CN108960280A - 一种图片相似度检测方法及系统 - Google Patents
一种图片相似度检测方法及系统 Download PDFInfo
- Publication number
- CN108960280A CN108960280A CN201810488427.9A CN201810488427A CN108960280A CN 108960280 A CN108960280 A CN 108960280A CN 201810488427 A CN201810488427 A CN 201810488427A CN 108960280 A CN108960280 A CN 108960280A
- Authority
- CN
- China
- Prior art keywords
- picture
- pixel
- internet
- characteristic point
- reference picture
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图片相似度检测方法及系统,该检测方法包括:分别筛选出互联网图片和参考图片中的互联网图片特征点和参考图片特征点;根据所有互联网图片特征点和所有参考图片特征点得到互联网图片和参考图片中的匹配特征点;当匹配特征点的个数大于或等于预设阈值时,互联网图片和参考图片相似。本发明实施例通过获取进行对比的两个图片的特征点,获取得到互联网图片和参考图片的特征点是否相匹配,并统计相匹配的特征点的数量,当匹配的特征点的数量超过预设阈值时,即可确认互联网图片和参考图片相似,本发明实施例计算数据量少,抗噪能力强,实现了快速识别检验图片之间是否相似。
Description
技术领域
本发明涉及图片识别技术领域,尤其涉及一种图片相似度检测方法及系统。
背景技术
目前Google的图片搜索功能采用的是感知哈希算法来检测出相似的图片,其原理是对每一张图片生成指纹字符串,比较不同图片指纹的距离,距离越短,说明图片越相似。该算法实现较为简单快速,但针对图片进行很小的内容变更的情况下,如在图片上加入水印或者文字等,就无法识别,存在识别相似图片不够稳定的问题。
在实际工作中,为了提高图片相似度检测更加精确,往往采用基于特征点匹配的方法实现快速图像匹配,特征点匹配的方法匹配精度高匹配速度,能够满足实时计算的需求。较为流行的特征点检测算法主要有Harris算法,还有具有较快的检测速度的SIFT算法,Harris算法抗噪声能力较差,SIFT算法特征向量维度较高,计算数据量大,耗时长,无法实现实时效果。
因此现有的图片相似度计算的方法存在执行效率不高,识别不稳定的问题。
发明内容
为了解决现有技术存在的问题,本发明的至少一个实施例提供了一种图片相似度检测方法及系统,能够有效的提高图片识别的准确性。
第一方面,本发明实施例提供了一种图片相似度检测方法,包括:
S1、分别筛选出互联网图片和参考图片中的互联网图片特征点和参考图片特征点;
S2、根据所有所述互联网图片特征点和所有所述参考图片特征点得到所述互联网图片和参考图片中的匹配特征点;
S3、当所述匹配特征点的个数大于或等于预设阈值时,所述互联网图片和所述参考图片相似。
基于上述技术方案,本发明实施例还可以做出如下改进。
结合第一方面,在第一方面的第一种实施方式中,所述S1具体包括:
S21、通过预设数量且尺寸依次增加的滤波器分别对所述互联网图片和参考图片进行滤波处理,得到多个不同尺寸的滤波互联网图片和多个不同尺寸的滤波参考图片;
S22、计算每个滤波互联网图片的第一Hessian矩阵;计算每个滤波参考图片的第二Hessian矩阵;
S23、根据所有所述第一Hessian矩阵从所述互联网图片中筛选所述互联网图片特征点;根据所有所述第二Hessian矩阵从所述参考图片中筛选所述参考图片特征点。
结合第一方面的第一种实施方式,在第一方面的第二种实施方式中,所述S21具体包括:
S31、对所述互联网图片和参考图片分别进行积分运算,得到相应的互联网积分图像和参考积分图像;
S32、通过预设数量且尺寸依次增加的盒子滤波器对所述互联网积分图像进行滤波,得到多个第一滤波函数表示所述多个滤波互联网图片;
S33、通过预设数量且尺寸依次增加的盒子滤波器对所述参考积分图像进行滤波,得到多个第二滤波函数表示所述多个滤波参考图片。
结合第一方面的第二种实施方式,在第一方面的第三种实施方式中,
所述第一Hessian矩阵如下所示:
其中,H(x,y)为所述第一Hessian矩阵,Dx(x,y)为所述第一滤波函数在所述滤波互联网图片中任一像素点的x方向的二阶导数,Dy(x,y)为所述第一滤波函数在所述滤波互联网图片中任一像素点的y方向的二阶导数,Dxy(x,y)为所述第一滤波函数在所述滤波互联网图片中任一像素点依次对x方向和y方向的二阶偏导数;
所述第二Hessian矩阵如下所示:
其中,h(x,y)为所述第二Hessian矩阵,dx(x,y)为所述第二滤波函数在所述滤波参考图像中任一像素点的x方向的二阶导数,dy(x,y)为所述第二滤波函数在所述滤波参考图像中任一像素点的y方向的二阶导数,dxy(x,y)为所述第二滤波函数在所述滤波参考图像中任一像素点依次对x方向和y方向的二阶偏导数。
结合第一方面的第三种实施方式,在第一方面的第四种实施方式中,所述S23具体包括:
根据所述第一Hessian矩阵和相应的所述滤波器的误差得到如下所示第一Hessian行列式:
Det(H)=DxDy-(ωDxy)2;
其中,所述Det(H)为所述第一Hessian行列式,ω为根据所述滤波器的误差得到的加权系数,Dx为所述第一滤波函数在所述滤波互联网图片中像素点的x方向的二阶导数,Dy为所述第一滤波函数在所述滤波互联网图片中像素点的y方向的二阶导数,Dxy为所述第一滤波函数在所述滤波互联网图片中像素点依次对x方向和y方向的二阶偏导数;
根据所述第一Hessian行列式筛选出每个滤波互联网图片中的滤波互联网图片特征点;其中,所述滤波互联网图片特征点满足:获取任一尺寸的滤波互联网图片中所述滤波互联网图片特征点周围的像素点,作为第一对比像素点;当所述任一尺寸为最小尺寸时,获取后一尺寸的滤波互联网图片,作为对比互联网图片,当所述任一尺寸为最大尺寸时,获取前一尺寸的滤波互联网图片,作为对比互联网图片,当所述任一尺寸为非最大尺寸和非最小尺寸时,获取所述任一尺寸的滤波互联网图片前一尺寸的滤波互联网图片和后一尺寸的滤波互联网图片,作为对比互联网图片;获取对比互联网图片中与所述滤波互联网图片特征点和第一对比像素点相应的像素点,作为第二对比像素点,则所述滤波互联网图片特征点的第一Hessian行列式值大于第一对比像素点和第二对比像素点的第一Hessian行列式值;
将所有滤波互联网图片中的所有滤波互联网图片特征点作为所述互联网图片的所述互联网图片特征点;
根据所述第二Hessian矩阵和相应的所述滤波器的误差得到如下所示第二Hessian行列式:
Det(h)=dxdy-(ωdxy)2;
其中,所述Det(h)为所述第二Hessian行列式,ω为根据所述滤波器的误差得到的加权系数,dx为所述第二滤波函数在所述滤波参考图片中像素点的x方向的二阶导数,dy为所述第二滤波函数在所述滤波参考图片中像素点的y方向的二阶导数,dxy为所述第二滤波函数在所述滤波参考图片中像素点依次对x方向和y方向的二阶偏导数;
根据所述第二Hessian行列式筛选出每个滤波参考图片中的滤波参考图片特征点;其中,所述滤波参考图片特征点满足:获取任一尺寸的滤波参考图片中所述滤波参考图片特征点周围的像素点,作为第三对比像素点;当所述任一尺寸为最小尺寸时,获取后一尺寸的滤波参考图片,作为对比参考图片,当所述任一尺寸为最大尺寸时,获取前一尺寸的滤波参考图片,作为对比参考图片,当所述任一尺寸为非最大尺寸和非最小尺寸时,获取所述任一尺寸的滤波参考图片前一尺寸的滤波参考图片和后一尺寸的滤波参考图片,作为对比参考图片;获取对比参考图片中与所述滤波参考图片特征点和第三对比像素点相应的像素点,作为第四对比像素点,则所述滤波参考图片特征点的第二Hessian行列式值大于第三对比像素点和第四对比像素点的第二Hessian行列式值;
将所有滤波参考图片中的所有滤波参考图片特征点作为所述参考图片的所述参考图片特征点。
结合第一方面的第四种实施方式,在第一方面的第五种实施方式中,所述S2具体包括:
S41、计算所述互联网图片特征点和参考图片特征点的方向,根据所述互联网图片特征点的方向建立所述互联网图片特征点的第一矢量表达式,根据所述参考图片特征点的方向,建立所述参考图片特征点的第二矢量表达式;
S42、计算每个所述互联网图片特征点的第一矢量表达式分别和所有所述参考图片特征点的第二矢量表达式的欧氏距离,构建欧氏距离二维数组;
S43、根据所述欧氏距离二维数组得到所述互联网图片和参考图片中的匹配特征点。
结合第一方面的第五种实施方式,在第一方面的第六种实施方式中,所述S41具体包括:
在以所述互联网图片特征点为圆心的预设半径的圆中选取预设弧度的滑动扇形区域;计算所述滑动扇形区域内像素点的响应总和与方向;
其中,sumXY为所述滑动扇形区域内像素点的响应总和,n为所述滑动扇形区域内的像素点个数,ResX(i)为像素点i在x方向的小波响应值,ResY(j)为像素点j在y方向的小波响应值,Angle为所述滑动扇形区域内像素点的方向,atan()为反正切函数;
当任一所述滑动扇形区域内像素点的响应总和大于其他滑动扇形区域内像素点的响应总和时,所述任一所述滑动扇形区域内像素点的方向为所述互联网图片特征点的方向;
以所述互联网图片特征点为中心,所述互联网图片特征点方向为y轴,在所述互联网图片中获取一个矩形区域,所述矩形区域内包含预设个数的方格,每个所述方格均包含预设个数像素点;
将每个所述方格中的像素点在x方向的小波响应值的总和、像素点在y方向的小波响应值的总和、像素点在x方向的小波响应值的绝对值总和和像素点在y方向的小波响应值的绝对值总和矢量连接在一起,得到所述互联网图片特征点的第一矢量表达式;
在以所述参考图片特征点为圆心的预设半径的圆中选取预设弧度的滑动扇形区域;计算所述滑动扇形区域内像素点的响应总和与方向;
其中,sumxy为所述滑动扇形区域内像素点的响应总和,n为所述滑动扇形区域内的像素点个数,ResX(i)为像素点i在x方向的小波响应值,ResY(j)为像素点j在y方向的小波响应值,Angle为所述滑动扇形区域内像素点的方向,atan()为反正切函数;
当任一所述滑动扇形区域内像素点的响应总和大于其他滑动扇形区域内像素点的响应总和时,所述任一所述滑动扇形区域内像素点的方向为所述参考图片特征点的方向;
以所述参考图片特征点为中心,所述参考图片特征点方向为y轴,在所述参考图片中获取一个矩形区域,所述矩形区域内包含预设个数的方格,每个所述方格均包含预设个数像素点;
将每个所述方格中的像素点在x方向的小波响应值的总和、像素点在y方向的小波响应值的总和、像素点在x方向的小波响应值的绝对值总和和像素点在y方向的小波响应值的绝对值总和矢量连接在一起,得到所述参考图片特征点的第二矢量表达式。
结合第一方面的第六种实施方式,在第一方面的第七种实施方式中,所述S43具体包括:
S51、获取所述欧氏距离二维数组的一行欧氏距离值;
S52、获取所述一行欧氏距离值中的第一最小值和第一次小值,当第一最小值小于0.5×第一次小值,获取所述第一最小值的行下标a和列下标b,执行S53;当第一最小值大于或等于0.5×第一次小值,执行S51,以获取所述欧氏距离二维数组的另一行欧氏距离值,直到获取了所述欧氏距离二维数组中的所有欧氏距离值为止;
S53、获取所述欧氏距离二维数组中的第b列欧氏距离值;
S54、获取所述第b列欧氏距离值中的第二最小值和第二次小值,当第二最小值小于0.5×第二次小值时,获取所述第二最小值的行下标c,执行S55;当第二最小值大于或等于0.5×第二次小值,执行S51,以获取所述欧氏距离二维数组的另一行欧氏距离值,直到获取了所述欧氏距离二维数组中的所有欧氏距离值为止;
S55、若a=c,则所述互联网图片中的第a个互联网图片特征点与所述参考图片中的第b个参考图片特征点为所述匹配特征点,所述匹配特征点个数加一。
结合第一方面的第一、第二、第三、第四、第五、第六、第七种实施方式,在第一方面的第八种实施方式中,所述S3具体包括:
当所述匹配特征点的个数符合如下计算公式时,所述互联网图片和所述参考图片相似:
其中,match为所述匹配特征点的个数,ipt1为所述互联网图片特征点的个数,ipt2为所述参考图片特征点的个数,m,n,z为常数,abs()代表求绝对值函数,ρ为预设相似度阈值权重。
第二方面,本发明实施例还提供了一种图片相似度检测系统,包括:服务器,所述服务器用于实现如上述技术方案中提供的图片相似度检测方法。
本发明的上述技术方案与现有技术相比具有如下优点:本发明实施例通过获取进行对比的两个图片的特征点,获取得到互联网图片和参考图片的特征点是否相匹配,并统计相匹配的特征点的数量,当匹配的特征点的数量超过预设阈值时,即可确认互联网图片和参考图片相似,本发明实施例计算数据量少,抗噪能力强,实现了快速识别检验图片之间是否相似。
附图说明
图1是本发明实施例提供的一种图片相似度检测方法流程示意图;
图2是本发明又一实施例提供的一种图片相似度检测方法流程示意图;
图3是本发明另一实施例提供的一种图片相似度检测方法流程示意图;
图4是本发明另一实施例提供的一种图片相似度检测方法流程示意图其二;
图5是本发明另一实施例提供的一种图片相似度检测方法流程示意图其三;
图6是本发明另一实施例提供的一种图片相似度检测方法流程示意图其四;
图7是本发明另一实施例提供的一种图片相似度检测方法流程示意图其五;
图8是本发明另一实施例提供的一种图片相似度检测方法流程示意图其六。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
如图1所示,本发明实施例提供了一种图片相似度检测方法,包括:
S1、分别筛选出互联网图片和参考图片中的互联网图片特征点和参考图片特征点。
具体的,在图像处理中,特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点。图像特征点在基于特征点的图像匹配算法中有着十分重要的作用。图像特征点能够反映图像本质特征,能够标识图像中目标物体。通过特征点的匹配能够完成图像的匹配。
在本步骤中,获取互联网图片特征点和参考图片特征点的方式不限,本领域技术人员可采取任何可行的方式获取用户脸部上的真实特征点,本实施例对此不做限定。举例而言,互联网图片特征点和参考图片特征点可以是用户或其他人员输入,当然,互联网图片特征点和参考图片特征点也可以是实时通过运算方式获取。
S2、根据所有互联网图片特征点和所有参考图片特征点得到互联网图片和参考图片中的匹配特征点。
具体的,在本步骤中获取互联网图片和参考图片中的匹配特征点,此处的处理过程不作限定,本领域技术人员可根据需求采用不同的处理过程获取两幅图片的匹配特征点,比如,将每个互联网图片特征点与所有参考图片特征点依次进行比对,将比对结果最相符的互联网图片特征点和参考图片特征点作为匹配特征点,该比对方式可以是数值比对,如,分别计算互联网图片特征点和参考图片特征点的曲率值,比较两者曲率值的大小,该方式可以实现快速比对,但是不同的特征点最终计算得到的曲率值有可能是一样的,所以比对曲率值的方式具有一定的局限性。
可选的,如图4所示,步骤S2中根据所有互联网图片特征点和所有参考图片特征点得到互联网图片和参考图片中的匹配特征点的方式具体包括:
S41、计算互联网图片特征点和参考图片特征点的方向,根据互联网图片特征点的方向建立互联网图片特征点的第一矢量表达式,根据参考图片特征点的方向,建立参考图片特征点的第二矢量表达式。
计算互联网图片特征点的方向和参考图片特征点的方向,并根据相应的方向,分别建立互联网图片特征点的第一矢量表达式和参考图片特征点的第二矢量表达式,其中,矢量表达式中的具体数据可以是能够表达特征点特征的数据,如上述实施例中的特征点的曲率,此处对此不做限定,通过第一矢量表达式和第二矢量表达式,分别表示对应的互联网图片特征点和参考图片特征点,提高最终匹配结果的准确性。
S42、计算每个互联网图片特征点的第一矢量表达式分别和所有参考图片特征点的第二矢量表达式的欧氏距离,构建欧氏距离二维数组。
欧氏距离也称欧几里得度量,是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
具体的,计算每个第一矢量表达式和每个第二矢量表达式的欧氏距离,该欧氏距离二维数组的第一个数组中的元素为第一个第一矢量表达式分别与每个第二矢量表达式的欧氏距离,由此得到一个用于确认互联网图片与参考图片中不同特征点之间是否匹配的欧氏距离二维数组。
S43、根据欧氏距离二维数组得到互联网图片和参考图片中的匹配特征点。
具体的,通过上述步骤计算得到的欧氏距离二维数组,由于欧氏距离表示两点之间的真实距离,由于上述步骤中将图片特征点转化为向量,当两个特征点方向一致且数值相等时,两点的欧氏距离为0,即两特征点重合,当两个特征点方向不一致,就算数值相等,两点的欧氏距离也不会相等,由此提高了计算的准确性,通过该欧氏距离二维数组即可判断互联网图片和参考图片中相匹配的匹配特征点,举例而言,如欧氏距离越小,相匹配的机会越高。
可选的,步骤S43中,根据欧氏距离二维数组得到互联网图片和参考图片中的匹配特征点的方式,包括:
S51、获取欧氏距离二维数组的一行欧氏距离值。
S52、获取一行欧氏距离值中的第一最小值和第一次小值,当第一最小值小于0.5×第一次小值,获取第一最小值的行下标a和列下标b,执行S53;当第一最小值大于或等于0.5×第一次小值,执行S51,以获取欧氏距离二维数组的另一行欧氏距离值,直到获取了欧氏距离二维数组中的所有欧氏距离值为止。
具体的,本领域技术人员可以毫无疑义的确认第一最小值和第一次小值,即欧氏距离二维数组中的任一一行欧氏距离值中的最小值和次小值,本步骤中,第一最小值为任一互联网图片特征点与所有参考图片特征点的欧氏距离中的最小值,第一次小值为任一互联网图片特征点与所有参考图片特征点的欧氏距离中的次小值,当最小值小于次小值的一半时,即该互联网图片特征点与参考图片特征点中有一预备匹配特征点,获取该第一最小值在欧氏距离二维数组中的列下标b,可进行下一步骤,进行进一步判断。
S53、获取欧氏距离二维数组中的第b列欧氏距离值。
S54、获取第b列欧氏距离值中的第二最小值和第二次小值,当第二最小值小于0.5×第二次小值时,获取第二最小值的行下标c,执行S55;当第二最小值大于或等于0.5×第二次小值,执行S51,以获取欧氏距离二维数组的另一行欧氏距离值,直到获取了欧氏距离二维数组中的所有欧氏距离值为止。
具体的,本步骤中,根据上述步骤中得到的列下标b,获取欧氏距离二维数组中的第b列欧氏距离值,并得到第b列欧氏距离值的第二最小值和第二次小值,第二最小值和第二次小值与上述步骤第一最小值和第一次小值的含义一致,并得到预备匹配特征点的行下标。
S55、若a=c,则互联网图片中的第a个互联网图片特征点与参考图片中的第b个参考图片特征点为匹配特征点,匹配特征点个数加一。
具体的,当a=c时,即步骤S52中和步骤S54中得到的第一最小值和第二最小值为同一互联网图片特征点和参考图片特征点计算得到的欧氏距离值,此时即可判断互联网图片中的第a个互联网图片特征点和参考图片中的第b个参考图片特征点相匹配。
S3、当匹配特征点的个数大于或等于预设阈值时,互联网图片和参考图片相似。
具体的,在本这步骤中,根据匹配特征点的数量判断两幅图片是否相似,此处的预设阈值可由用户根据互联网图片或参考图片中的互联网图片特征点或参考图片特征点的数量进行设定,具体的比例此处不做限定,比如,参考图片特征点数量的四分之三。
可选的,在本实施例S3步骤中,确认互联网图片和参考图片是否相似的方式包括:
当匹配特征点的个数符合如下计算公式时,互联网图片和参考图片相似:
其中,match为匹配特征点的个数,ipt1为互联网图片特征点的个数,ipt2为参考图片特征点的个数,m,n,z为常数,abs()代表求绝对值函数,ρ为预设相似度阈值权重。
具体的,上述公式中的m,n,z的值可以是用户预先存储的,在计算时,可以读取预先存储的常数值,代入公式中的m,n,z即可,还可以时用户或其他人员输入的,当然,m,n,z的值也可以是通过大数据算法归纳总结得到。
本步骤中使用匹配特征点的个数的立方进行运算,增大用于计算的数值,避免上述公式中的左右等式的数值较小,使计算难度升高。
如图2所示,本发明实施例提供了一种上述S2步骤的具体实现方法,即分别筛选出互联网图片和参考图片中的互联网图片特征点和参考图片特征点的方式,包括:
S21、通过预设数量且尺寸依次增加的滤波器分别对互联网图片和参考图片进行滤波处理,得到多个不同尺寸的滤波互联网图片和多个不同尺寸的滤波参考图片。
具体的,对于一张图片,过滤后的图片的尺寸指的是图片的模糊程度,过滤后的图片的尺寸越小,模糊程度越大,而不同模糊程度情况下的图片的特征点的情况会发生变化,比如模糊化后的图片中不同色彩的边界变的模糊,有可能会丢失特征点,但是不进行过滤模糊化处理,有可能最终筛选到噪音造成的特征点,因此,在本步骤中,通过多组不同尺寸的滤波器分别对互联网图片和参考图片进行处理,得到不同情况下的互联网图片和参考图片,由于使用的滤波器是预设数量且尺寸依次增加,所以最终得到的滤波互联网图片和滤波参考图片的数量与滤波器的数量一致,且尺寸依次降低。
例如,如图3所示,在本实施例中,S21步骤中,具体包括:
S31、对互联网图片和参考图片分别进行积分运算,得到相应的互联网积分图像和参考积分图像。
对互联网图片和参考图片分别进行积分运算,将图片转换为相应的积分图像的方式进行表示,方便后续步骤进行运算。
S32、通过预设数量且尺寸依次增加的盒子滤波器对互联网积分图像进行滤波,得到多个第一滤波函数表示多个滤波互联网图片。
S33、通过预设数量且尺寸依次增加的盒子滤波器对参考积分图像进行滤波,得到多个第二滤波函数表示多个滤波参考图片。
通过多个不同尺寸的滤波器分别对互联网积分图像和参考积分图像进行处理,得到滤波过后的第一滤波函数和第二滤波函数,通过函数表示相应的图片,例如,通过二阶高斯函数对互联网积分图片或参考积分图片进行高斯滤波,即将高斯函数与互联网积分图片或参考积分图片进行卷积,得到滤波函数以表示滤波后的图片。
S22、计算每个滤波互联网图片的第一Hessian矩阵;计算每个滤波参考图片的第二Hessian矩阵。
具体的,Hessian矩阵即黑塞矩阵,又译作海森矩阵、海瑟矩阵、海塞矩阵等,是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。黑塞矩阵最早于19世纪由德国数学家Ludwig Otto Hesse提出,并以其名字命名。黑塞矩阵常用于牛顿法解决优化问题,利用黑塞矩阵可判定多元函数的极值问题。
例如,第一Hessian矩阵如下所示:
其中,H(x,y)为第一Hessian矩阵,Dx(x,y)为第一滤波函数在滤波互联网图片中任一像素点的x方向的二阶导数,Dy(x,y)为第一滤波函数在滤波互联网图片中任一像素点的y方向的二阶导数,Dxy(x,y)为第一滤波函数在滤波互联网图片中任一像素点依次对x方向和y方向的二阶偏导数;
第二Hessian矩阵如下所示:
其中,h(x,y)为第二Hessian矩阵,dx(x,y)为第二滤波函数在滤波参考图像中任一像素点的x方向的二阶导数,dy(x,y)为第二滤波函数在滤波参考图像中任一像素点的y方向的二阶导数,dxy(x,y)为第二滤波函数在滤波参考图像中任一像素点依次对x方向和y方向的二阶偏导数。
S23、根据所有第一Hessian矩阵从互联网图片中筛选互联网图片特征点;根据所有第二Hessian矩阵从参考图片中筛选参考图片特征点。
具体的,每一个互联网图片对应有多个滤波互联网图片,每个滤波互联网图片均对应一个黑塞矩阵,通过黑塞矩阵可以确认每个滤波互联网图片的极值位置,由此实现通过黑塞矩阵计算不同滤波互联网图片中每个像素点的对应的黑塞矩阵值,由此筛选出互联网图片特征点,同理可筛选出参考图片特征点。
例如,如图5所示,在本步骤中,S23筛选互联网图片特征点的方式包括:
S61、根据第一Hessian矩阵和相应的滤波器的误差得到如下所示第一Hessian行列式:
Det(H)=DxDy-(ωDxy)2;
其中,Det(H)为第一Hessian行列式,ω为根据滤波器的误差得到的加权系数,Dx为第一滤波函数在滤波互联网图片中像素点的x方向的二阶导数,Dy为第一滤波函数在滤波互联网图片中像素点的y方向的二阶导数,Dxy为第一滤波函数在滤波互联网图片中像素点依次对x方向和y方向的二阶偏导数。
将上述步骤中得到的第一黑塞矩阵展开,在考虑滤波器的误差的情况下,得到上述第一黑塞行列式,由此可以计算每个滤波互联网图片中每个像素点的第一黑塞行列式值,根据第一黑塞行列式值确认不同像素点是否为特征点,其中此处滤波器的误差为已知参数,本领域技术人员可根据过往使用经验确认上述加权系数。
S62、根据第一Hessian行列式筛选出每个滤波互联网图片中的滤波互联网图片特征点;其中,滤波互联网图片特征点满足:获取任一尺寸的滤波互联网图片中滤波互联网图片特征点周围的像素点,作为第一对比像素点;当任一尺寸为最小尺寸时,获取后一尺寸的滤波互联网图片,作为对比互联网图片,当任一尺寸为最大尺寸时,获取前一尺寸的滤波互联网图片,作为对比互联网图片,当任一尺寸为非最大尺寸和非最小尺寸时,获取任一尺寸的滤波互联网图片前一尺寸的滤波互联网图片和后一尺寸的滤波互联网图片,作为对比互联网图片;获取对比互联网图片中与滤波互联网图片特征点和第一对比像素点相应的像素点,作为第二对比像素点,则滤波互联网图片特征点的第一Hessian行列式值大于第一对比像素点和第二对比像素点的第一Hessian行列式值。
具体的,通过每个滤波互联网图片对应的第一黑塞行列式筛选出每个滤波互联网图片的滤波互联网图片特征点,滤波互联网图片特征点满足上述条件,即滤波互联网图片的第一黑塞行列式值比其周围的像素点的第一黑塞行列式值大,其中当任一尺寸为最小尺寸时,仅获取后一尺寸的滤波互联网图片,当任一尺寸为最大尺寸时,仅获取前一尺寸的滤波互联网图片,或者,本步骤中该任一尺寸还可以仅为非最大尺寸和非最小尺寸,剔除掉该任一尺寸为最大尺寸或最小尺寸的情况,以减少计算误差,保证滤波互联网图片特征点的第一黑塞行列式值与周围像素点的第一黑塞行列式相比为最大值。
由于滤波互联网图片是由预设数量且尺寸依次增加的滤波器对互联网图片进行处理得到的,过滤后得到的滤波互联网图片的数量与滤波器的数量一致,且滤波互联网图片的尺寸依次降低,滤波互联网图片的尺寸越小对应的像素点越少,图像越模糊,去噪效果越好,本步骤中,任一尺寸的前一尺寸比任一尺寸的尺寸大,任一尺寸的后一尺寸比任一尺寸的尺寸小,本步骤中的滤波互联网图片分别具有不同的尺寸。
S63、将所有滤波互联网图片中的所有滤波互联网图片特征点作为互联网图片的互联网图片特征点。
在本步骤中,滤波互联网图片是由尺寸依次增加的滤波器对互联网图片进行过滤得到的,根据上述步骤得到的每个滤波互联网图片中的互联网图片特征点均可作为该互联网图片的特征点,由于使用了尺寸依次增加的滤波器进行处理,可以筛选掉互联网图片中的噪声并且能够保留不是非常明显的特征点,保证特征点不会因为过滤而丢失,提高数据准确性,其中,当不同滤波互联网图片中出现重合的滤波互联网图片特征点时,其映射到互联网图片中为同一个点,由于本技术方案中使用的是不同尺寸的滤波器对同一互联网图片进行处理,所以最终的滤波互联网图片特征点出现重合的情况会出现较多,这种情况下的特征点相较于未出现重合的绿币互联网图片特征点更有效,如为保证最终比对效果,还可以将出现重合的滤波互联网图片特征点作为互联网图片特征点,确保特征点更加明确。
在本步骤中,将所有滤波互联网图片中的所有滤波互联网图片特征点作为互联网图片的互联网图片特征点,表示将不同滤波互联网图片中的滤波互联网图片特征点分别映射到互联网图片中,滤波互联网图片特征点在滤波互联网图片中的像素坐标,即互联网图片特征点在互联网图片中的像素坐标。
如图6所示,S23筛选参考图片特征点的方式包括:
S71、根据第二Hessian矩阵和相应的滤波器的误差得到如下所示第二Hessian行列式:
Det(h)=dxdy-(ωdxy)2;
其中,Det(h)为第二Hessian行列式,ω为根据滤波器的误差得到的加权系数,dx为第二滤波函数在滤波参考图片中像素点的x方向的二阶导数,dy为第二滤波函数在滤波参考图片中像素点的y方向的二阶导数,dxy为第二滤波函数在滤波参考图片中像素点依次对x方向和y方向的二阶偏导数。
S72、根据第二Hessian行列式筛选出每个滤波参考图片中的滤波参考图片特征点;其中,滤波参考图片特征点满足:获取任一尺寸的滤波参考图片中滤波参考图片特征点周围的像素点,作为第三对比像素点;当所述任一尺寸为最小尺寸时,获取后一尺寸的滤波参考图片,作为对比互联网图片,当所述任一尺寸为最大尺寸时,获取前一尺寸的滤波参考图片,作为对比互联网图片,当所述任一尺寸为非最大尺寸和非最小尺寸时,获取任一尺寸的滤波参考图片前一尺寸的滤波参考图片和后一尺寸的滤波参考图片,作为对比参考图片;获取对比参考图片中与滤波参考图片特征点和第三对比像素点相应的像素点,作为第四对比像素点,则滤波参考图片特征点的第二Hessian行列式值大于第三对比像素点和第四对比像素点的第二Hessian行列式值;
S73、将所有滤波参考图片中的所有滤波参考图片特征点作为参考图片的参考图片特征点。
本步骤与上述步骤中关于第一黑塞行列式的描述相似,在此不再赘述。
如图7所示,本发明实施例提供了一种上述S41步骤的具体实施方式,即计算互联网图片特征点的方向,根据互联网图片特征点的方向建立互联网图片特征点的第一矢量表达式的方式,包括:
S81、在以互联网图片特征点为圆心的预设半径的圆中选取预设弧度的滑动扇形区域;计算滑动扇形区域内像素点的响应总和与方向;
其中,sumXY为滑动扇形区域内像素点的响应总和,n为滑动扇形区域内的像素点个数,ResX(i)为像素点i在x方向的小波响应值,ResY(j)为像素点j在y方向的小波响应值,Angle为滑动扇形区域内像素点的方向,atan()为反正切函数。
具体的,在确认互联网图片的特征点后,以其像素坐标为圆心确认一预设半径的圆,在该圆中以预设弧度值的扇形为滑动窗口,即上述滑动扇形区域,计算圆中的所有不同滑动扇形区域的像素点的响应总和和方向,像素点在不同方向的小波响应值,比如,计算各个像素点在haar小波函数进行滤波处理的x方向和y方向的响应。反正切函数可以返回数值的反正切弧度值,以确定不同滑动扇形区域内像素点的方向。
S82、当任一滑动扇形区域内像素点的响应总和大于其他滑动扇形区域内像素点的响应总和时,该任一滑动扇形区域内像素点的方向为互联网图片特征点的方向。
具体的,在本步骤中确定互联网图片特征点的方向,避免不同的互联网图片特征点之间具有相同的特征值,比如特征点的曲率这类可以用于表示特征点的值,减少最终匹配时的误差。
S83、以互联网图片特征点为中心,互联网图片特征点方向为y轴,在互联网图片中获取一个矩形区域,矩形区域内包含预设个数的方格,每个方格均包含预设个数像素点。
具体的,本步骤中建立了一个以互联网图片特征点为中心的矩形区域,比如,以互联网图片特征点为中心,建立一个4*4的正方形区域,正方形区域的y轴方向即为互联网图片特征点的主方向,每个方格内可包含25个像素点,具体数值可根据不同需求进行设置。
S84、将每个方格中的像素点在x方向的小波响应值的总和、像素点在y方向的小波响应值的总和、像素点在x方向的小波响应值的绝对值总和和像素点在y方向的小波响应值的绝对值总和矢量连接在一起,得到互联网图片特征点的第一矢量表达式。
具体的,根据本步骤的处理方式每个方格可以得到四个表示该方格的值,基于步骤S83,针对每个方格采用haar小波函数进行滤波处理,将16个方格的四个量矢量连接在一起,得到一个长度为64位的向量,即该第一矢量表达式,为方便后续计算,可以将该第一矢量表达式归一化为单位向量。
如图8所示,本发明实施例提供了一种上述S41步骤的具体实施方式,即计算参考图片特征点的方向,根据参考图片特征点的方向,建立参考图片特征点的第二矢量表达式的方式,包括:
S91、在以参考图片特征点为圆心的预设半径的圆中选取预设弧度的滑动扇形区域;计算滑动扇形区域内像素点的响应总和与方向;
其中,sumxy为滑动扇形区域内像素点的响应总和,n为滑动扇形区域内的像素点个数,ResX(i)为像素点i在x方向的小波响应值,ResY(j)为像素点j在y方向的小波响应值,Angle为滑动扇形区域内像素点的方向,atan()为反正切函数;
S92、当任一滑动扇形区域内像素点的响应总和大于其他滑动扇形区域内像素点的响应总和时,该任一滑动扇形区域内像素点的方向为参考图片特征点的方向;
S93、以参考图片特征点为中心,参考图片特征点方向为y轴,在参考图片中获取一个矩形区域,矩形区域内包含预设个数的方格,每个方格均包含预设个数像素点;
S94、将每个方格中的像素点在x方向的小波响应值的总和、像素点在y方向的小波响应值的总和、像素点在x方向的小波响应值的绝对值总和和像素点在y方向的小波响应值的绝对值总和矢量连接在一起,得到参考图片特征点的第二矢量表达式。
本实施例中计算参考图片特征点的第二矢量表达式的过程与上述实施例中计算互联网图片特征点的第一矢量表达式的过程相似,在此不再赘述。
第二方面,本发明实施例还提供了一种图片相似度检测系统,包括:服务器;
服务器,用于分别筛选出互联网图片和参考图片中的互联网图片特征点和参考图片特征点;
服务器,还用于根据所有互联网图片特征点和所有参考图片特征点得到互联网图片和参考图片中的匹配特征点;
服务器,还用于计算匹配特征点的个数是与预设阈值的大小,当匹配特征点的个数大于或等于预设阈值时,互联网图片和参考图片相似。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种图片相似度检测方法,其特征在于,包括:
S1、分别筛选出互联网图片和参考图片中的互联网图片特征点和参考图片特征点;
S2、根据所有所述互联网图片特征点和所有所述参考图片特征点得到所述互联网图片和参考图片中的匹配特征点;
S3、当所述匹配特征点的个数大于或等于预设阈值时,所述互联网图片和所述参考图片相似。
2.根据权利要求1所述的图片相似度检测方法,其特征在于,所述S1具体包括:
S21、通过预设数量且尺寸依次增加的滤波器分别对所述互联网图片和参考图片进行滤波处理,得到多个不同尺寸的滤波互联网图片和多个不同尺寸的滤波参考图片;
S22、计算每个滤波互联网图片的第一Hessian矩阵;计算每个滤波参考图片的第二Hessian矩阵;
S23、根据所有所述第一Hessian矩阵从所述互联网图片中筛选所述互联网图片特征点;根据所有所述第二Hessian矩阵从所述参考图片中筛选所述参考图片特征点。
3.根据权利要求2所述的图片相似度检测方法,其特征在于,所述S21具体包括:
S31、对所述互联网图片和参考图片分别进行积分运算,得到相应的互联网积分图像和参考积分图像;
S32、通过预设数量且尺寸依次增加的盒子滤波器对所述互联网积分图像进行滤波,得到多个第一滤波函数表示所述多个滤波互联网图片;
S33、通过预设数量且尺寸依次增加的盒子滤波器对所述参考积分图像进行滤波,得到多个第二滤波函数表示所述多个滤波参考图片。
4.根据权利要求3所述的图片相似度检测方法,其特征在于,
所述第一Hessian矩阵如下所示:
其中,H(x,y)为所述第一Hessian矩阵,Dx(x,y)为所述第一滤波函数在所述滤波互联网图片中任一像素点的x方向的二阶导数,Dy(x,y)为所述第一滤波函数在所述滤波互联网图片中任一像素点的y方向的二阶导数,Dxy(x,y)为所述第一滤波函数在所述滤波互联网图片中任一像素点依次对x方向和y方向的二阶偏导数;
所述第二Hessian矩阵如下所示:
其中,h(x,y)为所述第二Hessian矩阵,dx(x,y)为所述第二滤波函数在所述滤波参考图像中任一像素点的x方向的二阶导数,dy(x,y)为所述第二滤波函数在所述滤波参考图像中任一像素点的y方向的二阶导数,dxy(x,y)为所述第二滤波函数在所述滤波参考图像中任一像素点依次对x方向和y方向的二阶偏导数。
5.根据权利要求4所述的图片相似度检测方法,其特征在于,所述S23具体包括:
根据所述第一Hessian矩阵和相应的所述滤波器的误差得到如下所示第一Hessian行列式:
Det(H)=DxDy-(ωDxy)2;
其中,所述Det(H)为所述第一Hessian行列式,ω为根据所述滤波器的误差得到的加权系数,Dx为所述第一滤波函数在所述滤波互联网图片中像素点的x方向的二阶导数,Dy为所述第一滤波函数在所述滤波互联网图片中像素点的y方向的二阶导数,Dxy为所述第一滤波函数在所述滤波互联网图片中像素点依次对x方向和y方向的二阶偏导数;
根据所述第一Hessian行列式筛选出每个滤波互联网图片中的滤波互联网图片特征点;其中,所述滤波互联网图片特征点满足:获取任一尺寸的滤波互联网图片中所述滤波互联网图片特征点周围的像素点,作为第一对比像素点;当所述任一尺寸为最小尺寸时,获取后一尺寸的滤波互联网图片,作为对比互联网图片,当所述任一尺寸为最大尺寸时,获取前一尺寸的滤波互联网图片,作为对比互联网图片,当所述任一尺寸为非最大尺寸和非最小尺寸时,获取所述任一尺寸的滤波互联网图片前一尺寸的滤波互联网图片和后一尺寸的滤波互联网图片,作为对比互联网图片;获取对比互联网图片中与所述滤波互联网图片特征点和第一对比像素点相应的像素点,作为第二对比像素点,则所述滤波互联网图片特征点的第一Hessian行列式值大于第一对比像素点和第二对比像素点的第一Hessian行列式值;
将所有滤波互联网图片中的所有滤波互联网图片特征点作为所述互联网图片的所述互联网图片特征点;
根据所述第二Hessian矩阵和相应的所述滤波器的误差得到如下所示第二Hessian行列式:
Det(h)=dxdy-(ωdxy)2;
其中,所述Det(h)为所述第二Hessian行列式,ω为根据所述滤波器的误差得到的加权系数,dx为所述第二滤波函数在所述滤波参考图片中像素点的x方向的二阶导数,dy为所述第二滤波函数在所述滤波参考图片中像素点的y方向的二阶导数,dxy为所述第二滤波函数在所述滤波参考图片中像素点依次对x方向和y方向的二阶偏导数;
根据所述第二Hessian行列式筛选出每个滤波参考图片中的滤波参考图片特征点;其中,所述滤波参考图片特征点满足:获取任一尺寸的滤波参考图片中所述滤波参考图片特征点周围的像素点,作为第三对比像素点;当所述任一尺寸为最小尺寸时,获取后一尺寸的滤波参考图片,作为对比参考图片,当所述任一尺寸为最大尺寸时,获取前一尺寸的滤波参考图片,作为对比参考图片,当所述任一尺寸为非最大尺寸和非最小尺寸时,获取所述任一尺寸的滤波参考图片前一尺寸的滤波参考图片和后一尺寸的滤波参考图片,作为对比参考图片;获取对比参考图片中与所述滤波参考图片特征点和第三对比像素点相应的像素点,作为第四对比像素点,则所述滤波参考图片特征点的第二Hessian行列式值大于第三对比像素点和第四对比像素点的第二Hessian行列式值;
将所有滤波参考图片中的所有滤波参考图片特征点作为所述参考图片的所述参考图片特征点。
6.根据权利要求5所述的图片相似度检测方法,其特征在于,所述S2具体包括:
S41、计算所述互联网图片特征点和参考图片特征点的方向,根据所述互联网图片特征点的方向建立所述互联网图片特征点的第一矢量表达式,根据所述参考图片特征点的方向,建立所述参考图片特征点的第二矢量表达式;
S42、计算每个所述互联网图片特征点的第一矢量表达式分别和所有所述参考图片特征点的第二矢量表达式的欧氏距离,构建欧氏距离二维数组;
S43、根据所述欧氏距离二维数组得到所述互联网图片和参考图片中的匹配特征点。
7.根据权利要求6所述的图片相似度检测方法,其特征在于,所述S41具体包括:
在以所述互联网图片特征点为圆心的预设半径的圆中选取预设弧度的滑动扇形区域;计算所述滑动扇形区域内像素点的响应总和与方向;
其中,sumXY为所述滑动扇形区域内像素点的响应总和,n为所述滑动扇形区域内的像素点个数,ResX(i)为像素点i在x方向的小波响应值,ResY(j)为像素点j在y方向的小波响应值,Angle为所述滑动扇形区域内像素点的方向,atan()为反正切函数;
当任一所述滑动扇形区域内像素点的响应总和大于其他滑动扇形区域内像素点的响应总和时,所述任一所述滑动扇形区域内像素点的方向为所述互联网图片特征点的方向;
以所述互联网图片特征点为中心,所述互联网图片特征点的方向为y轴,在所述互联网图片中获取一个矩形区域,所述矩形区域内包含预设个数的方格,每个所述方格均包含预设个数像素点;
将每个所述方格中的像素点在x方向的小波响应值的总和、像素点在y方向的小波响应值的总和、像素点在x方向的小波响应值的绝对值总和和像素点在y方向的小波响应值的绝对值总和矢量连接在一起,得到所述互联网图片特征点的第一矢量表达式;
在以所述参考图片特征点为圆心的预设半径的圆中选取预设弧度的滑动扇形区域;计算所述滑动扇形区域内像素点的响应总和与方向;
其中,sumxy为所述滑动扇形区域内像素点的响应总和,n为所述滑动扇形区域内的像素点个数,ResX(i)为像素点i在x方向的小波响应值,ResY(j)为像素点j在y方向的小波响应值,Angle为所述滑动扇形区域内像素点的方向,atan()为反正切函数;
当任一所述滑动扇形区域内像素点的响应总和大于其他滑动扇形区域内像素点的响应总和时,所述任一所述滑动扇形区域内像素点的方向为所述参考图片特征点的方向;
以所述参考图片特征点为中心,所述参考图片特征点的方向为y轴,在所述参考图片中获取一个矩形区域,所述矩形区域内包含预设个数的方格,每个所述方格均包含预设个数像素点;
将每个所述方格中的像素点在x方向的小波响应值的总和、像素点在y方向的小波响应值的总和、像素点在x方向的小波响应值的绝对值总和和像素点在y方向的小波响应值的绝对值总和矢量连接在一起,得到所述参考图片特征点的第二矢量表达式。
8.根据权利要求7所述的图片相似度检测方法,其特征在于,所述S43具体包括:
S51、获取所述欧氏距离二维数组的一行欧氏距离值;
S52、获取所述一行欧氏距离值中的第一最小值和第一次小值,当第一最小值小于0.5×第一次小值,获取所述第一最小值的行下标a和列下标b,执行S53;当第一最小值大于或等于0.5×第一次小值,执行S51,以获取所述欧氏距离二维数组的另一行欧氏距离值,直到获取了所述欧氏距离二维数组中的所有欧氏距离值为止;
S53、获取所述欧氏距离二维数组中的第b列欧氏距离值;
S54、获取所述第b列欧氏距离值中的第二最小值和第二次小值,当第二最小值小于0.5×第二次小值时,获取所述第二最小值的行下标c,执行S55;当第二最小值大于或等于0.5×第二次小值,执行S51,以获取所述欧氏距离二维数组的另一行欧氏距离值,直到获取了所述欧氏距离二维数组中的所有欧氏距离值为止;
S55、若a=c,则所述互联网图片中的第a个互联网图片特征点与所述参考图片中的第b个参考图片特征点为所述匹配特征点,所述匹配特征点个数加一。
9.根据权利要求1-8中任一所述的图片相似度检测方法,其特征在于,所述S3具体包括:
当所述匹配特征点的个数符合如下计算公式时,所述互联网图片和所述参考图片相似:
其中,match为所述匹配特征点的个数,ipt1为所述互联网图片特征点的个数,ipt2为所述参考图片特征点的个数,m,n,z为常数,abs()代表求绝对值函数,ρ为预设相似度阈值权重。
10.一种图片相似度检测系统,包括:服务器,其特征在于,所述服务器用于实现如权利要求1-9中任一所述的图片相似度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488427.9A CN108960280B (zh) | 2018-05-21 | 2018-05-21 | 一种图片相似度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488427.9A CN108960280B (zh) | 2018-05-21 | 2018-05-21 | 一种图片相似度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960280A true CN108960280A (zh) | 2018-12-07 |
CN108960280B CN108960280B (zh) | 2020-07-24 |
Family
ID=64499282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810488427.9A Active CN108960280B (zh) | 2018-05-21 | 2018-05-21 | 一种图片相似度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960280B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740633A (zh) * | 2018-12-10 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种图像相似度计算方法、装置、存储介质 |
CN109902569A (zh) * | 2019-01-23 | 2019-06-18 | 上海思立微电子科技有限公司 | 指纹图像的转换方法、装置和指纹识别方法 |
CN110830678A (zh) * | 2019-11-14 | 2020-02-21 | 威创集团股份有限公司 | 一种多通道视频信号同步输出方法、装置、系统及介质 |
CN112101448A (zh) * | 2020-09-10 | 2020-12-18 | 敬科(深圳)机器人科技有限公司 | 一种屏幕图像识别方法、设备、系统和可读存储介质 |
CN114098536A (zh) * | 2021-12-01 | 2022-03-01 | 湖南格兰博智能科技有限责任公司 | 一种扫地机器人越障被困检测方法及扫地机器人 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
CN103106688A (zh) * | 2013-02-20 | 2013-05-15 | 北京工业大学 | 基于双层配准方法的室内三维场景重建方法 |
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能系统有限公司 | 一种用于检测车底异物的图像检测方法 |
CN105069089A (zh) * | 2015-08-04 | 2015-11-18 | 小米科技有限责任公司 | 图片检测方法及装置 |
CN107392215A (zh) * | 2017-08-02 | 2017-11-24 | 焦点科技股份有限公司 | 一种基于sift算法的重图检测方法 |
CN107423768A (zh) * | 2017-08-02 | 2017-12-01 | 上海应用技术大学 | 基于surf和pca结合的图像哈希序列生成方法 |
-
2018
- 2018-05-21 CN CN201810488427.9A patent/CN108960280B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807257A (zh) * | 2010-05-12 | 2010-08-18 | 上海交通大学 | 图像标签信息识别方法 |
CN103106688A (zh) * | 2013-02-20 | 2013-05-15 | 北京工业大学 | 基于双层配准方法的室内三维场景重建方法 |
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能系统有限公司 | 一种用于检测车底异物的图像检测方法 |
CN105069089A (zh) * | 2015-08-04 | 2015-11-18 | 小米科技有限责任公司 | 图片检测方法及装置 |
CN107392215A (zh) * | 2017-08-02 | 2017-11-24 | 焦点科技股份有限公司 | 一种基于sift算法的重图检测方法 |
CN107423768A (zh) * | 2017-08-02 | 2017-12-01 | 上海应用技术大学 | 基于surf和pca结合的图像哈希序列生成方法 |
Non-Patent Citations (2)
Title |
---|
HERBERT BAY,ET AL.: "Speeded-Up Robust Features (SURF)", 《ELSEVIER》 * |
金铭: "基于内容的图像检索算法研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740633A (zh) * | 2018-12-10 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种图像相似度计算方法、装置、存储介质 |
WO2020119144A1 (zh) * | 2018-12-10 | 2020-06-18 | 厦门市美亚柏科信息股份有限公司 | 一种图像相似度计算方法、装置、存储介质 |
CN109740633B (zh) * | 2018-12-10 | 2022-02-22 | 厦门市美亚柏科信息股份有限公司 | 一种图像相似度计算方法、装置、存储介质 |
CN109902569A (zh) * | 2019-01-23 | 2019-06-18 | 上海思立微电子科技有限公司 | 指纹图像的转换方法、装置和指纹识别方法 |
CN110830678A (zh) * | 2019-11-14 | 2020-02-21 | 威创集团股份有限公司 | 一种多通道视频信号同步输出方法、装置、系统及介质 |
CN110830678B (zh) * | 2019-11-14 | 2021-05-11 | 威创集团股份有限公司 | 一种多通道视频信号同步输出方法、装置、系统及介质 |
CN112101448A (zh) * | 2020-09-10 | 2020-12-18 | 敬科(深圳)机器人科技有限公司 | 一种屏幕图像识别方法、设备、系统和可读存储介质 |
CN114098536A (zh) * | 2021-12-01 | 2022-03-01 | 湖南格兰博智能科技有限责任公司 | 一种扫地机器人越障被困检测方法及扫地机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN108960280B (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960280A (zh) | 一种图片相似度检测方法及系统 | |
Tan et al. | DeepDemosaicking: Adaptive image demosaicking via multiple deep fully convolutional networks | |
CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
Hosseini et al. | Age and gender classification using wide convolutional neural network and Gabor filter | |
KR102442844B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법(Method for Distinguishing a Real Three-Dimensional Object from a Two-Dimensional Spoof of the Real Object) | |
KR101183391B1 (ko) | 메트릭 임베딩에 의한 이미지 비교 | |
CN110136156B (zh) | 一种多边形区域检测方法及装置 | |
CN108805840A (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
CN108351961A (zh) | 图像及特征质量、用于眼部血管及面部识别的图像增强及特征提取及针对生物识别系统融合眼部血管与面部及/或子面部信息 | |
Xia et al. | Identifying recurring patterns with deep neural networks for natural image denoising | |
CN109284683A (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
WO2019200702A1 (zh) | 去网纹系统训练方法、去网纹方法、装置、设备及介质 | |
CN107330750A (zh) | 一种推荐产品配图方法及装置,电子设备 | |
Kim et al. | Multiple level feature-based universal blind image quality assessment model | |
CN112215201A (zh) | 评估人脸识别模型、针对图像的分类模型的方法及装置 | |
CN111831844A (zh) | 图像检索方法、图像检索装置、图像检索设备及介质 | |
TW201928875A (zh) | 過濾光斑的方法和裝置 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN109815823A (zh) | 数据处理方法及相关产品 | |
CN113378620B (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
Ruchay et al. | Clustered impulse noise removal from color images with spatially connected rank filtering | |
Rana et al. | MSRD-CNN: Multi-scale residual deep CNN for general-purpose image manipulation detection | |
CN109145914A (zh) | 一种基于超复数傅里叶变换和均值偏移的显著性目标检测方法 | |
Hung et al. | Moran’s I for impulse noise detection and removal in color 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 |