.如权利要求6所述的用于艺术品鉴定的以图搜图方法,其特征在于:
在步骤S322中,选取子图时,按照画面的平均分布,选取对角线上的子图进行进一步的匹配操作。
8.如权利要求1所述的用于艺术品鉴定的以图搜图方法,其特征在于在步骤S4中,采用SIFT算法对第二结果集中的图片进行精确匹配,得到最终的相似图片,并根据相似度对图片进行排序,包括如下步骤:
S41,从构建的尺度空间中提取搜索图的所有像素点,依次与第二结果集中的图片的所有像素点进行对比,根据像素点匹配相同的个数得到匹配度;
S42,当第二结果集中的图片全部匹配完成时,根据匹配度的大小对第二结果集中的图片进行排序;
S43,根据设定允许相似度阈值,将符合条件的图片以及对应的相似度展示给用户。
9.如权利要求1所述的用于艺术品鉴定的以图搜图方法,其特征在于还包括如下步骤:
S5,如果没有找到相似图片,则采用SIFT算法对图库中的所有图片进行精确匹配,得到最终的相似图片,并根据相似度对所述相似图片进行排序。
10.如权利要求1所述的用于艺术品鉴定的以图搜图方法,其特征在于还包括如下步骤:
S6,当每次匹配搜图完成之后,将用户提交的搜索图的图片搜索信息存储到数据库中,建立经验库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710013011.7A CN108287833A (zh) | 2017-01-09 | 2017-01-09 | 一种用于艺术品鉴定的以图搜图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710013011.7A CN108287833A (zh) | 2017-01-09 | 2017-01-09 | 一种用于艺术品鉴定的以图搜图方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108287833A true CN108287833A (zh) | 2018-07-17 |
Family
ID=62819292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710013011.7A Pending CN108287833A (zh) | 2017-01-09 | 2017-01-09 | 一种用于艺术品鉴定的以图搜图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108287833A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344679A (zh) * | 2018-07-25 | 2019-02-15 | 深圳云天励飞技术有限公司 | 基于图像分析的工地监控方法、装置及可读存储介质 |
CN109635878A (zh) * | 2018-12-24 | 2019-04-16 | 山东环渤海艺术大数据科技有限公司 | 一种书画保真鉴定方法及装置 |
CN110110125A (zh) * | 2019-04-28 | 2019-08-09 | 重庆学析优科技有限公司 | 一种快速精确的图片搜索匹配方法及系统 |
CN110232445A (zh) * | 2019-06-18 | 2019-09-13 | 清华大学深圳研究生院 | 一种基于知识蒸馏的文物真伪鉴定方法 |
CN110347855A (zh) * | 2019-07-17 | 2019-10-18 | 京东方科技集团股份有限公司 | 画作推荐方法、终端设备、服务器、计算机设备及介质 |
CN110516412A (zh) * | 2019-07-22 | 2019-11-29 | 平安科技(深圳)有限公司 | 图片原创信息获取方法、装置、计算机设备及存储介质 |
CN110704667A (zh) * | 2019-09-05 | 2020-01-17 | 上海零眸智能科技有限公司 | 一种基于语义信息的快速相似图检测算法 |
CN110851639A (zh) * | 2018-07-24 | 2020-02-28 | 浙江大华技术股份有限公司 | 一种以图搜图的方法及设备 |
CN110880003A (zh) * | 2019-10-12 | 2020-03-13 | 中国第一汽车股份有限公司 | 一种图像匹配方法、装置、存储介质及汽车 |
CN113704532A (zh) * | 2020-11-25 | 2021-11-26 | 天翼智慧家庭科技有限公司 | 一种提升图片检索召回率的方法和系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010047351A1 (en) * | 2000-05-26 | 2001-11-29 | Fujitsu Limited | Document information search apparatus and method and recording medium storing document information search program therein |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
CN102147815A (zh) * | 2011-04-21 | 2011-08-10 | 北京大学 | 图片搜索方法和图片搜索系统 |
CN102279849A (zh) * | 2010-06-09 | 2011-12-14 | 中兴通讯股份有限公司 | 一种大数据查询的方法及系统 |
CN102456054A (zh) * | 2010-10-28 | 2012-05-16 | 腾讯科技(深圳)有限公司 | 一种搜索方法及系统 |
CN102984201A (zh) * | 2012-09-13 | 2013-03-20 | 陈军 | 一种艺术品数字认证与真伪鉴别系统 |
CN103176996A (zh) * | 2011-12-21 | 2013-06-26 | 阿里巴巴集团控股有限公司 | 基于图片特征信息的图片搜索方法及图片搜索引擎服务器 |
CN103324650A (zh) * | 2012-10-23 | 2013-09-25 | 深圳市宜搜科技发展有限公司 | 一种图像检索方法及系统 |
CN103473327A (zh) * | 2013-09-13 | 2013-12-25 | 广东图图搜网络科技有限公司 | 图像检索方法与系统 |
CN103810303A (zh) * | 2014-03-18 | 2014-05-21 | 苏州大学 | 一种基于焦点对象识别和主题语义的图像搜索方法及系统 |
CN104133899A (zh) * | 2014-08-01 | 2014-11-05 | 百度在线网络技术(北京)有限公司 | 图片搜索库的生成方法和装置、图片搜索方法和装置 |
CN104239457A (zh) * | 2014-09-02 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法和装置 |
CN105260750A (zh) * | 2015-09-21 | 2016-01-20 | 北京农业信息技术研究中心 | 一种奶牛识别方法及系统 |
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
US20160162785A1 (en) * | 2014-12-09 | 2016-06-09 | Vital Statistics Inc. | Methods and systems for using a user customizable artificial intelligence engine for searching and correlating multiple databases |
CN105912643A (zh) * | 2016-04-08 | 2016-08-31 | 浙江理工大学 | 一种基于内容改进型均值哈希的图像检索方法 |
CN105930499A (zh) * | 2016-05-09 | 2016-09-07 | 深圳市数极科技有限公司 | 一种图片搜索方法及系统 |
CN105956020A (zh) * | 2016-04-22 | 2016-09-21 | 广州精点计算机科技有限公司 | 一种基于感知哈希的相似图像搜索方法和装置 |
CN106021603A (zh) * | 2016-06-20 | 2016-10-12 | 昆明理工大学 | 一种基于分割和特征匹配的服装图像检索方法 |
CN106227851A (zh) * | 2016-07-29 | 2016-12-14 | 汤平 | 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法 |
-
2017
- 2017-01-09 CN CN201710013011.7A patent/CN108287833A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010047351A1 (en) * | 2000-05-26 | 2001-11-29 | Fujitsu Limited | Document information search apparatus and method and recording medium storing document information search program therein |
CN101859382A (zh) * | 2010-06-03 | 2010-10-13 | 复旦大学 | 一种基于最大稳定极值区域的车牌检测与识别的方法 |
CN102279849A (zh) * | 2010-06-09 | 2011-12-14 | 中兴通讯股份有限公司 | 一种大数据查询的方法及系统 |
CN102456054A (zh) * | 2010-10-28 | 2012-05-16 | 腾讯科技(深圳)有限公司 | 一种搜索方法及系统 |
CN102147815A (zh) * | 2011-04-21 | 2011-08-10 | 北京大学 | 图片搜索方法和图片搜索系统 |
CN103176996A (zh) * | 2011-12-21 | 2013-06-26 | 阿里巴巴集团控股有限公司 | 基于图片特征信息的图片搜索方法及图片搜索引擎服务器 |
CN102984201A (zh) * | 2012-09-13 | 2013-03-20 | 陈军 | 一种艺术品数字认证与真伪鉴别系统 |
CN103324650A (zh) * | 2012-10-23 | 2013-09-25 | 深圳市宜搜科技发展有限公司 | 一种图像检索方法及系统 |
CN103473327A (zh) * | 2013-09-13 | 2013-12-25 | 广东图图搜网络科技有限公司 | 图像检索方法与系统 |
CN103810303A (zh) * | 2014-03-18 | 2014-05-21 | 苏州大学 | 一种基于焦点对象识别和主题语义的图像搜索方法及系统 |
CN104133899A (zh) * | 2014-08-01 | 2014-11-05 | 百度在线网络技术(北京)有限公司 | 图片搜索库的生成方法和装置、图片搜索方法和装置 |
CN104239457A (zh) * | 2014-09-02 | 2014-12-24 | 百度在线网络技术(北京)有限公司 | 搜索推荐方法和装置 |
US20160162785A1 (en) * | 2014-12-09 | 2016-06-09 | Vital Statistics Inc. | Methods and systems for using a user customizable artificial intelligence engine for searching and correlating multiple databases |
CN105260750A (zh) * | 2015-09-21 | 2016-01-20 | 北京农业信息技术研究中心 | 一种奶牛识别方法及系统 |
CN105550381A (zh) * | 2016-03-17 | 2016-05-04 | 北京工业大学 | 一种基于改进sift特征的高效图像检索方法 |
CN105912643A (zh) * | 2016-04-08 | 2016-08-31 | 浙江理工大学 | 一种基于内容改进型均值哈希的图像检索方法 |
CN105956020A (zh) * | 2016-04-22 | 2016-09-21 | 广州精点计算机科技有限公司 | 一种基于感知哈希的相似图像搜索方法和装置 |
CN105930499A (zh) * | 2016-05-09 | 2016-09-07 | 深圳市数极科技有限公司 | 一种图片搜索方法及系统 |
CN106021603A (zh) * | 2016-06-20 | 2016-10-12 | 昆明理工大学 | 一种基于分割和特征匹配的服装图像检索方法 |
CN106227851A (zh) * | 2016-07-29 | 2016-12-14 | 汤平 | 基于深度卷积神经网络端对端的通过分层深度搜索的图像检索方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851639A (zh) * | 2018-07-24 | 2020-02-28 | 浙江大华技术股份有限公司 | 一种以图搜图的方法及设备 |
CN109344679A (zh) * | 2018-07-25 | 2019-02-15 | 深圳云天励飞技术有限公司 | 基于图像分析的工地监控方法、装置及可读存储介质 |
CN109635878A (zh) * | 2018-12-24 | 2019-04-16 | 山东环渤海艺术大数据科技有限公司 | 一种书画保真鉴定方法及装置 |
CN110110125A (zh) * | 2019-04-28 | 2019-08-09 | 重庆学析优科技有限公司 | 一种快速精确的图片搜索匹配方法及系统 |
CN110232445B (zh) * | 2019-06-18 | 2021-03-26 | 清华大学深圳研究生院 | 一种基于知识蒸馏的文物真伪鉴定方法 |
CN110232445A (zh) * | 2019-06-18 | 2019-09-13 | 清华大学深圳研究生院 | 一种基于知识蒸馏的文物真伪鉴定方法 |
CN110347855A (zh) * | 2019-07-17 | 2019-10-18 | 京东方科技集团股份有限公司 | 画作推荐方法、终端设备、服务器、计算机设备及介质 |
US11341735B2 (en) | 2019-07-17 | 2022-05-24 | Boe Technology Group Co., Ltd. | Image recommendation method, client, server, computer system and medium |
CN110516412A (zh) * | 2019-07-22 | 2019-11-29 | 平安科技(深圳)有限公司 | 图片原创信息获取方法、装置、计算机设备及存储介质 |
CN110704667A (zh) * | 2019-09-05 | 2020-01-17 | 上海零眸智能科技有限公司 | 一种基于语义信息的快速相似图检测算法 |
CN110704667B (zh) * | 2019-09-05 | 2023-06-30 | 上海零眸智能科技有限公司 | 一种基于语义信息的快速相似图检测方法 |
CN110880003A (zh) * | 2019-10-12 | 2020-03-13 | 中国第一汽车股份有限公司 | 一种图像匹配方法、装置、存储介质及汽车 |
CN113704532A (zh) * | 2020-11-25 | 2021-11-26 | 天翼智慧家庭科技有限公司 | 一种提升图片检索召回率的方法和系统 |
CN113704532B (zh) * | 2020-11-25 | 2024-04-26 | 天翼数字生活科技有限公司 | 一种提升图片检索召回率的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108287833A (zh) | 一种用于艺术品鉴定的以图搜图方法 | |
CN102542058B (zh) | 一种融合全局与局部视觉特征的层次化地标识别方法 | |
Sattler et al. | Large-scale location recognition and the geometric burstiness problem | |
Yang et al. | Local difference binary for ultrafast and distinctive feature description | |
Bagri et al. | A comparative study on feature extraction using texture and shape for content based image retrieval | |
Mouine et al. | A shape-based approach for leaf classification using multiscaletriangular representation | |
Yang et al. | LDB: An ultra-fast feature for scalable augmented reality on mobile devices | |
CN108491430B (zh) | 一种基于对特征方向进行聚类的无监督哈希检索方法 | |
CN102254015A (zh) | 基于视觉词组的图像检索方法 | |
US20180232400A1 (en) | Sketch-based image searching system using cell-orientation histograms and outline extraction based on medium-level features | |
Bhattacharjee et al. | Query adaptive instance search using object sketches | |
Mouine et al. | Plant species recognition using spatial correlation between the leaf margin and the leaf salient points | |
Xu et al. | Obsir: Object-based stereo image retrieval | |
JP2009258953A (ja) | 画像処理方法、その方法を実行するプログラム、記憶媒体、撮像機器、画像処理システム | |
Tolias et al. | Towards large-scale geometry indexing by feature selection | |
CN111414958A (zh) | 一种视觉词袋金字塔的多特征图像分类方法及系统 | |
Bakić et al. | Inria IMEDIA2's participation at ImageCLEF 2012 plant identification task | |
Bhattacharya et al. | Qdf: A face database with varying quality | |
Huang et al. | A new descriptor resistant to affine transformation and monotonic intensity change | |
Jin et al. | A novel visual-region-descriptor-based approach to sketch-based image retrieval | |
CN111382703B (zh) | 一种基于二次筛选与分数融合的指静脉识别方法 | |
Zhao et al. | Person re-identification with effectively designed parts | |
Liu et al. | An Improved Pairwise Rotation Invariant Co-occurrence Local Binary Pattern Method for Texture Feature Extraction | |
Feng et al. | Efficient indexing for mobile image retrieval | |
Ghorai et al. | Bishnupur heritage image dataset (BHID) a resource for various computer vision applications |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210824 Address after: 100062 3rd floor, building 6, Beili East District, Donghua City, Dongcheng District, Beijing Applicant after: Beijing xinzhitang Education Technology Development Co.,Ltd. Address before: 100095 104-26, building 5, courtyard 1, Wenquan village, Wenquan Town, Haidian District, Beijing Applicant before: BEIJING YIJIANTONG TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180717 |