CN109255777B - 一种结合小波变换和感知哈希算法的图像相似度计算方法 - Google Patents

一种结合小波变换和感知哈希算法的图像相似度计算方法 Download PDF

Info

Publication number
CN109255777B
CN109255777B CN201810839217.XA CN201810839217A CN109255777B CN 109255777 B CN109255777 B CN 109255777B CN 201810839217 A CN201810839217 A CN 201810839217A CN 109255777 B CN109255777 B CN 109255777B
Authority
CN
China
Prior art keywords
image
frequency
images
similarity
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810839217.XA
Other languages
English (en)
Other versions
CN109255777A (zh
Inventor
王帅
谢明鸿
黄秋萍
杨进
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201810839217.XA priority Critical patent/CN109255777B/zh
Publication of CN109255777A publication Critical patent/CN109255777A/zh
Application granted granted Critical
Publication of CN109255777B publication Critical patent/CN109255777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种结合小波变换和感知哈希算法的图像相似度计算方法，属于图像查重领域。本发明通过对小波变换后的两幅图像的低频和高频分别进行哈希编码，然后计算两幅图像的低频和高频的哈希值之间的汉明距离，得到低频和高频部分的相似度，最后对低频和高频相似度以一定的权重进行加权计算，从而得到两幅图像的相似度。该方法为了提高计算的精确度，计算时考虑了图像的高频部分，以图像的能量为标准计算低频和高频的权重，从而更精确的计算两幅图像的相似度。

Description

一种结合小波变换和感知哈希算法的图像相似度计算方法
技术领域
本发明涉及一种结合小波变换和感知哈希算法的图像相似度计算方法，属于图像查重领域。
背景技术
随着信息化时代的进一步发展，网络上大量的图像数据喷涌而出，这些图像数据的复杂化和重复率也给图像的查询检索带来了很大的挑战。传统图像搜索是基于搜索与其对应的关键词标签，基于关键词的图片搜索有很大的局限性。首先，图片含有大量的信息，用户输入一两个关键词很难描述想要的图片；其次，基于关键词的图片搜索结果排序是按关键词匹配，常常不尽人意。
发明内容
本发明提供了一种结合小波变换和感知哈希算法的图像相似度计算方法，以用于于实现图像相似度的计算。
本发明的技术方案是：一种结合小波变换和感知哈希算法的图像相似度计算方法，所述方法步骤如下：
S1、图像预处理：分别对输入的两幅图像A、B进行重采样缩放到2n *2n大小；
S2、小波变换：对处理后的两幅图像A、B分别进行小波变换i层分解，分解的结果为分别产生1幅低频图像矩阵和3*i幅高频图像矩阵；
S3、对两幅图像的所有图像矩阵分别进行生成hash值运算；其中，图像矩阵指S2中产生的低频图像矩阵和高频图像矩阵；
S4、计算两幅图像A、B的低频图像矩阵的相似度，计算两幅图像A、B的对应高频图像矩阵的相似度；其中低频图像矩阵的相似度为1个，高频图像矩阵的相似度共计3*i个；
S5、计算两幅图像A、B的低频图像矩阵用于加权运算的权重，计算两幅图像A、B的对应高频图像矩阵用于加权运算的权重；其中低频图像矩阵用于加权运算的权重为1个，高频图像矩阵用于加权运算的权重共计3*i个；
S6、将所有对应图像矩阵的相似度与对应图像矩阵用于加权运算的权重相乘后累加，获得两幅图像A、B的图像相似度。
所述S2中，采用haar小波分别对两幅图像A、B进行i层分解；其中，i的取值为1或2：当i取值为1时，所有矩阵的大小为2n-1*2 n-1；当i取值为2时，低频图像矩阵的大小为2n-2*2 n-2，一半高频图像矩阵的大小为2n-1*2 n-1，一半高频图像矩阵的大小为2n-2*2 n-2。
所述S3中，生成hash值的运算步骤如下：
①计算图像矩阵的均值；
②将图像矩阵中的每一个元素同均值进行比较，大于等于均值的记为1，小于均值的记为0；
③将上一步的比较结果，组合在一起，构成了一个由1和0构成的m位的整数，该整数为图像矩阵的hash值；其中，m的取值为矩阵的行列相乘所得。
所述S4中，相似度的计算步骤如下：
将两幅图像A、B对应的图像矩阵的hash值按位进行比对，统计相同位有多少，记为p，得到两幅图像A、B对应的图像矩阵的相似度C=p/m。
所述S5中，权重是根据图像矩阵的能量来计算的，计算步骤如下：
①分别计算图像A经小波变换后得到的3*i+1幅图像矩阵中每一幅图像矩阵的所有元素的平方和，作为对应图像矩阵的能量；
②将对应图像矩阵的能量作和运算，得到图像A的总能量；
③计算权重：将图像矩阵的能量与总能量作除，得到对应图像矩阵的权重；
④采用上述步骤计算出图像B经小波变换后得到的3*i+1幅图像矩阵中每一幅图像矩阵的权重；
⑤将图像A和图像B对应图像矩阵的权重相加后除2作为加权运算的权重。
本发明的有益效果是：本发明通过对小波变换后的两幅图像的低频和高频分别进行哈希编码，然后计算两幅图像的低频和高频的哈希值之间的汉明距离，得到低频和高频部分的相似度，最后对低频和高频相似度以一定的权重进行加权计算，从而得到两幅图像的相似度。该方法为了提高计算的精确度，计算时考虑了图像的高频部分，以图像的能量为标准计算低频和高频的权重，从而更精确的计算两幅图像的相似度。
附图说明
图1为本发明的操作流程图；
图2为生成hash值的运算流程图；
图3为低频和高频图像矩阵相似度的计算流程图；
图4为图像相似度的计算流程图；
图5为实施例1中所有的图像A；
图6为实施例1中所有的图像B。
具体实施方式
下面结合附图和实施例，对本发明作进一步说明，但本发明的内容并不限于所述范围。
实施例1：一种结合小波变换和感知哈希算法的图像相似度计算方法，所述方法步骤如下，流程图如图1所示：
S1、图像预处理：将输入的图5和图6分别记为图A和图B，对图A和图B分别进行重采样缩放到16*16大小；
S2、小波变换：对图像A和B分别进行小波变换一层分解，得到两幅低频图像矩阵，和对应的多幅高频图像矩阵，低频图像矩阵记为ACA、BCA，高频图像矩阵记为ACH、ACV、ACD、BCH、BCV、BCD；
S3、对两幅图像的所有图像矩阵分别进行生成hash值运算；其中，图像矩阵指S2中产生的低频图像矩阵和高频图像矩阵；
S4、计算两幅图像A、B的低频图像矩阵的相似度，计算两幅图像A、B的对应高频图像矩阵的相似度；其中低频图像矩阵的相似度为1个，高频图像矩阵的相似度共计3个；
S5、计算两幅图像A、B的低频图像矩阵用于加权运算的权重，计算两幅图像A、B的对应高频图像矩阵用于加权运算的权重；其中低频图像矩阵用于加权运算的权重为1个，高频图像矩阵用于加权运算的权重共计3个；
S6、将对应图像矩阵的相似度与对应图像矩阵用于加权运算的权重相乘后做累加，获得两幅图像A、B的图像相似度。
如图2所示，生成hash值的运算具体操作步骤如下：
Figure 9096DEST_PATH_IMAGE001
计算矩阵ACA的均值；
Figure 87911DEST_PATH_IMAGE002
将矩阵ACA中的每一个元素同均值进行比较，大于等于均值的记为1，小于均值的记为0；
Figure 648205DEST_PATH_IMAGE003
将上一步的比较结果，组合在一起，构成了一个由1和0构成64位的整数，该整数即为低频图像ACA的hash值，记为AA；仿真所得结果为：
AA=[1111111111111100001111000011110000011100000110001111100011111111]
Figure 45951DEST_PATH_IMAGE004
重复上述步骤分别对BCA 、ACH、ACV、ACD、BCH、BCV、BCD计算其hash值，结果记为BA 、AH、AV、AD、BH、BV、BD。仿真所得结果为：
BA=[0011111100001111000000010000001100001111000011111101111111111111]
AH=[0101001101010101110101111101111110010011110101001101010111000010]
AV=[0000001111000101111000011010000000011110000100000011100100011110]
AD=[1100100111101000011010001110010101101110100100010001110001001011]
BH=[0011111111001111101001001110001011000000110000100100101100001111]
BV=[1111111111111110111011101110000101110011010011011000000011111111]
BD=[0000000100110010001001011001110101110011101010100100011110110010]
如图3所示，低频和高频图像相似度的计算步骤如下：
Figure 58906DEST_PATH_IMAGE001
对AA和BA值按位进行比对，统计相同位有多少，记为n1，两个低频图像的相似度记为CAm，CAm=n1/64，仿真结果为：CAm=0.5313；
Figure 3728DEST_PATH_IMAGE002
对AH和BH值按位进行比对，统计相同位有多少，记为n2，两个低频图像的相似度记为CHm，CHm=n2/64，仿真结果为：CHm=0.4531；
Figure 940502DEST_PATH_IMAGE003
对AV和BV值按位进行比对，统计相同位有多少，记为n3，两个低频图像的相似度记为CVm，CVm=n3/64，仿真结果为：CVm=0.4375；
Figure 883050DEST_PATH_IMAGE004
对AD和BD值按位进行比对，统计相同位有多少，记为n4，两个低频图像的相似度记为CDm，CDm=n4/64，仿真结果为：CDm=0.4375；
如图4所示，权重的计算步骤如下：
Figure 383302DEST_PATH_IMAGE001
图像A小波变换后的低频和高频分别为ACA、ACH、ACV、ACD，分别计算低频和高频的能量，即计算这四个矩阵的所有元素的平方和，记为EACA、EACH、EACV、EACD，仿真结果为：EACA=3123812、EACH=56124、EACV =41882、EACD =16793；
Figure 866235DEST_PATH_IMAGE002
计算图像总能量：EA=EACA+EACH+EACV+EACD，仿真结果为：EA=3238587；
Figure 401122DEST_PATH_IMAGE003
计算权重：低频图像ACA的权重记为WACA=EACA/EA，三个高频图像的权重分别记为：WACH=EACH/EA、WACV=EACV/EA、WACD=EACD/EA，仿真结果为：WACA= 0.9646、WACH=0.0173、WACV= 0.0129、WACD= 0.0052；
Figure 514572DEST_PATH_IMAGE004
类似的按上述步骤计算出图像B的低频和高频的权重，即WBCA、WBCH、WBCV、WBCD；仿真结果为：WBCA= 0.9763、WBCH= 0.0096、WBCV= 0.0131、WBCD= 0.0011；
Figure 935408DEST_PATH_IMAGE005
最后，计算最终的低频和高频相似度加权运算的权重，即WCA=（WACA+WBCA）/2、WCH=（WACH+WBCH）/2、WCV=（WACV+WBCV）/2、WCD=（WACD+WBCD）/2，仿真结果为：WCA=0.9704、WCH= 0.0134、WCV= 0.0130、WCD= 0.0031。
权重求解出来后，对低频和高频的相似度进行加权运算即可得到最终的两幅图像的相似度，即相似度M，M= CAm*WCA+ CHm*WCH+ CVm*WCV+ CDm*WCD。最终仿真求得图像5和图像6的相似度为M=52.87%。
实施例2：如图1-4所示，一种结合小波变换和感知哈希算法的图像相似度计算方法，所述方法步骤如下：
S1、图像预处理：分别对输入的两幅图像A、B进行重采样缩放到2n *2n大小；其中n取值为3-10
S2、小波变换：对处理后的两幅图像A、B分别进行小波变换2层分解，分解的结果为分别产生1幅低频图像矩阵和3*2幅高频图像矩阵；
S3、对两幅图像的所有图像矩阵分别进行生成hash值运算；其中，图像矩阵指S2中产生的低频图像矩阵和高频图像矩阵；
S4、计算两幅图像A、B的低频图像矩阵的相似度，计算两幅图像A、B的对应高频图像矩阵的相似度；其中低频图像矩阵的相似度为1个，高频图像矩阵的相似度共计3*2个；
S5、计算两幅图像A、B的低频图像矩阵用于加权运算的权重，计算两幅图像A、B的对应高频图像矩阵用于加权运算的权重；其中低频图像矩阵用于加权运算的权重为1个，高频图像矩阵用于加权运算的权重共计3*2个；
S6、将对应图像矩阵的相似度与对应图像矩阵用于加权运算的权重相乘后做累加，获得两幅图像A、B的图像相似度。
进一步地，可以设置所述S2中，采用haar小波分别对两幅图像A、B进行i层分解；i取值为2时，低频图像矩阵的大小为2n-2*2 n-2，3幅高频图像矩阵的大小为2n-1*2 n-1，3幅高频图像矩阵的大小为2n-2*2 n-2。
进一步地，可以设置所述S3中，生成hash值的运算步骤如下：
①计算图像矩阵的均值；
②将图像矩阵中的每一个元素同均值进行比较，大于等于均值的记为1，小于均值的记为0；
③将上一步的比较结果，组合在一起，构成了一个由1和0构成的m位的整数，该整数为图像矩阵的hash值；其中，m的取值为矩阵的行列相乘所得。
进一步地，可以设置所述S4中，相似度的计算步骤如下：
将两幅图像A、B对应的图像矩阵的hash值按位进行比对，统计相同位有多少，记为p，得到两幅图像A、B对应的图像矩阵的相似度C=p/m。
进一步地，可以设置所述S5中，权重是根据图像矩阵的能量来计算的，计算步骤如下：
①分别计算图像A经小波变换后得到的3*i+1幅图像矩阵中每一幅图像矩阵的所有元素的平方和，作为对应图像矩阵的能量；
②将对应图像矩阵的能量作和运算，得到图像A的总能量；
③计算权重：将图像矩阵的能量与总能量作除，得到对应图像矩阵的权重；
④采用上述步骤计算出图像B经小波变换后得到的3*2+1幅图像矩阵中每一幅图像矩阵的权重；
⑤将图像A和图像B对应图像矩阵的权重相加后除2作为加权运算的权重。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种结合小波变换和感知哈希算法的图像相似度计算方法，其特征在于：所述方法步骤如下：
S1、图像预处理：分别对输入的两幅图像A、B进行重采样缩放到2n *2n大小；
S2、小波变换：对处理后的两幅图像A、B分别进行小波变换i层分解，分解的结果为分别产生1幅低频图像矩阵和3*i幅高频图像矩阵；
S3、对两幅图像的所有图像矩阵分别进行生成hash值运算；其中，图像矩阵指S2中产生的低频图像矩阵和高频图像矩阵；
S4、计算两幅图像A、B的低频图像矩阵的相似度，计算两幅图像A、B的对应高频图像矩阵的相似度；其中低频图像矩阵的相似度为1个，高频图像矩阵的相似度共计3*i个；
S5、计算两幅图像A、B的低频图像矩阵用于加权运算的权重，计算两幅图像A、B的对应高频图像矩阵用于加权运算的权重；其中低频图像矩阵用于加权运算的权重为1个，高频图像矩阵用于加权运算的权重共计3*i个；
S6、将对应图像矩阵的相似度与对应图像矩阵用于加权运算的权重相乘后做累加，获得两幅图像A、B的图像相似度；
所述S5中，权重是根据图像矩阵的能量来计算的，计算步骤如下：
①分别计算图像A经小波变换后得到的3*i+1幅图像矩阵中每一幅图像矩阵的所有元素的平方和，作为对应图像矩阵的能量；
②将对应图像矩阵的能量作和运算，得到图像A的总能量；
③计算权重：将图像矩阵的能量与总能量作除，得到对应图像矩阵的权重；
④采用上述步骤计算出图像B经小波变换后得到的3*i+1幅图像矩阵中每一幅图像矩阵的权重；
⑤将图像A和图像B对应图像矩阵的权重相加后除2作为加权运算的权重。
2.根据权利要求1所述的结合小波变换和感知哈希算法的图像相似度计算方法，其特征在于：所述S2中，采用haar小波分别对两幅图像A、B进行i层分解；其中，i的取值为1或2：当i取值为1时，所有矩阵的大小为2n-1*2 n-1；当i取值为2时，低频图像矩阵的大小为2n-2*2 n-2，一半高频图像矩阵的大小为2n-1*2 n-1，一半高频图像矩阵的大小为2n-2*2 n-2。
3.根据权利要求1所述的结合小波变换和感知哈希算法的图像相似度计算方法，其特征在于：所述S3中，生成hash值的运算步骤如下：
①计算图像矩阵的均值；
②将图像矩阵中的每一个元素同均值进行比较，大于等于均值的记为1，小于均值的记为0；
③将上一步的比较结果，组合在一起，构成了一个由1和0构成的m位的整数，该整数为图像矩阵的hash值；其中，m的取值为矩阵的行列相乘所得。
4.根据权利要求3所述的结合小波变换和感知哈希算法的图像相似度计算方法，其特征在于：所述S4中，相似度的计算步骤如下：
将两幅图像A、B对应的图像矩阵的hash值按位进行比对，统计相同位有多少，记为p，得到两幅图像A、B对应的图像矩阵的相似度C=p/m。
CN201810839217.XA 2018-07-27 2018-07-27 一种结合小波变换和感知哈希算法的图像相似度计算方法 Active CN109255777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810839217.XA CN109255777B (zh) 2018-07-27 2018-07-27 一种结合小波变换和感知哈希算法的图像相似度计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810839217.XA CN109255777B (zh) 2018-07-27 2018-07-27 一种结合小波变换和感知哈希算法的图像相似度计算方法

Publications (2)

Publication Number Publication Date
CN109255777A CN109255777A (zh) 2019-01-22
CN109255777B true CN109255777B (zh) 2021-10-22

Family

ID=65049133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810839217.XA Active CN109255777B (zh) 2018-07-27 2018-07-27 一种结合小波变换和感知哈希算法的图像相似度计算方法

Country Status (1)

Country Link
CN (1) CN109255777B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162752B (zh) * 2019-05-13 2023-06-27 百度在线网络技术（北京）有限公司 文章判重处理方法、装置及电子设备
CN111767438A (zh) * 2020-06-16 2020-10-13 上海同犀智能科技有限公司 一种基于Hash结合积分的身份识别方法
CN112001451A (zh) * 2020-08-27 2020-11-27 上海擎感智能科技有限公司 数据冗余处理方法、系统、介质及装置
CN112232428B (zh) * 2020-10-23 2021-11-16 上海电力大学 一种基于三维特征和能量变化特征的图像哈希获取方法
CN113317793B (zh) * 2021-06-11 2023-02-17 宁波大学 心磁高频信号分析方法、存储介质及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1786979A (zh) * 2005-09-30 2006-06-14 哈尔滨工业大学 基于离散余弦变换的图像指纹提取方法
CN102254314A (zh) * 2011-07-17 2011-11-23 西安电子科技大学 基于压缩感知的可见光和红外图像融合方法
US8094872B1 (en) * 2007-05-09 2012-01-10 Google Inc. Three-dimensional wavelet based video fingerprinting
CN103238159A (zh) * 2010-09-28 2013-08-07 华为技术有限公司 用于图像认证的系统和方法
US8750562B1 (en) * 2012-04-26 2014-06-10 Google Inc. Systems and methods for facilitating combined multiple fingerprinters for media
CN105407353A (zh) * 2014-09-11 2016-03-16 腾讯科技（深圳）有限公司 一种图像压缩方法，及装置
CN106231356A (zh) * 2016-08-17 2016-12-14 腾讯科技（深圳）有限公司 视频的处理方法和装置
CN106326827A (zh) * 2015-11-08 2017-01-11 北京巴塔科技有限公司 掌静脉识别系统
CN107622469A (zh) * 2017-07-21 2018-01-23 南京信息工程大学 基于四元数小波变换的图像无载体信息隐藏方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150316666A1 (en) * 2014-05-05 2015-11-05 The Board Of Trustees Of The Leland Stanford Junior University Efficient Similarity Search of Seismic Waveforms

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1786979A (zh) * 2005-09-30 2006-06-14 哈尔滨工业大学 基于离散余弦变换的图像指纹提取方法
US8094872B1 (en) * 2007-05-09 2012-01-10 Google Inc. Three-dimensional wavelet based video fingerprinting
CN103238159A (zh) * 2010-09-28 2013-08-07 华为技术有限公司 用于图像认证的系统和方法
CN102254314A (zh) * 2011-07-17 2011-11-23 西安电子科技大学 基于压缩感知的可见光和红外图像融合方法
US8750562B1 (en) * 2012-04-26 2014-06-10 Google Inc. Systems and methods for facilitating combined multiple fingerprinters for media
CN105407353A (zh) * 2014-09-11 2016-03-16 腾讯科技（深圳）有限公司 一种图像压缩方法，及装置
CN106326827A (zh) * 2015-11-08 2017-01-11 北京巴塔科技有限公司 掌静脉识别系统
CN106231356A (zh) * 2016-08-17 2016-12-14 腾讯科技（深圳）有限公司 视频的处理方法和装置
CN107622469A (zh) * 2017-07-21 2018-01-23 南京信息工程大学 基于四元数小波变换的图像无载体信息隐藏方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Analysis of the Robustness of Wavelet-Based Perceptual Signatures;Azhar Hadmi等;《2010 2nd International Conference on Image Processing Theory, Tools and Applications》;20100927;第1-6页 *
Ring Partition and DWT based Perceptual Image Hashing with Application to Indexing and Retrieval of Near-Identical Images;P. Govindaraj等;《2015 Fifth International Conference on Advances in Computing and Communications (ICACC)》;20160317;第421-425页 *
基于Gabor滤波器组与DWT的遥感影像感知哈希认证算法;丁凯孟等;《铁道学报》;20160731;第38卷(第7期);第70-76页 *
基于离散小波变换和感知哈希的加密医学图像检索算法;张春艳等;《计算机应用》;20180228;第38卷(第2期);第539-544页 *

Also Published As

Publication number Publication date
CN109255777A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN109255777B (zh) 一种结合小波变换和感知哈希算法的图像相似度计算方法
CN107944556B (zh) 基于块项张量分解的深度神经网络压缩方法
EP3451165B1 (en) Neural network operation device and method supporting few-bit floating-point number
JP5926291B2 (ja) 類似画像を識別する方法および装置
WO2017185412A1 (zh) 一种支持较少位数定点数的神经网络运算的装置和方法
US8135738B2 (en) Efficient predicate evaluation via in-list
TW202046184A (zh) 神經網路搜索方法及裝置、處理器、電子設備和電腦可讀儲存媒體
CN111401512A (zh) 以可变的扩张率在神经网络中进行卷积的方法和系统
US20220004840A1 (en) Convolutional neural network-based data processing method and device
CN103699691A (zh) 生成图像指纹及基于此进行相似图像检索的方法
CN113741858B (zh) 存内乘加计算方法、装置、芯片和计算设备
Niu et al. Machine learning-based framework for saliency detection in distorted images
CN104933143A (zh) 获取推荐对象的方法及装置
CN112016522A (zh) 一种视频数据处理方法、系统及相关组件
US11093474B2 (en) Computer architecture for emulating multi-dimensional string correlithm object dynamic time warping in a correlithm object processing system
Zeng et al. Domestic activities classification from audio recordings using multi-scale dilated depthwise separable convolutional network
CN110362580B (zh) 一种bim建筑工程数据检索优化归类方法及其系统
Xue et al. A study on transformer configuration and training objective
CN112215329B (zh) 基于神经网络的卷积计算方法及装置
CN104239686B (zh) 一种基于内存计算在全面预算中实现公式计算的方法
CN110909027A (zh) 一种哈希检索方法
CN105678334A (zh) 一种识别重复照片的方法及其实现系统
Guezenoc et al. Dataset augmentation and dimensionality reduction of pinna-related transfer functions
CN112215330B (zh) 基于神经网络的卷积方法及装置
CN111914212B (zh) 面向数据降维的邻域重建方法

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