CN109389147B - 一种基于改进PHash算法的图像相似判定方法 - Google Patents

一种基于改进PHash算法的图像相似判定方法 Download PDF

Info

Publication number
CN109389147B
CN109389147B CN201810984201.8A CN201810984201A CN109389147B CN 109389147 B CN109389147 B CN 109389147B CN 201810984201 A CN201810984201 A CN 201810984201A CN 109389147 B CN109389147 B CN 109389147B
Authority
CN
China
Prior art keywords
image
phash
images
hamming distance
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
CN201810984201.8A
Other languages
English (en)
Other versions
CN109389147A (zh
Inventor
彭艺
尹玉梅
祁俊辉
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 CN201810984201.8A priority Critical patent/CN109389147B/zh
Publication of CN109389147A publication Critical patent/CN109389147A/zh
Application granted granted Critical
Publication of CN109389147B publication Critical patent/CN109389147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于改进PHash算法的图像相似判定方法，属于图像处理技术领域。本发明首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过PHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于PHash的汉明距离，并取其最小值作为图像之间基于PHash的汉明距离；若基于PHash的汉明距离小于阈值，则判定为图像相似；若基于PHash的汉明距离大于阈值，则判定为图像不相似。本发明解决了现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，提高了利用PHash算法对图像相似判定的灵活性和准确度。

Description

一种基于改进PHash算法的图像相似判定方法
技术领域
本发明涉及一种基于改进PHash算法的图像相似判定方法，属于图像处理技术领域。
背景技术
图像相似判定是图像处理领域的一项基本研究，指对两张或多张图像的内容相似程度进行分析、比较，广泛应用于图像检索、目标检测、照片过滤等领域。
目前，有多种图像相似判定的方法，就感知哈希算法(PHash)而言，其准确率及效率并不尽人意，一个主要原因就是感知哈希算法(PHash)没有考虑到图像旋转的情况，若对图像进行上下或左右反转后再比对，其结果较不理想。
发明内容
本发明要解决的技术问题是针对现有技术的局限和不足，提供一种基于改进PHash算法的图像相似判定方法，以解决现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，致力于提高利用PHash算法对图像相似判定的灵活性和准确度。
本发明的技术方案是：一种基于改进PHash算法的图像相似判定方法，首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过PHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于PHash的汉明距离，并取其最小值作为图像之间基于PHash的汉明距离；若基于PHash的汉明距离小于阈值，则判定为图像相似；若基于PHash的汉明距离大于阈值，则判定为图像不相似。
具体步骤为：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure BDA0001779303870000011
Step3：对图像A、B分别进行一定规则的方向旋转变化，得到新的图像A″m,m∈[1,8]和B″n,n∈[1,8]；具体如Step3.1～Step3.4所示；
Step3.1：记考察图
Figure BDA0001779303870000012
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过PHash算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行Hash化，得到图像A″m、B″n之间基于PHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.6所示；
Step4.1：将图像A″m、B″n的大小压缩至32×32；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure BDA0001779303870000021
其中
Figure BDA0001779303870000022
为矩阵元素值；
Step4.3：计算矩阵
Figure BDA0001779303870000023
的DCT矩阵
Figure BDA0001779303870000024
其中矩阵元素值表示为
Figure BDA0001779303870000025
Step4.4：保留矩阵
Figure BDA0001779303870000026
的左上角8×8部分，删除其余部分；
Step4.5：计算矩阵
Figure BDA0001779303870000027
的平均值
Figure BDA0001779303870000028
将矩阵按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，根据公式(1)进行值优化，并对其连接生成图像A″m、B″n的PHash值
Figure BDA0001779303870000029
其中T(i,j)代表适用于
Figure BDA00017793038700000210
u代表适用于
Figure BDA00017793038700000211
Figure BDA00017793038700000212
Step4.6：通过图像A″m、B″n的PHash值
Figure BDA00017793038700000213
计算图像A″m、B″n之间基于PHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个汉明距离，根据公式(2)选出其中最小值作为图像A、B之间基于PHash的汉明距离Dis(A,B)；
Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8] (2)
Step6：定义汉明距离阈值
Figure BDA00017793038700000214
若图像A、B之间基于PHash的汉明距离Dis(A,B)满足公式(3)要求，则判定图像A和图像B相似；若满足公式(4)要求，则判定图像A和图像B不相似。
Figure BDA00017793038700000215
Figure BDA00017793038700000216
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.2中，截取的图像的大小要大于考察图像的大小，即满足M′≥M,N′≥N的要求，作用是为了保证旋转后得到的图像在区域内没有空白区域。
进一步地，所述步骤Step4.4中，不一定非要保留矩阵
Figure BDA0001779303870000031
的左上角8×8部分，也可以保存其他局部矩阵，相应的汉明距离阈值
Figure BDA0001779303870000032
要根据矩阵
Figure BDA0001779303870000033
的元素个数进行更改。
进一步地，所述步骤Step4.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
进一步地，所述步骤Step5中为了降低处理速度，去除重复后可简化计算至1+2+…+Max(m,n)＝36个汉明距离。
进一步地，所述步骤Step6中，汉明距离阈值
Figure BDA0001779303870000035
通常取
Figure BDA0001779303870000036
可自行修改。
本发明的有益效果是：解决了现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，提高了利用PHash算法对图像相似判定的灵活性和准确度。
附图说明
图1是本发明流程示意图；
图2是本发明对图像进行旋转过程示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1-2所示，一种基于改进PHash算法的图像相似判定方法，首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过PHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于PHash的汉明距离，并取其最小值作为图像之间基于PHash的汉明距离；若基于PHash的汉明距离小于阈值，则判定为图像相似；若基于PHash的汉明距离大于阈值，则判定为图像不相似。
具体步骤为：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure BDA0001779303870000034
Step3：对图像A、B分别进行一定规则的方向旋转变化，得到新的图像A″m，m∈[1,8]和B″n,n∈[1,8]；具体如Step3.1～Step3.4所示；
Step3.1：记考察图
Figure BDA0001779303870000041
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过PHash算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行Hash化，得到图像A″m、B″n之间基于PHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.6所示；
Step4.1：将图像A″m、B″n的大小压缩至32×32；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure BDA0001779303870000042
其中
Figure BDA0001779303870000043
为矩阵元素值；
Step4.3：计算矩阵
Figure BDA0001779303870000044
的DCT矩阵
Figure BDA0001779303870000045
其中矩阵元素值表示为
Figure BDA0001779303870000046
Step4.4：保留矩阵
Figure BDA0001779303870000047
的左上角8×8部分，删除其余部分；
Step4.5：计算矩阵
Figure BDA0001779303870000048
的平均值
Figure BDA0001779303870000049
将矩阵按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，根据公式(1)进行值优化，并对其连接生成图像A″m、B″n的PHash值
Figure BDA00017793038700000410
其中T(i,j)代表适用于
Figure BDA00017793038700000411
u代表适用于
Figure BDA00017793038700000412
Figure BDA00017793038700000413
Step4.6：通过图像A″m、B″n的PHash值
Figure BDA00017793038700000414
计算图像A″m、B″n之间基于PHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个汉明距离，根据公式(2)选出其中最小值作为图像A、B之间基于PHash的汉明距离Dis(A,B)；
Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8] (2)
Step6：定义汉明距离阈值
Figure BDA0001779303870000051
若图像A、B之间基于PHash的汉明距离Dis(A,B)满足公式(3)要求，则判定图像A和图像B相似；若满足公式(4)要求，则判定图像A和图像B不相似。
Figure BDA0001779303870000052
Figure BDA0001779303870000053
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.2中，截取的图像的大小要大于考察图像的大小，即满足M′≥M,N′≥N的要求，作用是为了保证旋转后得到的图像在区域内没有空白区域。
进一步地，所述步骤Step4.4中，不一定非要保留矩阵
Figure BDA0001779303870000054
的左上角8×8部分，也可以保存其他局部矩阵，相应的汉明距离阈值
Figure BDA0001779303870000055
要根据矩阵
Figure BDA0001779303870000056
的元素个数进行更改。
进一步地，所述步骤Step4.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
进一步地，所述步骤Step5中为了降低处理速度，去除重复后可简化计算至1+2+…+Max(m,n)＝36个汉明距离。
进一步地，所述步骤Step6中，汉明距离阈值
Figure BDA0001779303870000057
通常取
Figure BDA0001779303870000058
可自行修改。
实施例2：在实施例1的基础上，若步骤Step4.6中图像A″m、B″n之间基于PHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]分别为12/14/5/7/4/21/18/26/42/7/…/6/32/21，则步骤Step5中由公式(2)选出其中最小值作为图像A、B之间基于PHash的汉明距离Dis(A,B)，其值为Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8]＝4。
实施例3：在实施例1的基础上，取汉明距离阈值
Figure BDA0001779303870000059
若步骤Step5中图像A、B之间基于PHash的汉明距离Dis(A,B)＝4，则判定图像A和图像B相似；若步骤Step5中图像A、B之间基于PHash的汉明距离Dis(A,B)＝12，则判定图像A和图像B不相似。
以上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 (5)

1.一种基于改进PHash算法的图像相似判定方法，其特征在于：首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过PHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于PHash的汉明距离，并取其最小值作为图像之间基于PHash的汉明距离；若基于PHash的汉明距离小于阈值，则判定为图像相似；若基于PHash的汉明距离大于阈值，则判定为图像不相似；
具体步骤为：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure FDA0003301651840000011
Step3：对图像A、B分别进行一定规则的方向旋转变化，得到新的图像A″m,m∈[1,8]和B″n,n∈[1,8]；具体如Step3.1～Step3.4所示；
Step3.1：记考察图
Figure FDA0003301651840000012
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过PHash算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行Hash化，得到图像A″m、B″n之间基于PHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.6所示；
Step4.1：将图像A″m、B″n的大小压缩至32×32；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure FDA0003301651840000013
Figure FDA0003301651840000014
其中
Figure FDA0003301651840000015
为矩阵元素值；
Step4.3：计算矩阵
Figure FDA0003301651840000021
的DCT矩阵
Figure FDA0003301651840000022
其中矩阵元素值表示为
Figure FDA0003301651840000023
Step4.4：保留矩阵
Figure FDA0003301651840000024
的左上角8×8部分，删除其余部分；
Step4.5：计算矩阵
Figure FDA0003301651840000025
的平均值
Figure FDA0003301651840000026
将矩阵按照从上至下、从左至右的规则，根据公式(1)进行值优化，并对其连接生成图像
Figure FDA0003301651840000027
的PHash值
Figure FDA0003301651840000028
Figure FDA0003301651840000029
其中T(i,j)代表适用于
Figure FDA00033016518400000210
u代表适用于
Figure FDA00033016518400000211
Figure FDA00033016518400000212
Step4.6：通过图像A″m、B″n的PHash值
Figure FDA00033016518400000213
计算图像A″m、B″n之间基于PHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个汉明距离，根据公式(2)选出其中最小值作为图像A、B之间基于PHash的汉明距离Dis(A,B)；
Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8] (2)
Step6：定义汉明距离阈值
Figure FDA00033016518400000214
若图像A、B之间基于PHash的汉明距离Dis(A,B)满足公式(3)要求，则判定图像A和图像B相似；若满足公式(4)要求，则判定图像A和图像B不相似。
Figure FDA00033016518400000215
Figure FDA00033016518400000216
2.根据权利要求1所述的基于改进PHash算法的图像相似判定方法，其特征在于：所述步骤Step4.4中，可以保留矩阵
Figure FDA00033016518400000217
的左上角8×8部分，也可以保存其他局部矩阵，相应的汉明距离阈值
Figure FDA00033016518400000218
要根据矩阵
Figure FDA00033016518400000219
的元素个数进行更改。
3.根据权利要求1所述的基于改进PHash算法的图像相似判定方法，其特征在于：所述步骤Step4.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
4.根据权利要求1所述的基于改进PHash算法的图像相似判定方法，其特征在于：所述步骤Step5中为了降低处理速度，去除重复后可简化计算至1+2+…+Max(m,n)＝36个汉明距离，其中m∈[1,8],n∈[1,8]。
5.根据权利要求1所述的基于改进PHash算法的图像相似判定方法，其特征在于：所述步骤Step6中，汉明距离阈值
Figure FDA0003301651840000031
通常取
Figure FDA0003301651840000032
CN201810984201.8A 2018-08-28 2018-08-28 一种基于改进PHash算法的图像相似判定方法 Active CN109389147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810984201.8A CN109389147B (zh) 2018-08-28 2018-08-28 一种基于改进PHash算法的图像相似判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810984201.8A CN109389147B (zh) 2018-08-28 2018-08-28 一种基于改进PHash算法的图像相似判定方法

Publications (2)

Publication Number Publication Date
CN109389147A CN109389147A (zh) 2019-02-26
CN109389147B true CN109389147B (zh) 2022-02-08

Family

ID=65417582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810984201.8A Active CN109389147B (zh) 2018-08-28 2018-08-28 一种基于改进PHash算法的图像相似判定方法

Country Status (1)

Country Link
CN (1) CN109389147B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008105343A1 (ja) * 2007-02-28 2008-09-04 Nec Corporation メッセージ認証装置
CN101710334A (zh) * 2009-12-04 2010-05-19 大连理工大学 基于图像哈希的大规模图像库检索方法
CN102651074A (zh) * 2012-02-22 2012-08-29 大连理工大学 一种基于纹理特征的打印纸张同一认定方法
US8676725B1 (en) * 2009-06-05 2014-03-18 Google Inc. Method and system for entropy-based semantic hashing
CN103699691A (zh) * 2014-01-10 2014-04-02 五八同城信息技术有限公司 生成图像指纹及基于此进行相似图像检索的方法
CN104298791A (zh) * 2014-11-19 2015-01-21 中国石油大学(华东) 一种基于集成哈希编码的快速图像检索方法
CN104317902A (zh) * 2014-10-24 2015-01-28 西安电子科技大学 基于局部保持迭代量化哈希的图像检索方法
CN104504120A (zh) * 2014-12-29 2015-04-08 北京奇艺世纪科技有限公司 一种相似图片检测方法及装置
CN107911601A (zh) * 2017-11-21 2018-04-13 深圳市欧信计算机通信科技有限公司 一种拍照时智能推荐拍照表情和拍照姿势的方法及其系统
CN108256082A (zh) * 2018-01-22 2018-07-06 北京邮电大学 一种基于深度多相似度哈希的多标签图像检索方法
CN108389259A (zh) * 2018-03-13 2018-08-10 武汉大学 一种随机中心聚集图像网目调方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6996273B2 (en) * 2001-04-24 2006-02-07 Microsoft Corporation Robust recognizer of perceptually similar content
US9094715B2 (en) * 2009-05-29 2015-07-28 Cognitive Networks, Inc. Systems and methods for multi-broadcast differentiation
US9009149B2 (en) * 2011-12-06 2015-04-14 The Trustees Of Columbia University In The City Of New York Systems and methods for mobile search using Bag of Hash Bits and boundary reranking
US9628805B2 (en) * 2014-05-20 2017-04-18 AVAST Software s.r.o. Tunable multi-part perceptual image hashing
CN106464921B (zh) * 2014-06-19 2019-10-15 Vid拓展公司 用于块内复制搜索增强的方法和系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008105343A1 (ja) * 2007-02-28 2008-09-04 Nec Corporation メッセージ認証装置
US8676725B1 (en) * 2009-06-05 2014-03-18 Google Inc. Method and system for entropy-based semantic hashing
CN101710334A (zh) * 2009-12-04 2010-05-19 大连理工大学 基于图像哈希的大规模图像库检索方法
CN102651074A (zh) * 2012-02-22 2012-08-29 大连理工大学 一种基于纹理特征的打印纸张同一认定方法
CN103699691A (zh) * 2014-01-10 2014-04-02 五八同城信息技术有限公司 生成图像指纹及基于此进行相似图像检索的方法
CN104317902A (zh) * 2014-10-24 2015-01-28 西安电子科技大学 基于局部保持迭代量化哈希的图像检索方法
CN104298791A (zh) * 2014-11-19 2015-01-21 中国石油大学(华东) 一种基于集成哈希编码的快速图像检索方法
CN104504120A (zh) * 2014-12-29 2015-04-08 北京奇艺世纪科技有限公司 一种相似图片检测方法及装置
CN107911601A (zh) * 2017-11-21 2018-04-13 深圳市欧信计算机通信科技有限公司 一种拍照时智能推荐拍照表情和拍照姿势的方法及其系统
CN108256082A (zh) * 2018-01-22 2018-07-06 北京邮电大学 一种基于深度多相似度哈希的多标签图像检索方法
CN108389259A (zh) * 2018-03-13 2018-08-10 武汉大学 一种随机中心聚集图像网目调方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于离散监督哈希的相似性检索算法;曹路等;《科学技术与工程》;20170930;第17卷(第26期);第245-250页 *

Also Published As

Publication number Publication date
CN109389147A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
JP6440303B2 (ja) 対象認識装置、対象認識方法、およびプログラム
CN105809651B (zh) 基于边缘非相似性对比的图像显著性检测方法
CN111723721A (zh) 基于rgb-d的三维目标检测方法、系统及装置
CN110490913B (zh) 基于角点与单线段编组的特征描述算子进行影像匹配方法
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
CN109671110B (zh) 一种局部几何结构约束的城区宽基线影像特征点匹配方法
CN107862735B (zh) 一种基于结构信息的rgbd三维场景重建方法
Cui et al. Efficient large-scale structure from motion by fusing auxiliary imaging information
CN110298227B (zh) 一种基于深度学习的无人机航拍图像中的车辆检测方法
CN112883850B (zh) 一种基于卷积神经网络的多视角空天遥感图像匹配方法
JP2013025799A (ja) 画像検索方法、システム、及びプログラム
CN110443279B (zh) 一种基于轻量级神经网络的无人机图像车辆检测方法
CN110033514B (zh) 一种基于点线特征快速融合的重建方法
US11354883B2 (en) Image processing method and apparatus, and electronic device
TW201516969A (zh) 視訊物件追蹤方法
CN109920050B (zh) 一种基于深度学习和薄板样条的单视图三维火焰重建方法
CN105184308B (zh) 一种基于全局优化决策的遥感图像建筑物检测分类方法
CN109191501B (zh) 一种多源高空间分辨率影像的自动几何配准方法
WO2019041447A1 (zh) 一种3d视频帧特征点提取的方法及系统
CN106023184A (zh) 一种基于各向异性中心环绕差异的深度显著性检测方法
CN110942102B (zh) 一种概率松弛核线匹配方法及系统
CN109389147B (zh) 一种基于改进PHash算法的图像相似判定方法
CN109314774B (zh) 用于立体成像的系统和方法
CN109389148B (zh) 一种基于改进DHash算法的图像相似判定方法
CN114612450B (zh) 基于数据增广机器视觉的图像检测分割方法、系统、电子设备

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