CN108629350A - 一种识别图片之间相似关系的方法及装置 - Google Patents
一种识别图片之间相似关系的方法及装置 Download PDFInfo
- Publication number
- CN108629350A CN108629350A CN201710152927.0A CN201710152927A CN108629350A CN 108629350 A CN108629350 A CN 108629350A CN 201710152927 A CN201710152927 A CN 201710152927A CN 108629350 A CN108629350 A CN 108629350A
- Authority
- CN
- China
- Prior art keywords
- picture
- object point
- characteristic information
- point
- target point
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种识别图片之间相似关系的方法及装置,用以提高识别图片之间的相似关系的准确度。方法包括:对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,所述第一目标点在所述第一图片上的位置与所述第二目标点在所述第二图片上的位置相对应;确定所述第一目标点的特征信息和所述第二目标点的特征信息;根据所述第一目标点的特征信息与所述第二目标点的特征信息的差异,确定所述第一图片和所述第二图片之间的相似关系。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种识别图片之间相似关系的方法及装置。
背景技术
图片之间可能存在一定程度上的相似关系,比如图片内容完全相同的两张图片称为相同图片,将一张图片经过放缩、旋转等编辑而不改变图片的像素,编辑前后的图片之间称为同源重复图片,等等。准确地识别图片之间的相似关系对于高效整理图片、释放图片的存储空间有着非常重要的意义。
目前已经存在多种识别图片之间的相似关系的技术方案,比如基于图片的颜色特征识别图片之间的相似关系的技术方案,基于图片的名称和大小识别图片之间的相似关系的技术方案,通过一一比较图片上像素的灰度识别图片之间的相似关系的技术方案,等等。现有的识别图片之间的相似关系的技术方案的共同特点在于着眼于图片的全局,是在宏观上对图片之间的相似关系进行识别,主要关注图片的整体感知,对图片的细节不能准确的判断,因此导致识别图片之间的相似关系的准确度较低,并且也不能识别出图片之间存在哪种相似关系。
综上所述,现有的识别图片之间的相似关系的技术方案存在准确度低的问题。
发明内容
本申请实施例提供了一种识别图片之间的相似关系的方法及装置,用以提高识别图片之间的相似关系的准确度。
第一方面,本申请实施例提供的一种识别图片之间的相似关系的方法,包括:
对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,所述第一目标点在所述第一图片上的位置与所述第二目标点在所述第二图片上的位置相对应;
确定所述第一目标点的特征信息和所述第二目标点的特征信息;
根据所述第一目标点的特征信息与所述第二目标点的特征信息的差异,确定所述第一图片和所述第二图片之间的相似关系。
上述方法中,由于第一目标点是对第一图片进行逐级分块处理得到的,第二目标点是对第二图片进行逐级分块处理得到的,使得第一目标点的特征信息能够代表第一图片从整体到局部的图像特征,第二目标点的特征信息能够代表第二图片从整体到局部的图像特征。因此相对于现有的识别图片之间的相似关系的技术方案,上述方法通过根据第一目标点的特征信息与第二目标点的特征信息的差异识别第一图片和第二图片之间的相似关系,提高识别图片之间的相似关系的准确度。
在一种可能的实现方式中,所述第一目标点包括对所述第一图片逐级分块处理得到的子图像中的像素点,所述第二目标点包括对所述第二图片逐级分块处理得到的子图像中的像素点。
在一种可能的实现方式中,所述对图片进行逐级分块处理包括:
将图片的整体图像平均划分成N*N块子图像;将所述N*N块子图像中位于中心位置的M*M块子图像平均划分成N*N块子图像,直到划分次数达到预设划分阈值。
其中,N为大于二的整数,M为不小于1且不大于N-2的整数,预设划分阈值为不小于2的整数。
在一种可能的实现方式中,对于每次划分所述第一图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第一目标点,对于每次划分,得到N*N个所述第一目标点;
对于每次划分所述第二图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第二目标点,对于每次划分,得到N*N个所述第二目标点。
其中,第一图片上的第一目标点与第二图片上的第二目标点存在一一对应关系。第一目标点和第二目标点之间的一一对应关系是指,对于一个第一目标点,该第一目标点在第一图片上的位置与该第一目标点对应的第二目标点在第二图片上的位置对应,该对应的位置是指对第一图片和第二图片的同一次划分得到的同一子图像。
在一种可能的实现方式中,所述第一目标点的特征信息包括所述第一目标点对应的像素值,所述第二目标点的特征信息包括所述第二目标点对应的像素值。
在一种可能的实现方式中,当所述第一图片为RGB图像时,所述第一目标点对应的像素值包括经过灰度图像转换得到的灰度值;当所述第二图片为RGB图像时,所述第二目标点对应的像素值包括经过灰度图像转换得到的灰度值;当第一图片为灰度图像时,第一目标点对应的像素值包括第一图片上目标点对应的灰度值。
在一种可能的实现方式中,对于每次划分所述第一图片得到的N*N个第一目标点,按预设顺序排列该N*N个第一目标点的特征信息,得到所述预设划分次数个第一特征向量;对于每次划分所述第二图片得到的N*N个第二目标点,按所述预设顺序排列该N*N个第二目标点的特征信息,得到所述预设划分次数个第二特征向量;其中,所述预设顺序可以为从大到小或者从小到大。
需要说明的是,通过上述方法得到第一图片的预设划分次数个第一特征向量可以作为第一图片的指纹信息,通过上述方法得到第二图片的预设划分次数个第二特征向量可以作为第二图片的指纹信息,此种确定图片指纹信息的方法也可以应用于其他场景,不仅限于识别图片之间的相似关系的场景。
上述方法中,由于第一特征向量是第一目标点的特征信息按预设顺序排列得到有序数组,第二特征向量是第二目标点的特征信息按预设顺序排列得到有序数组,因此在图片经过放缩、旋转、翻转等处理后,由特征向量组成的该图片的指纹信息仍能够保持稳定,因此针对经过放缩、旋转、翻转等处理前后的图片,通过本申请实施例提供的方法能够提高识别此类图片之间的相似关系的准确度。
确定所述第一目标点的特征信息与所述第二目标点的特征信息的差异的方法包括:
计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到所述预设划分次数个差向量。
在一种可能的实现方式中,得到所述预设划分次数个差向量之后,所述方法还包括:
计算每个差向量的统计值,得到所述预设划分次数个统计值。
在一种可能的实现方式中,确定所述第一目标点的特征信息的方法包括:
以所述第一图片上的一个预设点为原点,建立二维坐标系,确定所述第一图片上所述第一目标点的坐标;
根据所述第一目标点的坐标和所述第一图片的原始图像矩阵,确定所述第一目标点对应的像素值。
其中,第一图片的原始图像矩阵是指将第一图片转换成灰度图像时,由该灰度图像上的灰度值组成的矩阵,矩阵中每行每列均包括N*N个元素。
在一种可能的实现方式中,所述第一图片与所述第二图片之间的相似关系包括如下关系之一:相同图片、同源重复图片、P级相似图片;
其中,P值指示两张图片的相似程度。
第二方面,本申请实施例提供了一种识别图片之间相似关系的装置,包括:
逐级分块单元,用于对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,所述第一目标点在所述第一图片上的位置与所述第二目标点在所述第二图片上的位置相对应;
特征信息确定单元,用于在所述逐级分块单元得到所述第一目标点和所述第二目标点之后,确定所述第一目标点的特征信息和所述第二目标点的特征信息;
相似关系确定单元,用于根据所述特征信息确定单元确定的所述第一目标点的特征信息与所述第二目标点的特征信息的差异,确定所述第一图片和所述第二图片之间的相似关系。
上述装置中,由于第一目标点是逐级分块单元对第一图片进行逐级分块处理得到的,第二目标点是逐级分块单元对第二图片进行逐级分块处理得到的,使得特征信息确定单元确定的第一目标点的特征信息能够代表第一图片从整体到局部的图像特征,特征信息确定单元确定的第二目标点的特征信息能够代表第二图片从整体到局部的图像特征。因此相对于现有的识别图片之间的相似关系的技术方案,上述装置中相似关系确定单元根据第一目标点的特征信息与第二目标点的特征信息的差异识别第一图片和第二图片之间的相似关系,提高识别图片之间的相似关系的准确度。
在一种可能的实现方式中,所述第一目标点包括所述逐级分块单元对所述第一图片逐级分块处理得到的子图像中的像素点,所述第二目标点包括所述逐级分块单元对所述第二图片逐级分块处理得到的子图像中的像素点。
在一种可能的实现方式中,所述第一目标点的特征信息包括所述第一目标点对应的像素值,所述第二目标点的特征信息包括所述第二目标点对应的像素值。
在一种可能的实现方式中,当所述第一图片为红绿蓝RGB图像时,所述第一目标点对应的像素值包括经过灰度图像转换得到的灰度值;当所述第二图片为RGB图像时,所述第二目标点对应的像素值包括经过灰度图像转换得到的灰度值。
在一种可能的实现方式中,所述逐级分块单元具体用于:
将图片的整体图像平均划分成N*N块子图像;将所述N*N块子图像中位于中心位置的M*M块子图像平均划分成N*N块子图像,直到划分次数达到预设划分阈值。
在一种可能的实现方式中,对于所述逐级分块单元每次划分所述第一图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第一目标点,对于每次划分,得到N*N个所述第一目标点;
对于所述逐级分块单元每次划分所述第二图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第二目标点,对于每次划分,得到N*N个所述第二目标点。
在一种可能的实现方式中,对于所述逐级分块单元每次划分所述第一图片得到的N*N个第一目标点,所述特征信息确定单元按预设顺序排列该N*N个第一目标点的特征信息,得到所述预设划分次数个第一特征向量;对于所述逐级分块单元每次划分所述第二图片得到的N*N个第二目标点,所述特征信息确定单元按所述预设顺序排列该N*N个第二目标点的特征信息,得到所述预设划分次数个第二特征向量;
所述相似关系确定单元在确定所述第一目标点的特征信息与所述第二目标点的特征信息的差异时,具体用于:
计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到所述预设划分次数个差向量。
在一种可能的实现方式中,所述相似关系确定单元还用于:
得到所述预设划分次数个差向量之后,计算每个差向量的统计值,得到所述预设划分次数个统计值。
在一种可能的实现方式中,所述特征信息确定单元在确定所述第一目标点的特征信息时,具体用于:
以所述第一图片上的一个预设点为原点,建立二维坐标系,确定所述第一图片上所述第一目标点的坐标;
根据所述第一目标点的坐标和所述第一图片的原始图像矩阵,确定所述第一目标点对应的像素值。
在一种可能的实现方式中,所述第一图片与所述第二图片之间的相似关系包括如下关系之一:相同图片、同源重复图片、P级相似图片;
其中,P值指示两张图片的相似程度。
在一种可能的实现方式中,所述预设顺序为从大到小或者从小到大。
第三方面,本申请实施例提供了一种识别图片之间相似关系的装置,包括存储器和处理器;其中,
所述存储器用于存储计算机可读程序;
所述处理器通过运行所述存储器中的程序,以完成第一方面及第一方面中任一可能的实现方式中所述的方法。
附图说明
图1为本申请实施例提供的一种翻转图片示意图;
图2为本申请实施例提供的一种旋转图片示意图;
图3为本申请实施例提供的一种前景有旋转的图片示意图;
图4为本申请实施例提供的一种识别图片之间的相似关系的装置结构示意图;
图5为本申请实施例提供的一种识别图片之间的相似关系的方法流程示意图;
图6为本申请实施例提供的一种对第一图片进行逐级分块处理的示意图;
图7为本申请实施例提供的另一种识别图片之间的相似关系的装置结构示意图。
具体实施方式
本申请实施例提供了一种识别图片之间的相似关系的方法及装置,用以提高识别图片之间的相似关系的准确度。其中,方法和装置是基于同一发明构思的,由于方法及装置解决问题的原理相似,因此装置与方法的实施可以相互参见,重复之处不再赘述。
本申请实施例提供的技术方案涉及识别图片之间的相似关系的场景,通过本申请实施例提供的技术方案可以准确地识别出图片之间的相似关系,适用于多种应用场景,例如存储、清理、查找图片的场景,对于高效整理图片、释放图片的存储空间有着非常重要的意义。
本申请实施例涉及的图片可以是RGB图像、灰度图像等,其中,RGB是一种色彩模式,通过使用RGB色彩模式处理得到的图片即为RGB图像,RGB图像上的像素值表示为(R,G,B)。RGB图像可以转换为灰度图像,灰度图像上的像素值为灰度值(Gray)。可以通过如下算法将RGB图像的像素值(R,G,B)转换成灰度图像的灰度值Gray:
1.浮点算法:Gray=R*0.3+G*0.59+B*0.11
2.整数算法:Gray=(R*30+G*59+B*11)/100
3.移位算法:Gray=(R*76+G*151+B*28)>>8
4.平均值算法:Gray=(R+G+B)/3
5.将(R,G,B)中的绿色G赋值给Gray:Gray=G
本申请实施例中图片之间的相似关系包括但不限于原始图片、重复图片、不同程度的相似图片。下面对图片之间的各种相似关系进行解释:
原始图片:图片A经过放大、缩小、旋转、翻转等变换得到图片B,图片A是图片B的原始图片。
重复图片:可以分为相同图片和同源重复图片,其中,
相同图片:内容完全相同的两张图片为相同图片,可以允许两张图片的文件名和编码格式不同,例如一个是png图片,一个是jpg图片。
同源重复图片:若图片A和图片B的原始图片是一样的,并且对原始图片进行的图片编辑是放缩、旋转、翻转等这些不改变图片的像素点的相对位置、色彩、亮度、饱和度的处理得到的图片A和图片B,那么图片A和图片B为同源重复图片,上述处理不包括剪切、滤镜等操作。
不同程度的相似图片:对于相似图片,难以给出很精确的定义,大致描述是:若图片A和图片B的原始图片是不一样的,但图片的背景几乎一样(允许细微改变),图片的前景有较小的差别,那么图片A和图片B是相似图片。进一步的,可以按照图片之间相似程度的不同,将图片之间的相似关系定义成不同级别的相似图片,例如,P级相似图片,P值指示两张图片的相似程度,P值越大,两张图片的相似程度越低。通常认为图片中的主体对象是图片的前景,图片的背景为用来衬托前景的景物,如山、水、画布等。
本申请实施例中涉及的对图片的编辑处理包括但不限于放缩、翻转、旋转,下面对图片的编辑处理进行解释:
图片放缩:是指对图片进行放大或缩小,通常分为等比例放缩和不等比例放缩。其中,等比例放缩是指对图片的宽和高进行放大或缩小的比例相同,不等比例放缩是指对图片的宽和高进行放大或缩小的比例不同。
图片翻转:是指对图片中的像素点进行左右对称的位置变换。例如,如图1所示,图1中左图为原图,图1中右图为对该原图进行翻转得到的图片。
图片旋转:是指将图片做顺时针或逆时针旋转。例如,如图2所示,图2中左图为原图,图2中右图为对该原图进行顺时针旋转180度得到的图片。
前景有旋转的图片:是指图片的背景基本不变,而对图片中前景进行平面刚性旋转后得到的图片。例如,如图3所示的4张图片为前景有旋转的图片。
下面对本申请实施例提供的技术方案进行描述。
实施例一
本申请实施例提供了一种识别图片之间的相似关系的装置,参阅图4所示,该装置所在的主机400包括:至少一个处理器401和存储器402;所述至少一个处理器401和所述存储器402通过总线403连接;
所述存储器402,用于存储计算机执行指令。
所述至少一个处理器401,用于执行所述存储器402存储的计算机执行指令,使得所述主机400实现本申请实施例提供的一种识别图片之间的相似关系的方法。其中,
所述至少一个处理器401读取存储器402中的程序,执行下列过程:
所述至少一个处理器401,用于对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,所述第一目标点在所述第一图片上的位置与所述第二目标点在所述第二图片上的位置相对应;
所述至少一个处理器401,还用于确定所述第一目标点的特征信息和所述第二目标点的特征信息;
所述至少一个处理器401,还用于根据所述第一目标点的特征信息与所述第二目标点的特征信息的差异,确定所述第一图片和所述第二图片之间的相似关系。
在一种可能的实现方式中,所述第一目标点包括对所述第一图片逐级分块处理得到的子图像中的像素点,所述第二目标点包括对所述第二图片逐级分块处理得到的子图像中的像素点。
在一种可能的实现方式中,其特征在于,所述第一目标点的特征信息包括所述第一目标点对应的像素值,所述第二目标点的特征信息包括所述第二目标点对应的像素值。
在一种可能的实现方式中,当所述第一图片为RGB图像时,所述第一目标点对应的像素值包括经过灰度图像转换得到的灰度值;当所述第二图片为RGB图像时,所述第二目标点对应的像素值包括经过灰度图像转换得到的灰度值。
在一种可能的实现方式中,所述至少一个处理器401在对图片进行逐级分块处理时,具体用于:
将图片的整体图像平均划分成N*N块子图像;将所述N*N块子图像中位于中心位置的M*M块子图像平均划分成N*N块子图像,直到划分次数达到预设划分阈值。
在一种可能的实现方式中,对于每次划分所述第一图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第一目标点,对于每次划分,得到N*N个所述第一目标点;
对于每次划分所述第二图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第二目标点,对于每次划分,得到N*N个所述第二目标点。
在一种可能的实现方式中,对于每次划分所述第一图片得到的N*N个第一目标点,按预设顺序排列该N*N个第一目标点的特征信息,得到所述预设划分次数个第一特征向量;对于每次划分所述第二图片得到的N*N个第二目标点,按所述预设顺序排列该N*N个第二目标点的特征信息,得到所述预设划分次数个第二特征向量;
所述至少一个处理器401在确定所述第一目标点的特征信息与所述第二目标点的特征信息的差异时,具体用于:
计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到所述预设划分次数个差向量。
在一种可能的实现方式中,所述至少一个处理器401还用于:
得到所述预设划分次数个差向量之后,计算每个差向量的统计值,得到所述预设划分次数个统计值。
在一种可能的实现方式中,所述至少一个处理器401在确定所述第一目标点的特征信息时,具体用于:
以所述第一图片上的一个预设点为原点,建立二维坐标系,确定所述第一图片上所述第一目标点的坐标;
根据所述第一目标点的坐标和所述第一图片的原始图像矩阵,确定所述第一目标点对应的像素值。
在一种可能的实现方式中,所述第一图片与所述第二图片之间的相似关系包括如下关系之一:相同图片、同源重复图片、P级相似图片;
其中,P值指示两张图片的相似程度。
在一种可能的实现方式中,其特征在于,所述预设顺序为从大到小或者从小到大。
本实施例中,所述至少一个处理器401,可以包括不同类型的处理器401,或者包括相同类型的处理器401;处理器401可以是以下的任一种:中央处理器(Central ProcessingUnit,CPU)、微处理器、现场可编程门阵列(Field Programmable Gate Array,FPGA)、专用处理器等具有计算处理能力的器件。一种可选实施方式,所述至少一个处理器401还可以集成为众核处理器。
所述存储器402可以是以下的任一种或任一种组合:随机存取存储器(RandomAccess Memory,RAM)、只读存储器(read only memory,ROM)、非易失性存储器(non-volatile memory,NVM)、固态硬盘(Solid State Drives,SSD)、机械硬盘、磁盘、磁盘整列等存储介质。
所述总线403可以包括地址总线、数据总线、控制总线等,为便于表示,图4用一条粗线表示该总线。所述总线403可以是以下的任一种或任一种组合:工业标准体系结构(Industry Standard Architecture,ISA)总线、外设组件互连标准(PeripheralComponent Interconnect,PCI)总线、扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等有线数据传输的器件。
本申请实施例提供的识别图片之间的相似关系的装置中,由于第一目标点是对第一图片进行逐级分块处理得到的,第二目标点是对第二图片进行逐级分块处理得到的,使得确定的第一目标点的特征信息能够代表第一图片从整体到局部的图像特征,确定的第二目标点的特征信息能够代表第二图片从整体到局部的图像特征。因此相对于现有的识别图片之间的相似关系的技术方案,上述装置中根据第一目标点的特征信息与第二目标点的特征信息的差异识别第一图片和第二图片之间的相似关系,识别的准确度更高。并且,由于第一特征向量是第一目标点的特征信息按预设顺序排列得到有序数组,第二特征向量是第二目标点的特征信息按预设顺序排列得到有序数组,因此在图片经过放缩、旋转、翻转等处理后,由特征向量组成的该图片的指纹信息仍能够保持稳定,因此针对经过放缩、旋转、翻转等处理前后的图片,通过本申请实施例提供的装置能够提高识别此类图片之间的相似关系的准确度。
实施例二
基于与本申请实施例提供的一种识别图片之间的相似关系的装置相同的发明构思,如图5所示为本申请实施例提供了一种识别图片之间的相似关系的方法,该方法用于识别第一图片和第二图片之间的相似关系,该方法包括:
S501、对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,第一目标点在第一图片上的位置与第二目标点在第二图片上的位置相对应。
S501中,第一目标点包括对第一图片逐级分块处理得到的子图像中的像素点,第二目标点包括对第二图片逐级分块处理得到的子图像中的像素点。对第一图片进行逐级分块处理得到的子图像可以为多个,每个子图像上取一个像素点作为一个第一目标点,则对第一图片进行逐级分块处理得到第一目标点有多个;同理,对第二图片进行逐级分块处理得到的第二目标点有多个。
对第一图片进行的逐级分块处理的过程与对第二图片进行的逐级分块处理的过程相同,第一图片上的第一目标点与第二图片上的第二目标点存在一一对应关系。第一目标点和第二目标点之间的一一对应关系是指,对于一个第一目标点,该第一目标点在第一图片上的位置与该第一目标点对应的第二目标点在第二图片上的位置对应,该对应的位置是指对第一图片和第二图片的同一次划分得到的同一子图像。
对第一图片进行逐级分块处理的方法和对第二图片进行逐级分块处理的方法相同,该方法包括:
将图片的整体图像平均划分成N*N块子图像;将N*N块子图像中位于中心位置的M*M块子图像平均划分成N*N块子图像,直到划分次数达到预设划分阈值。其中,N为大于二的整数,M为不小于1且不大于N-2的整数,预设划分阈值为不小于2的整数。
采用上述方法对第一图片和第二图片分别进行逐级分块处理,对于每次划分第一图片得到的N*N块子图像,取每块子图像中的一个像素点为一个第一目标点,对于每次划分,得到N*N个第一目标点;对于每次划分第二图片得到的N*N块子图像,取每块子图像中的一个像素点为一个第二目标点,对于每次划分,得到N*N个第二目标点。
即S501中对第一图片进行逐级分块处理得到第一目标点的方法和对第二图片进行逐级分块处理得到第二目标点的方法相同,以对第一图片进行逐级分块处理得到第一目标点的方法为例,该方法包括:
对第一图片进行首次划分时,将第一图片的整体图像作为当前图像,将该当前图像平均划分成N*N块子图像,取每块子图像中的一个像素点为一个第一目标点,得到N*N个第一目标点;将首次划分得到的N*N个第一目标点作为对第一图片的首次划分得到的第一目标点,即第一图片的当前图像对应的N*N个第一目标点;
判断当前对第一图片的划分次数是否达到预设划分阈值;如果当前对第一图片的划分次数达到预设划分阈值,则停止对第一图片进行逐级分块处理;如果当前对第一图片的划分次数没有达到预设划分阈值,则执行如下步骤:
将第一图片的当前图像更新为该当前图像的中心位置的M*M块子图像组成的图像,将更新后的当前图像平均划分成N*N块子图像,取每块子图像中的一个像素点为一个第一目标点,N*N个第一目标点;将本次划分得到的N*N个第一目标点作为对第一图片的本次划分得到的第一目标点,即第一图片的更新后的当前图像对应的N*N个第一目标点,返回判断当前对第一图片的划分次数是否达到预设划分阈值的步骤。
上述对第一图片进行逐级分块处理得到第一目标点的方法中,取子图像中的一个像素点为一个第一目标点可以有多种方式,例如取子图像中的中心位置的像素点为该子图像对应的第一目标点,又例如取子图像中的左上顶点位置的像素点为该子图像对应的第一目标点,等等。
S502、确定第一目标点的特征信息和第二目标点的特征信息。
第一目标点的特征信息包括第一目标点对应的像素值,第二目标点的特征信息包括第二目标点对应的像素值。由于S501第一目标点是指该第一目标点所在的子图像中的一个像素点,则第一目标点对应的像素值是指第一目标对应在子图像上的像素点的像素值;同理,第二目标点对应的像素值是指第二目标对应在子图像上的像素点的像素值。
通过S501中对图片的逐级分块处理方法,对第一图片的每次划分得到N*N个第一目标点,则S502可得到N*N个第一目标点中每个第一目标点对应的像素值;通过S501中对图片的逐级分块处理方法,对第二图片的每次划分得到N*N个第二目标点,则S502可得到N*N个第二目标点中每个第二目标点对应的像素值。
以第一目标点为例,第一目标点对应的像素值包括灰度值。当第一图片为灰度图像时,第一目标点对应的像素值包括第一图片上目标点对应的灰度值;当第一图片为RGB图像时,第一目标点对应的像素值包括对第一图片经过灰度图像转换得到第一目标点对应的灰度值。其中,将RGB图像转换为灰度图像的方法可采用现有技术,并且在上文中已描述,此处不再赘述。
同理,当第二图片为灰度图像时,第二目标点对应的像素值包括第二图片上目标点对应的灰度值;当第二图片为RGB图像时,第二目标点对应的像素值包括对第二图片经过灰度图像转换得到第二目标点对应的灰度值。
在第一目标点的特征信息包括第一目标点对应的像素值,第二目标点的特征信息包括第二目标点对应的像素值的情况下,确定第一目标点的特征信息的方法和确定第二目标点的特征信息的方法相同,以确定第一目标点的特征信息的方法为例,确定第一目标点的特征信息的方法即为确定第一目标点对应的像素值的方法,该方法如下:
以第一图片上的一个预设点为原点,建立二维坐标系,确定第一图片上第一目标点的坐标。其中,当取第一图片上子图像中的一个像素点为一个第一目标点的方式不同,确定的第一图片上第一目标点的坐标也不同,因此应保证对于每个第一目标点,取第一图片上子图像中的一个像素点作为该第一目标点的方式都相同。
根据第一目标点的坐标和第一图片的原始图像矩阵,确定第一目标点对应的像素值。其中,第一图片的原始图像矩阵是指将第一图片转换成灰度图像时,由该灰度图像上的灰度值组成的矩阵,矩阵中每行每列均包括N*N个元素,由于第一图片的原始图像矩阵的获取方法为现有技术,此处不再赘述。
S503、根据第一目标点的特征信息与第二目标点的特征信息的差异,确定第一图片和第二图片之间的相似关系。
S503中确定第一目标点的特征信息与第二目标点的特征信息的差异的方法包括:
通过S501和S502,对于第一图片的每次划分可得到N*N个第一目标点,N*N个第一目标点对应有N*N个第一目标点的特征信息;S503中,对于每次划分第一图片得到的N*N个第一目标点,按预设顺序排列该N*N个第一目标点的特征信息得到的序列作为一个第一特征向量,对于预设划分次数得到预设划分次数个第一特征向量;同理,对于每次划分第二图片得到的N*N个第二目标点,按预设顺序排列该N*N个第二目标点的特征信息得到的序列作为一个第二特征向量,对于预设划分次数得到预设划分次数个第二特征向量。其中,预设顺序可以为从大到小或者从小到大等顺序;在第一目标点的特征信息包括第一目标点对应的像素值,第二目标点的特征信息包括第二目标点对应的像素值的情况下,第一特征向量为N*N个第一目标点的像素值按预设顺序排列组成的有序数组,第二特征向量为N*N个第二目标点的像素值按预设顺序排列组成的有序数组。
需要说明的是,采用本申请实施例提供的方法得到第一图片的预设划分次数个第一特征向量可以作为第一图片的指纹信息,此种确定图片指纹信息的方法也可以应用于其他场景,不仅限于识别图片之间的相似关系的场景。
得到预设划分次数个第一特征向量和预设划分次数个第二特征向量之后,计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到预设划分次数个差向量,该预设划分次数个差向量用于表示第一目标点的特征信息与第二目标点的特征信息的差异。其中,差向量包括第一特征向量和第二特征向量中对应位置上的特征信息之间的差值的绝对值组成的有序数组。
进一步的,得到预设划分次数个差向量之后,计算每个差向量的统计值,得到预设划分次数个统计值,该预设划分次数个统计值用于表示第一目标点的特征信息与第二目标点的特征信息的差异。其中,计算差向量的统计值可以采用不同算法,但应保证对于预设划分次数个差向量,计算每个差向量的统计值的算法相同;例如统计值包括差向量包括的所有元素值的均值,又例如统计值包括差向量包括的所有元素值的方差。
本实施中,由于第一特征向量是第一目标点的特征信息按预设顺序排列得到有序数组,第二特征向量是第二目标点的特征信息按预设顺序排列得到有序数组,因此在图片经过放缩、旋转、翻转等处理后,由特征向量组成的该图片的指纹信息仍能够保持稳定,因此针对经过放缩、旋转、翻转等处理前后的图片,通过本申请实施例提供的方法能够提高识别此类图片之间的相似关系的准确度。
本实施例中,第一图片与第二图片之间的相似关系包括如下关系之一:相同图片、同源重复图片、P级相似图片;其中,P值指示两张图片的相似程度,例如P值越大,两张图片的相似程度越低。
S503中根据第一目标点的特征信息与第二目标点的特征信息的差异,确定第一图片和第二图片之间的相似关系时,可以将预设划分次数个差向量满足的预设条件对应的相似关系,确定为第一图片和第二图片之间的相似关系。其中,预设划分次数个差向量是根据第一目标点的特征信息与第二目标点的特征信息确定的,用于表示第一目标点的特征信息与第二目标点的特征信息的差异;预设划分次数个差向量满足的预设条件对应的相似关系可以预先根据统计数据分析设置。下面举例说明S503中根据第一目标点的特征信息与第二目标点的特征信息的差异,确定第一图片和第二图片之间的相似关系的方法。
举例说明一,假设预设划分次数为三次,并且差向量的统计值为差向量包括的所有像素值的均值,将预设划分次数个差向量满足的预设条件对应的相似关系,确定为第一图片和第二图片之间的相似关系的方法包括:
当满足三个差向量的统计值均为0时,第一图片和第二图片之间的相似关系为相同图片;
当满足三个差向量的统计值中存在一个统计值小于3,或者满足三个差向量的统计值中存在两个统计值小于7时,第一图片和第二图片之间的相似关系为同源重复图片;
当满足三个差向量的统计值中存在两个统计值不小于7且小于10时,第一图片和第二图片之间的相似关系为一级相似图片;
当满足三个差向量的统计值中存在一个统计值不小于3且小于11,并且三个统计值均小于40时,第一图片和第二图片之间的相似关系为二级相似图片;
其中,相似关系为一级相似图片的两张图片的相似程度比相似关系为二级相似图片的两张图片的相似程度高。
举例说明二,假设预设划分次数为两次,并且差向量的统计值为差向量包括的所有像素值的均值,将预设划分次数个差向量满足的预设条件对应的相似关系,确定为第一图片和第二图片之间的相似关系的方法包括:
当满足两个差向量的统计值均为0时,第一图片和第二图片之间的相似关系为重复图片;
当满足两个差向量的统计值中存在一个统计值小于3,或者两个差向量的统计值均为7时,第一图片和第二图片之间的相似关系为同源重复图片;
当满足两个差向量的统计值均为10时,第一图片和第二图片之间的相似关系为一级相似图片;
当满足两个差向量的统计值中存在一个统计值小于11,并且两个差向量的统计值均小于40时,第一图片和第二图片之间的相似关系为二级相似图片。
其中,相似关系为一级相似图片的两张图片的相似程度比相似关系为二级相似图片的两张图片的相似程度高。
下面通过举例描述本申请实施例提供的一种识别图片之间的相似关系的方法。假设预设划分次数为三次,N为4,M为2,识别第一图片和第二图片之间的相似关系的方法如下:
对第一图片进行逐级分块处理包括三次划分得到第一目标点。如图6中的左图所示,对第一图片进行首次划分得到4*4块子图像,取每块子图像的中心位置的像素点作为一个第一目标点,首次划分得到4*4个第一目标点;如图6中的中间图所示,中间图的阴影图像为第一图片首次划分得到的4*4块子图像的中心位置的2*2块子图像,对该阴影图像进行第二次划分得到4*4块子图像,取每块子图像的中心位置的像素点作为一个第一目标点,第二次划分得到4*4个第一目标点;如图6中的右图所示,右图的阴影图像为第一图片第二次划分得到的4*4块子图像的中心位置的2*2块子图像,对该阴影图像进行第三次划分得到4*4块子图像,取每块子图像的中心位置的像素点作为一个第一目标点,第三次划分得到4*4个第一目标点。与对第一图片进行逐级分块处理方法相同,对第二图片进行逐级分块处理,首次划分得到4*4个第二目标点,第二次划分得到4*4个第二目标点,第三次划分得到4*4个第二目标点。
确定第一目标点的特征信息,以特征信息为像素值为例,针对每个第一目标点,确定该第一目标点在第一图片上的坐标。假设坐标原点设在第一图片的左下顶点位置,第一图片的长、宽分别为W、H,则图6中子图像A的第一目标点的坐标为:(W*(3/8+1/16),H*(3/8+1/16))。将第一图片转换成256级灰度图像,由该灰度图像上的灰度值组成的矩阵为第一图片的原始图像矩阵,原始图像矩阵中每行每列均包括16个元素,假设W=16、H=16,则子图像A的第一目标点的坐标为(7,7),因此原始图像矩阵中第7行、第7列上的灰度值为子图像A的第一目标点的特征信息。采用上述方法,分别确定每个第一目标点的特征信息和每个第二目标点的特征信息。
对于每次划分第一图片得到的4*4个第一目标点,按从小到大的顺序排列该4*4个第一目标点的特征信息得到一个第一特征向量,进而得到三个第一特征向量。同理,对于第二图片得到三个第二特征向量。例如三个第一特征向量如下:
首次划分对应的第一特征向量:(16 21 22 26 31 33 53 53 55 56 60 73 81 87102 225);
第二次划分对应的第一特征向量:(18 18 22 29 30 39 40 44 56 58 63 82 109139 157 254);
第三次划分对应的第一特征向量:(18 32 32 37 38 42 46 49 50 52 54 54 68129 167 190)。
将计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到三个差向量,再计算得到三个差向量的均值。
根据三个差向量的均值确定第一图片和第二图片之间的相似关系的方法可采用上文中的举例说明一,此处不再赘述。
本申请实施例提供的识别图片之间的相似关系的方法中,对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,第一目标点在第一图片上的位置与第二目标点在第二图片上的位置相对应;分别确定第一目标点的特征信息和第二目标点的特征信息,再根据第一目标点的特征信息与第二目标点的特征信息的差异,确定第一图片和第二图片之间的相似关系。由于第一目标点和第二目标点是通过对第一图片和第二图片分别进行逐级分块处理得到的,使得第一目标点的特征信息能够代表第一图片从整体到局部的图像特征,第二目标点的特征信息能够代表第二图片从整体到局部的图像特征。因此相对于现有的识别图片之间的相似关系的技术方案,本申请实施例中根据第一目标点的特征信息与第二目标点的特征信息的差异识别第一图片和第二图片之间的相似关系,识别的准确度更高。并且,由于第一特征向量是第一目标点的特征信息按预设顺序排列得到有序数组,第二特征向量是第二目标点的特征信息按预设顺序排列得到有序数组,因此在图片经过放缩、旋转、翻转等处理后,由特征向量组成的该图片的指纹信息仍能够保持稳定,因此针对经过放缩、旋转、翻转等处理前后的图片,通过本申请实施例提供的方法能够提高识别此类图片之间的相似关系的准确度。
实施例三
基于与本申请实施例提供的一种识别图片之间的相似关系的方法的相同构思,本申请实施例还提供了一种识别图片之间的相似关系的装置,该装置可以是与图4所示的装置相同的装置,可以执行如图5所示的方法。参阅图7所示,本申请实施例提供的一种识别图片之间的相似关系的装置700包括:逐级分块单元701、特征信息确定单元702和相似关系确定单元703。其中,
逐级分块单元701,用于对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,所述第一目标点在所述第一图片上的位置与所述第二目标点在所述第二图片上的位置相对应;
特征信息确定单元702,用于在所述逐级分块单元701得到所述第一目标点和所述第二目标点之后,确定所述第一目标点的特征信息和所述第二目标点的特征信息;
相似关系确定单元703,用于根据所述特征信息确定单元702确定的所述第一目标点的特征信息与所述第二目标点的特征信息的差异,确定所述第一图片和所述第二图片之间的相似关系。
在一种可能的实现方式中,所述第一目标点包括所述逐级分块单元701对所述第一图片逐级分块处理得到的子图像中的像素点,所述第二目标点包括所述逐级分块单元701对所述第二图片逐级分块处理得到的子图像中的像素点。
在一种可能的实现方式中,所述第一目标点的特征信息包括所述第一目标点对应的像素值,所述第二目标点的特征信息包括所述第二目标点对应的像素值。
在一种可能的实现方式中,当所述第一图片为红绿蓝RGB图像时,所述第一目标点对应的像素值包括经过灰度图像转换得到的灰度值;当所述第二图片为RGB图像时,所述第二目标点对应的像素值包括经过灰度图像转换得到的灰度值。
在一种可能的实现方式中,所述逐级分块单元701具体用于:
将图片的整体图像平均划分成N*N块子图像;将所述N*N块子图像中位于中心位置的M*M块子图像平均划分成N*N块子图像,直到划分次数达到预设划分阈值。
在一种可能的实现方式中,对于所述逐级分块单元701每次划分所述第一图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第一目标点,对于每次划分,得到N*N个所述第一目标点;
对于所述逐级分块单元701每次划分所述第二图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第二目标点,对于每次划分,得到N*N个所述第二目标点。
在一种可能的实现方式中,对于所述逐级分块单元701每次划分所述第一图片得到的N*N个第一目标点,所述特征信息确定单元702按预设顺序排列该N*N个第一目标点的特征信息,得到所述预设划分次数个第一特征向量;对于所述逐级分块单元701每次划分所述第二图片得到的N*N个第二目标点,所述特征信息确定单元702按所述预设顺序排列该N*N个第二目标点的特征信息,得到所述预设划分次数个第二特征向量;
所述相似关系确定单元703在确定所述第一目标点的特征信息与所述第二目标点的特征信息的差异时,具体用于:
计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到所述预设划分次数个差向量。
在一种可能的实现方式中,所述相似关系确定单元703还用于:
得到所述预设划分次数个差向量之后,计算每个差向量的统计值,得到所述预设划分次数个统计值。
在一种可能的实现方式中,所述特征信息确定单元702在确定所述第一目标点的特征信息时,具体用于:
以所述第一图片上的一个预设点为原点,建立二维坐标系,确定所述第一图片上所述第一目标点的坐标;
根据所述第一目标点的坐标和所述第一图片的原始图像矩阵,确定所述第一目标点对应的像素值。
在一种可能的实现方式中,所述第一图片与所述第二图片之间的相似关系包括如下关系之一:相同图片、同源重复图片、P级相似图片;
其中,P值指示两张图片的相似程度。
在一种可能的实现方式中,所述预设顺序为从大到小或者从小到大。
上述各个单元的功能可参见本申请实施例提供的一种识别图片之间的相似关系的方法,此处不再赘述。
本申请实施例提供的识别图片之间的相似关系的装置中,由于第一目标点是逐级分块单元对第一图片进行逐级分块处理得到的,第二目标点是逐级分块单元对第二图片进行逐级分块处理得到的,使得特征信息确定单元确定的第一目标点的特征信息能够代表第一图片从整体到局部的图像特征,特征信息确定单元确定的第二目标点的特征信息能够代表第二图片从整体到局部的图像特征。因此相对于现有的识别图片之间的相似关系的技术方案,上述装置中相似关系确定单元根据第一目标点的特征信息与第二目标点的特征信息的差异识别第一图片和第二图片之间的相似关系,识别的准确度更高。并且,由于第一特征向量是第一目标点的特征信息按预设顺序排列得到有序数组,第二特征向量是第二目标点的特征信息按预设顺序排列得到有序数组,因此在图片经过放缩、旋转、翻转等处理后,由特征向量组成的该图片的指纹信息仍能够保持稳定,因此针对经过放缩、旋转、翻转等处理前后的图片,通过本申请实施例提供的装置能够提高识别此类图片之间的相似关系的准确度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (23)
1.一种识别图片之间相似关系的方法,其特征在于,包括:
对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,所述第一目标点在所述第一图片上的位置与所述第二目标点在所述第二图片上的位置相对应;
确定所述第一目标点的特征信息和所述第二目标点的特征信息;
根据所述第一目标点的特征信息与所述第二目标点的特征信息的差异,确定所述第一图片和所述第二图片之间的相似关系。
2.根据权利要求1所述的方法,其特征在于,所述第一目标点包括对所述第一图片逐级分块处理得到的子图像中的像素点,所述第二目标点包括对所述第二图片逐级分块处理得到的子图像中的像素点。
3.根据权利要求1或2所述的方法,其特征在于,所述第一目标点的特征信息包括所述第一目标点对应的像素值,所述第二目标点的特征信息包括所述第二目标点对应的像素值。
4.根据权利要求3所述的方法,其特征在于,当所述第一图片为红绿蓝RGB图像时,所述第一目标点对应的像素值包括经过灰度图像转换得到的灰度值;当所述第二图片为RGB图像时,所述第二目标点对应的像素值包括经过灰度图像转换得到的灰度值。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述对图片进行逐级分块处理包括:
将图片的整体图像平均划分成N*N块子图像;将所述N*N块子图像中位于中心位置的M*M块子图像平均划分成N*N块子图像,直到划分次数达到预设划分阈值。
6.根据权利要求5所述的方法,其特征在于,对于每次划分所述第一图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第一目标点,对于每次划分,得到N*N个所述第一目标点;
对于每次划分所述第二图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第二目标点,对于每次划分,得到N*N个所述第二目标点。
7.根据权利要求5或6所述的方法,其特征在于,对于每次划分所述第一图片得到的N*N个第一目标点,按预设顺序排列该N*N个第一目标点的特征信息,得到所述预设划分次数个第一特征向量;对于每次划分所述第二图片得到的N*N个第二目标点,按所述预设顺序排列该N*N个第二目标点的特征信息,得到所述预设划分次数个第二特征向量;
确定所述第一目标点的特征信息与所述第二目标点的特征信息的差异的方法包括:
计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到所述预设划分次数个差向量。
8.根据权利要求7所述的方法,其特征在于,得到所述预设划分次数个差向量之后,所述方法还包括:
计算每个差向量的统计值,得到所述预设划分次数个统计值。
9.根据权利要求1至8任意一项所述的方法,其特征在于,确定所述第一目标点的特征信息的方法包括:
以所述第一图片上的一个预设点为原点,建立二维坐标系,确定所述第一图片上所述第一目标点的坐标;
根据所述第一目标点的坐标和所述第一图片的原始图像矩阵,确定所述第一目标点对应的像素值。
10.根据权利要求1至9任一所述的方法,其特征在于,所述第一图片与所述第二图片之间的相似关系包括如下关系之一:相同图片、同源重复图片、P级相似图片;
其中,P值指示两张图片的相似程度。
11.根据权利要求7至10任意一项所述的方法,其特征在于,所述预设顺序为从大到小或者从小到大。
12.一种识别图片之间相似关系的装置,其特征在于,包括:
逐级分块单元,用于对第一图片进行逐级分块处理得到第一目标点,并对第二图片进行逐级分块处理得到第二目标点,所述第一目标点在所述第一图片上的位置与所述第二目标点在所述第二图片上的位置相对应;
特征信息确定单元,用于在所述逐级分块单元得到所述第一目标点和所述第二目标点之后,确定所述第一目标点的特征信息和所述第二目标点的特征信息;
相似关系确定单元,用于根据所述特征信息确定单元确定的所述第一目标点的特征信息与所述第二目标点的特征信息的差异,确定所述第一图片和所述第二图片之间的相似关系。
13.根据权利要求12所述的装置,其特征在于,所述第一目标点包括所述逐级分块单元对所述第一图片逐级分块处理得到的子图像中的像素点,所述第二目标点包括所述逐级分块单元对所述第二图片逐级分块处理得到的子图像中的像素点。
14.根据权利要求12或13所述的装置,其特征在于,所述第一目标点的特征信息包括所述第一目标点对应的像素值,所述第二目标点的特征信息包括所述第二目标点对应的像素值。
15.根据权利要求14所述的装置,其特征在于,当所述第一图片为红绿蓝RGB图像时,所述第一目标点对应的像素值包括经过灰度图像转换得到的灰度值;当所述第二图片为RGB图像时,所述第二目标点对应的像素值包括经过灰度图像转换得到的灰度值。
16.根据权利要求12至15任意一项所述的装置,其特征在于,所述逐级分块单元具体用于:
将图片的整体图像平均划分成N*N块子图像;将所述N*N块子图像中位于中心位置的M*M块子图像平均划分成N*N块子图像,直到划分次数达到预设划分阈值。
17.根据权利要求16所述的装置,其特征在于,对于所述逐级分块单元每次划分所述第一图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第一目标点,对于每次划分,得到N*N个所述第一目标点;
对于所述逐级分块单元每次划分所述第二图片得到的N*N块子图像,取每块子图像中的一个像素点为一个所述第二目标点,对于每次划分,得到N*N个所述第二目标点。
18.根据权利要求16或17所述的装置,其特征在于,对于所述逐级分块单元每次划分所述第一图片得到的N*N个第一目标点,所述特征信息确定单元按预设顺序排列该N*N个第一目标点的特征信息,得到所述预设划分次数个第一特征向量;对于所述逐级分块单元每次划分所述第二图片得到的N*N个第二目标点,所述特征信息确定单元按所述预设顺序排列该N*N个第二目标点的特征信息,得到所述预设划分次数个第二特征向量;
所述相似关系确定单元在确定所述第一目标点的特征信息与所述第二目标点的特征信息的差异时,具体用于:
计算同一次划分得到的第一特征向量和第二特征向量的差向量,得到所述预设划分次数个差向量。
19.根据权利要求18所述的装置,其特征在于,所述相似关系确定单元还用于:
得到所述预设划分次数个差向量之后,计算每个差向量的统计值,得到所述预设划分次数个统计值。
20.根据权利要求12至19任意一项所述的装置,其特征在于,所述特征信息确定单元在确定所述第一目标点的特征信息时,具体用于:
以所述第一图片上的一个预设点为原点,建立二维坐标系,确定所述第一图片上所述第一目标点的坐标;
根据所述第一目标点的坐标和所述第一图片的原始图像矩阵,确定所述第一目标点对应的像素值。
21.根据权利要求12至20任一所述的装置,其特征在于,所述第一图片与所述第二图片之间的相似关系包括如下关系之一:相同图片、同源重复图片、P级相似图片;
其中,P值指示两张图片的相似程度。
22.根据权利要求18至21任意一项所述的装置,其特征在于,所述预设顺序为从大到小或者从小到大。
23.一种识别图片之间相似关系的装置,其特征在于,包括存储器和处理器;其中,
所述存储器用于存储计算机可读程序;
所述处理器通过运行所述存储器中的程序,以完成如权利要求1至11任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152927.0A CN108629350B (zh) | 2017-03-15 | 2017-03-15 | 一种识别图片之间相似关系的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710152927.0A CN108629350B (zh) | 2017-03-15 | 2017-03-15 | 一种识别图片之间相似关系的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629350A true CN108629350A (zh) | 2018-10-09 |
CN108629350B CN108629350B (zh) | 2021-08-20 |
Family
ID=63686746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710152927.0A Active CN108629350B (zh) | 2017-03-15 | 2017-03-15 | 一种识别图片之间相似关系的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629350B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723868A (zh) * | 2020-06-22 | 2020-09-29 | 海尔优家智能科技(北京)有限公司 | 用于去除同源图片的方法、装置及服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054177A (zh) * | 2010-12-29 | 2011-05-11 | 北京新媒传信科技有限公司 | 一种图像相似度计算方法和装置 |
CN102945289A (zh) * | 2012-11-30 | 2013-02-27 | 苏州搜客信息技术有限公司 | 基于cgci-sift局部特征的图像检索方法 |
CN103714340A (zh) * | 2014-01-09 | 2014-04-09 | 西安电子科技大学 | 基于图像分块的自适应特征提取方法 |
CN104794451A (zh) * | 2015-04-28 | 2015-07-22 | 上海交通大学 | 基于分块匹配结构的行人比对方法 |
US20160328860A1 (en) * | 2015-05-06 | 2016-11-10 | The Boeing Company | Occlusion-Robust Visual Object Fingerprinting using Fusion of Multiple Sub-Region Signatures |
-
2017
- 2017-03-15 CN CN201710152927.0A patent/CN108629350B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054177A (zh) * | 2010-12-29 | 2011-05-11 | 北京新媒传信科技有限公司 | 一种图像相似度计算方法和装置 |
CN102945289A (zh) * | 2012-11-30 | 2013-02-27 | 苏州搜客信息技术有限公司 | 基于cgci-sift局部特征的图像检索方法 |
CN103714340A (zh) * | 2014-01-09 | 2014-04-09 | 西安电子科技大学 | 基于图像分块的自适应特征提取方法 |
CN104794451A (zh) * | 2015-04-28 | 2015-07-22 | 上海交通大学 | 基于分块匹配结构的行人比对方法 |
US20160328860A1 (en) * | 2015-05-06 | 2016-11-10 | The Boeing Company | Occlusion-Robust Visual Object Fingerprinting using Fusion of Multiple Sub-Region Signatures |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723868A (zh) * | 2020-06-22 | 2020-09-29 | 海尔优家智能科技(北京)有限公司 | 用于去除同源图片的方法、装置及服务器 |
CN111723868B (zh) * | 2020-06-22 | 2023-07-21 | 海尔优家智能科技(北京)有限公司 | 用于去除同源图片的方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN108629350B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190014301A1 (en) | Image processing apparatus, image processing method thereof and storage medium | |
JP6213745B2 (ja) | 画像処理方法及び装置 | |
WO2019119567A1 (en) | Systems and methods for block based edgel detection with false edge elimination | |
JP6493163B2 (ja) | 粗密探索方法および画像処理装置 | |
US11157749B2 (en) | Crowd state recognition device, learning method, and learning program | |
CN109816669A (zh) | 一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法 | |
JP7032871B2 (ja) | 画像処理装置及び画像処理方法、プログラム、記憶媒体 | |
CN109934773A (zh) | 一种图像处理方法、装置、电子设备和计算机可读介质 | |
CN113791914B (zh) | 对象处理方法、装置、计算机设备、存储介质及产品 | |
CN108322722B (zh) | 基于增强现实的图像处理方法、装置及电子设备 | |
US9317906B2 (en) | Image processing apparatus and method | |
JP2010205095A (ja) | 3次元物体認識装置、並びに3次元物体認識プログラム及びこれが記録されたコンピュータ読み取り可能な記録媒体 | |
CN108520532B (zh) | 识别视频中物体运动方向的方法及装置 | |
US20210125317A1 (en) | Learning device, image generation device, learning method, image generation method, and program | |
TWI402768B (zh) | 產生高解析度影像之方法 | |
CN108629350A (zh) | 一种识别图片之间相似关系的方法及装置 | |
JP2019211965A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
JP2011239035A5 (zh) | ||
CN107527319A (zh) | 图像收缩方法和装置 | |
CN111063001A (zh) | 图片合成方法、装置、电子设备以及存储介质 | |
JP6210856B2 (ja) | 対象物位置特定システム、および対象物位置特定方法 | |
JP2019046378A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN115063299B (zh) | 一种图像预处理方法、装置、电子设备以及存储介质 | |
CN117557710B (zh) | 一种纹理渲染方法、装置、终端设备及存储介质 | |
CN116030450B (zh) | 棋盘格角点识别方法、装置、设备和介质 |
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 |