CN109670072B - 一种基于间隔提取的商标相似度比较方法 - Google Patents
一种基于间隔提取的商标相似度比较方法 Download PDFInfo
- Publication number
- CN109670072B CN109670072B CN201811295501.1A CN201811295501A CN109670072B CN 109670072 B CN109670072 B CN 109670072B CN 201811295501 A CN201811295501 A CN 201811295501A CN 109670072 B CN109670072 B CN 109670072B
- Authority
- CN
- China
- Prior art keywords
- matrix
- trademark
- image
- original
- library
- 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
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于间隔提取的商标相似度比较方法,其包括以下步骤:获取用户的待检索商标图像;获取商标库所有商标的静态图像,将待检索商标图像和商标库所有商标静态图像均依次进行等比例缩放、矩阵存放和二值化处理,得到用户图像原始矩阵与所有商标库图像原始矩阵,并将用户图像原始矩阵与所有商标库图像原始矩阵依次进行对比分析;若完全一致,则将该商标库图像原始矩阵对应的商标信息发送给用户。本发明通过将商标库图像原始矩阵与用户图像原始矩阵进行对比,保留了商标的整体特征,易于视觉区分,检索结果更准确;简化了商标检索的操作步骤。
Description
技术领域
本发明涉及商标检索领域,具体涉及一种基于间隔提取的商标相似度比较方法。
背景技术
商标是用来区别一个经营者与其他经营者商品或服务的标记,是企业的无形资产。根据《商标法》,商标注册人享有商标专用权或者以获取报酬的形式许可第三方使用,均受到法律保护。随着我国商标战略的全面实施,商标局每年收到的注册商标申请量高达数百万件,而近似商标的认定与裁决是一大难点,需要大量的人力物力。
针对上述情况,商标检索成为商标认定与裁决的必要条件。传统的商标检索普遍通过人工把待检索商标分解成不同类别的检索要素,如:中文、英文、图形等,基于检索工具对输入的检索要素进行检索。其中,图形的检索要素是一串与之对应的编码;也就是说,图形检索的前提是确认图形编码。对于图形编码,存在以下弊端:1)专业性较强,普通人员难以应付,影响商标图形检索的广泛应用。2)专业人员主观判断不同,编码定义存在差异性,导致相同或近似商标漏检的情况发生。
除了上述图形编码的弊端,传统的商标检索还存在以下不足:1)对于相当复杂的商标,检索要素难以分解,无法针对性地开展下一步的检索工作。2)检索依靠手工录入和个人判断,缺乏智能化手段,工作效率和准确率低下。3)检索仅次于模糊查询,匹配结果高达数千条记录,需要大量人力物力,审查难度大,审查时间长。
因此,面对海量数据的检索,社会迫切需要一种高效、准确的智能检索方法。
发明内容
鉴于以上技术问题,本发明的目的在于提供一种基于间隔提取的商标相似度比较方法,解决了现有商标检索步骤繁琐,准确率和效率低的问题。
本发明采用以下技术方案:
一种基于间隔提取的商标相似度比较方法,其包括以下步骤:
获取用户的待检索商标图像;将待检索商标图像依次进行等比例缩放、矩阵存放和二值化处理,得到用户图像原始矩阵;
获取商标库所有商标的静态图像,将商标库所有商标静态图像均依次进行等比例缩放、矩阵存放和二值化处理,得到若干商标库图像原始矩阵;
将用户图像原始矩阵与所有商标库图像原始矩阵依次进行对比分析;
若某商标库图像原始矩阵与用户图像原始矩阵的完全一致,则将该商标库图像原始矩阵对应的商标信息发送给用户。
进一步的,将图像进行等比例缩放、矩阵存放和二值化处理的方法具体包括:
将图像缩放到预设固定大小的像素比例后存放在MxN的网格矩阵上,其中,一个像素点存放于一个网格,再进行二值化处理,得到图像原始矩阵。
进一步的,二值化的方法具体包括:当网格矩阵像素点的灰度值小于或等于阀值时,该网格定义为0;当网格矩阵像素点的灰度值大于灰度阈值时,该网格定义为1,其中,灰度阀值=(像素点1的灰度值+...+像素点N的灰度值)/n,其中,n代表一个图像矩阵的网格总数。
进一步的,本发明还包括以下步骤:若未检索到与用户图像原始矩阵的完全一致的商标库图像原始矩阵时,
将所有商标库图像原始矩阵进行依次递增等级的缩小处理,得到所有商标库图像的商标库各等级缩小矩阵;
将用户图像原始矩阵进行依次递增等级的缩小处理,得到待检索商标各等级缩小矩阵;
将待检索商标的各等级缩小矩阵与商标库所有商标的商标库对应级别的缩小矩阵进行判断对比,并得到待检索商标各等级缩小矩阵与商标所有商标对应级别的缩小矩阵的相似度;将得到的相似度按大小进行排列,并将排列时对应的商标库商标信息根据用户需求或系统预设发送给用户;
所述的依次递增等级的缩小处理方法包括以下步骤:将商标库图像原始矩阵或用户图像原始矩阵进行网格提取的标识值合并,对应的得到第A级图像缩小矩阵,再基于第A级图像缩小矩阵,进一步进行网格提取的标识值合并,得到第A+1级图像缩小矩阵,其中A=1,2,3…为自然数,A为当前缩小等级系数;当得到的图像缩小矩阵为1x1矩阵时,停止进行网格提取的标识值合并;
所述相似度={100%-[100%÷(M/2+1)×A]}+[100%÷(M/2+1)]×B/C;其中,(M/2+1)代表用户图像原始矩阵变成1x1矩阵所需的缩小等级个数,A代表当前缩小等级系数,B代表当前缩小矩阵网格总数量,C代表用户图像原始矩阵的网格总数。
进一步的,将商标库图像原始矩阵或用户图像原始矩阵进行网格提取的标识值合并,对应的得到第A级图像缩小矩阵;基于第A级图像缩小矩阵进一步进行网格提取的标识值合并,得到第A+1级图像缩小矩阵具体为:
先将商标库图像原始矩阵或用户图像原始矩阵在左右方向上以奇偶方式对网格进行网格提取的标识值合并得到一级缩小矩阵;基于一级缩小矩阵,再按照上下顺序以奇偶方式进行网格提取的标识值合并得到二级缩小矩阵,…基于第A级缩小矩阵,按照网格提取的标识值合并,得到第A+1级图像缩小矩阵,逐级进行网格提取的标识值合并,直到得到的图像缩小矩阵为1x1矩阵,停止网格提取的标识值合并。
一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于间隔提取的商标相似度比较方法。
相比现有技术,本发明的有益效果在于:
本发明通过将商标库图像原始矩阵与用户图像原始矩阵进行对比,保留了商标的整体特征,易于视觉区分,检索结果更准确;避免了以往相似度比较的对象是商标图像像素点,基于对比图像像素点之间的角度或距离变化来区分图像的集中点和离散点,视觉难以分辨的问题。且无需对商标进行检索要素分解,无需对商标图形进行编码定义,也无需对商标检索进行手工录入;用户只需上传待检索的商标图像,系统便根据用户图像智能地从商标库中检索。这不但简化了商标检索的操作步骤,减少了人工干预,而且避免了由于个人判断差异导致相同或近似商标漏检的情况发生。
进一步的,本发明采用间隔提取方式,对商标图像依次进行递增等级的缩小处理;基于各缩小等级图像,系统把用户商标与商标库商标两两对比得到相似值,从而实现相同或近似商标的检索。这不但降低了相似度运算的复杂度,而且提高了系统检索的工作效率。
附图说明
图1为本发明一种基于间隔提取的商标相似度比较方法实施例一的流程示意图;
图2为本发明一种基于间隔提取的商标相似度比较方法实施例二的流程示意图;
图3为本发明图像原始矩阵缩小处理过程的示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例:
实施例:
实施例一:请参考图1所示,一种基于间隔提取的商标相似度比较方法,包括以下步骤:
步骤S100:获取用户的待检索商标图像;将待检索商标图像依次进行等比例缩放、矩阵存放和二值化处理,得到用户图像原始矩阵;
将图像进行等比例缩放、矩阵存放和二值化处理的方法具体包括:
将图像缩放到预设固定大小的像素比例后存放在MxN的网格矩阵上(MxN的网格矩阵表示矩阵的行数为M,列数为N),其中,一个像素点存放于一个网格,再进行二值化处理,得到图像原始矩阵。
二值化的方法具体包括:当网格矩阵像素点的灰度值小于或等于阀值时,该网格定义为0;当网格矩阵像素点的灰度值大于灰度阈值时,该网格定义为1,其中,灰度阀值=(像素点1的灰度值+...+像素点N的灰度值)/n,其中,n代表一个图像矩阵的网格总数。
具体的,用户通过上传商标图像,以得到用户图像原始矩阵。用户在终端上传指定大小的图片文件,如:2M的PNG、JPEG等图片格式文件。所述终端是指用户日常普遍使用的手机、电脑、触控屏、笔记本等硬件设备。
系统接收上传文件,把商标图像缩放到固定大小的像素比例且存放在MxN的网格矩阵上。通过对图像矩阵进行二值化处理以及映射转换,系统得到以0或1为标识的用户图像原始矩阵。
步骤S200:获取商标库所有商标的静态图像,将商标库所有商标静态图像均依次进行等比例缩放、矩阵存放和二值化处理,得到若干商标库图像原始矩阵;
具体的,包括以下步骤:S2001:对商标库图像进行等比例缩放且存放在矩阵上。
通过对国家商标注册网站抓取数据,系统收集商标库所有商标的静态图像。采用等比例缩放方法,系统把上述商标图像缩放到固定大小的像素比例且分别存放在MxN的网格矩阵上;其中,一个像素点存放于一个网格,一个商标图像对应一个图像矩阵。
S2002:对商标图像矩阵进行二值化处理,得到商标库图像原始矩阵。
通过对收集的商标图像进行等比例缩放以及矩阵存放,系统得到了商标库所有商标对应的图像矩阵。为了使矩阵减小数据量,节省计算机存储空间,凸显目标轮廓,便于相似度比较,系统对上述矩阵进行二值化处理,取值范围是0或255。
由于阀值的确定是图像进行二值化处理的前提条件。以下是阀值的计算公式:
其中,灰度阀值=(像素点1的灰度值+...+像素点N的灰度值)/n,其中,n代表一个图像矩阵的网格总数。
通过上述公式,计算商标库所有商标图像的阀值;其中,一个商标图像对应一个阀值,n代表一个图像矩阵的网格总数。当矩阵网格像素点的灰度值小于或等于阀值,网格则定义为0;相反,则定义为255。由于0和255只有两个数,却要用8位编码来容纳;为了节省计算机存储空间,系统把255映射为1。
通过对上述图像矩阵进行二值化处理以及映射转换,系统得到大量以0或1为标识的图像矩阵,且把其作为商标库所有商标的图像原始矩阵,存储在本地服务器上。
步骤S300:将用户图像原始矩阵与所有商标库图像原始矩阵依次进行对比分析;
步骤S400:若某商标库图像原始矩阵与用户图像原始矩阵的完全一致,则将该商标库图像原始矩阵对应的商标信息发送给用户。具体的,基于图像原始矩阵以及各网格标识值,系统把用户图像原始矩阵与商标图像矩阵数据库矩阵进行对比;若结果存在相同的,即:某商标库图像原始矩阵与用户图像原始矩阵的完全一致,判定为相似值为100%,则该商标库图像原始矩阵对应的商标信息发反馈给用户。
实施例二:与实施例一不同的是,请参考图2所示,本发明基于间隔提取的商标相似度比较方法,在步骤S400后还包括以下步骤:
若没有检索到与用户图像原始矩阵的完全一致的商标库图像原始矩阵,执行以下步骤:
步骤S500:将所有商标库图像原始矩阵进行依次递增等级的缩小处理,得到所有商标库图像的商标库各等级缩小矩阵;
步骤S600:将用户图像原始矩阵进行依次递增等级的缩小处理,得到待检索商标各等级缩小矩阵;
所述的依次递增等级的缩小处理方法包括以下步骤:将商标库图像原始矩阵或用户图像原始矩阵进行网格提取的标识值合并,对应的得到第A级图像缩小矩阵,再基于第A级图像缩小矩阵,进一步进行网格提取的标识值合并,得到第A+1级图像缩小矩阵,其中A=1,2,3…为自然数,A为当前缩小等级系数;逐级进行网格提取的标识值合并,直到得到的图像缩小矩阵为1x1矩阵时,停止进行网格提取的标识值合并;
具体的,先将商标库图像原始矩阵或用户图像原始矩阵在左右方向上以奇偶方式对网格进行网格提取的标识值合并得到一级缩小矩阵;基于一级缩小矩阵,再按照上下顺序以奇偶方式进行网格提取的标识值合并得到二级缩小矩阵,…基于第A级缩小矩阵,按照网格提取的标识值合并,得到第A+1级图像缩小矩阵,直到得到的图像缩小矩阵为1x1矩阵,停止网格提取的标识值合并。
以商标库图像为例,通过对存放的商标图像矩阵进行二值化处理以及映射转换,系统得到了商标库所有商标对应的图像原始矩阵。通过对上述图像原始矩阵依次进行递增等级的缩小处理,系统得到商标库所有商标对应的各等级缩小矩阵。基于上述图像原始矩阵以及各等级缩小矩阵,商标图像矩阵数据库建立完毕,存储在本地服务器上。
具体的,通过对存放的商标图像矩阵进行二值化处理以及映射转换,系统得到了商标库所有商标对应的图像原始矩阵。基于原始矩阵,系统按照左右上下顺序以奇偶方式对网格进行间隔提取,把提取网格与其左右相邻的网格进行标识值合并,得到一级缩小矩阵。基于一级缩小矩阵,系统按照上下左右顺序以奇偶方式对网格进行间隔提取,把提取网格与其上下相邻的网格进行标识值合并,得到二级缩小矩阵。基于二级缩小矩阵,系统重复得到一级缩小矩阵的处理步骤,得到三级缩小矩阵;基于三级缩小矩阵,系统重复得到二级缩小矩阵的处理步骤,得到四级缩小矩阵。
依次类推,经过(M/2+1)个等级的缩小处理,系统最终把图像原始矩阵变成1x1矩阵。其中,上述所述的标识值合并规则,具体如下:1∪1为1,1∪0为1,0∪0为0。
通过对上述图像原始矩阵依次进行递增等级的缩小处理,系统得到商标库所有商标对应的各等级缩小矩阵,存储在本地服务器上。
例如:一个商标图像经过等比例缩放,存放在一个4x4矩阵上;经过(4/2+1=3)个等级的缩小处理,最后变成一个1x1矩阵,缩小处理过程请参考图3所示。
所述相似度={100%-[100%÷(M/2+1)×A]}+[100%÷(M/2+1)]×B/C;其中,(M/2+1)代表用户图像原始矩阵变成1x1矩阵所需的缩小等级个数,A代表当前缩小等级系数,B代表当前缩小矩阵网格总数量,C代表用户图像原始矩阵的网格总数。
例如:用户商标的图像原始矩阵是8x8,在得到二级缩小矩阵时找到对比结果相同的商标库商标。那么,用户商标所需的缩小等级个数是(8/2+1=5),各缩小等级所占的平均相似比是(100%÷(8/2+1)=20%),对比结果相同的当前缩小等级系数是2,对比结果相同的当前缩小矩阵网格数量是16,用户商标的图像原始矩阵网格总数是64,相似值是({100%-[100%÷(8/2+1)×2]}+[100%÷(8/2+1)]×16/64=65%)。
例如:若图像原始矩阵是4x3,系统自动在矩阵最后一列额外增加一列二值化数值全为0的列,使图像原始矩阵变成4x4。那么根据公式,其缩小等级个数是(4/2+1=3),经历的3个缩小等级矩阵分别是:4x2,2x2,2x1。例如,图像原始矩阵是3x4,由于矩阵行是3,是单数,系统自动在矩阵最后一行额外增加一行二值化数值全为0的行,使图像原始矩阵变成4x4。那么根据公式,其缩小等级个数是(4/2+1=3),经历的3个缩小等级矩阵分别是:4x2,2x2,2x1。
步骤S700:将待检索商标的各等级缩小矩阵与商标库所有商标的商标库对应级别的缩小矩阵进行判断对比,并得到待检索商标各等级缩小矩阵与商标所有商标对应级别的缩小矩阵的相似度;将得到的相似度按大小进行排列,并将排列时对应的商标库商标信息根据用户需求或系统预设发送给用户;
具体的包括以下步骤:系统把用户图像原始矩阵与商标图像原始矩阵数据库矩阵进行对比时,若结果存在相同的,即:矩阵相似值为100%,则把相同的商标信息反馈给用户;若结果不存在相同的,将待检索商标的各等级缩小矩阵与商标库所有商标的商标库对应级别的缩小矩阵进行判断对比,并得到待检索商标各等级缩小矩阵与商标所有商标对应级别的缩小矩阵的相似度,将得到的相似度按大小进行排列,并将排列时对应的商标库商标信息根据用户需求或系统预设发送给用户;在这里,根据用户需求或系统预设可以具体为:例如用户要求或系统预设获取十个相同或一定程度的相似商标,系统按照相似度的大小对商标库商标图像进行排列后,将相似值最大的前十个近似的商标图像反馈给用户。
本发明一种计算机存储介质,其上存储有计算机程序,本发明如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在该计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (5)
1.一种基于间隔提取的商标相似度比较方法,其特征在于,包括以下步骤:
获取用户的待检索商标图像;将待检索商标图像依次进行等比例缩放、矩阵存放和二值化处理,得到用户图像原始矩阵;
获取商标库所有商标的静态图像,将商标库所有商标静态图像均依次进行等比例缩放、矩阵存放和二值化处理,得到若干商标库图像原始矩阵;
将用户图像原始矩阵与所有商标库图像原始矩阵依次进行对比分析;
若某商标库图像原始矩阵与用户图像原始矩阵的完全一致,则将该商标库图像原始矩阵对应的商标信息发送给用户;
所述方法还包括以下步骤:若未检索到与用户图像原始矩阵的完全一致的商标库图像原始矩阵时,
将所有商标库图像原始矩阵进行依次递增等级的缩小处理,得到所有商标库图像的商标库各等级缩小矩阵;
将用户图像原始矩阵进行依次递增等级的缩小处理,得到待检索商标各等级缩小矩阵;
将待检索商标的各等级缩小矩阵与商标库所有商标的商标库对应级别的缩小矩阵进行判断对比,并得到待检索商标各等级缩小矩阵与商标所有商标对应级别的缩小矩阵的相似度;将得到的相似度按大小进行排列,并将排列时对应的商标库商标信息根据用户需求或系统预设发送给用户;
所述的依次递增等级的缩小处理方法包括以下步骤:将商标库图像原始矩阵或用户图像原始矩阵进行网格提取的标识值合并,对应的得到第A级图像缩小矩阵,再基于第A级图像缩小矩阵,进一步进行网格提取的标识值合并,得到第A+1级图像缩小矩阵,其中A=1,2,3…为自然数,A为当前缩小等级系数;当得到的图像缩小矩阵为1x1矩阵时,停止进行网格提取的标识值合并;
其中,相似度={100%-[100%÷(M/2+1)×A]}+[100%÷(M/2+1)]×B/C;其中,(M/2+1)代表用户图像原始矩阵变成1x1矩阵所需的缩小等级个数,A代表当前缩小等级系数,B代表当前缩小矩阵网格总数量,C代表用户图像原始矩阵的网格总数。
2.根据权利要求1所述的基于间隔提取的商标相似度比较方法,其特征在于,将图像进行等比例缩放、矩阵存放和二值化处理的方法具体包括:
将图像缩放到预设固定大小的像素比例后存放在MxN的网格矩阵上,其中,一个像素点存放于一个网格,再进行二值化处理,得到图像原始矩阵。
3.根据权利要求2所述的基于间隔提取的商标相似度比较方法,其特征在于,二值化的方法具体包括:当网格矩阵像素点的灰度值小于或等于阈值 时,将该网格定义为0;当网格矩阵像素点的灰度值大于灰度阈值 时,将该网格定义为1,其中,灰度阈值 =(像素点1的灰度值+...+像素点N的灰度值)/n,其中,n代表一个图像矩阵的网格总数。
4.根据权利要求1所述的基于间隔提取的商标相似度比较方法,其特征在于,将商标库图像原始矩阵或用户图像原始矩阵进行网格提取的标识值合并,对应的得到第A级图像缩小矩阵;基于第A级图像缩小矩阵进一步进行网格提取的标识值合并,得到第A+1级图像缩小矩阵具体为:
先将商标库图像原始矩阵或用户图像原始矩阵在左右方向上以奇偶方式对网格进行网格提取的标识值合并得到一级缩小矩阵;基于一级缩小矩阵,再按照上下顺序以奇偶方式进行网格提取的标识值合并得到二级缩小矩阵,…基于第A级缩小矩阵,按照网格提取的标识值合并,得到第A+1级图像缩小矩阵;逐级进行网格提取的标识值合并,直到得到的图像缩小矩阵为1x1矩阵,停止网格提取的标识值合并。
5.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的基于间隔提取的商标相似度比较方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295501.1A CN109670072B (zh) | 2018-11-01 | 2018-11-01 | 一种基于间隔提取的商标相似度比较方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295501.1A CN109670072B (zh) | 2018-11-01 | 2018-11-01 | 一种基于间隔提取的商标相似度比较方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670072A CN109670072A (zh) | 2019-04-23 |
CN109670072B true CN109670072B (zh) | 2022-08-05 |
Family
ID=66141754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811295501.1A Active CN109670072B (zh) | 2018-11-01 | 2018-11-01 | 一种基于间隔提取的商标相似度比较方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670072B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344738B (zh) * | 2022-10-18 | 2023-02-28 | 南通知果科技有限公司 | 基于人工智能的检索方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199931A (zh) * | 2014-09-04 | 2014-12-10 | 厦门大学 | 一种商标图像一致语义提取方法及商标检索方法 |
CN107292255A (zh) * | 2017-06-13 | 2017-10-24 | 浙江大学 | 基于特征矩阵相似度分析的手写数字识别方法 |
CN107832473A (zh) * | 2017-11-30 | 2018-03-23 | 奕响(大连)科技有限公司 | 一种非等比例拉伸后的图片相似判定方法 |
CN107886134A (zh) * | 2017-11-30 | 2018-04-06 | 奕响(大连)科技有限公司 | 一种局部创造性的图片相似判定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7293007B2 (en) * | 2004-04-29 | 2007-11-06 | Microsoft Corporation | Method and system for identifying image relatedness using link and page layout analysis |
-
2018
- 2018-11-01 CN CN201811295501.1A patent/CN109670072B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199931A (zh) * | 2014-09-04 | 2014-12-10 | 厦门大学 | 一种商标图像一致语义提取方法及商标检索方法 |
CN107292255A (zh) * | 2017-06-13 | 2017-10-24 | 浙江大学 | 基于特征矩阵相似度分析的手写数字识别方法 |
CN107832473A (zh) * | 2017-11-30 | 2018-03-23 | 奕响(大连)科技有限公司 | 一种非等比例拉伸后的图片相似判定方法 |
CN107886134A (zh) * | 2017-11-30 | 2018-04-06 | 奕响(大连)科技有限公司 | 一种局部创造性的图片相似判定方法 |
Non-Patent Citations (1)
Title |
---|
基于曲率和熵矩阵特征的商标图像检索;苏杰等;《计算机应用》;20090201(第02期);第453-455段 * |
Also Published As
Publication number | Publication date |
---|---|
CN109670072A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9940655B2 (en) | Image processing | |
US6690828B2 (en) | Method for representing and comparing digital images | |
KR101388638B1 (ko) | 이미지에 주석 달기 | |
CN101290634B (zh) | 一种识别重复缩略图的方法、装置及在搜索引擎中的应用 | |
CN106446004B (zh) | 数字病理全切片图像检索方法 | |
US20090269022A1 (en) | Device, system, and method for indexing digital image frames | |
CN1445722A (zh) | 基于内容的图像副本检测方法和装置 | |
CN111382298B (zh) | 基于图片内容的图像检索方法、装置与电子设备 | |
US20100158362A1 (en) | Image processing | |
CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
Xie et al. | Bag-of-words feature representation for blind image quality assessment with local quantized pattern | |
CN110334628B (zh) | 一种基于结构化随机森林的室外单目图像深度估计方法 | |
CN109670072B (zh) | 一种基于间隔提取的商标相似度比较方法 | |
CN113051984A (zh) | 视频拷贝检测方法和装置、存储介质和电子装置 | |
CN116994721A (zh) | 一种数字病理切片图的快速处理系统 | |
KR20110019117A (ko) | 시멘틱 기반의 이미지 검색 방법 | |
Hernández et al. | Residue properties for the arithmetical estimation of the image quantization table | |
CN109508408B (zh) | 一种基于帧密度的视频检索方法及计算机可读存储介质 | |
CN113806601B (zh) | 一种周边兴趣点检索方法及存储介质 | |
Hernández-Cabronero et al. | A distortion metric for the lossy compression of DNA microarray images | |
CN114329024A (zh) | 一种iconfont图标搜索方法和系统 | |
Suryawanshi et al. | Detection of contrast enhancement forgery in previously and post compressed jpeg images | |
KR20110085951A (ko) | 시멘틱 기반의 이미지 검색 방법 | |
CN117112846B (zh) | 一种多信息源证照信息管理方法、系统及介质 | |
CN116152530B (zh) | 图像差异的确定方法和装置、存储介质及电子设备 |
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 |