CN110008997A - 图像纹理相似度识别方法、装置及计算机可读存储介质 - Google Patents
图像纹理相似度识别方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110008997A CN110008997A CN201910167562.8A CN201910167562A CN110008997A CN 110008997 A CN110008997 A CN 110008997A CN 201910167562 A CN201910167562 A CN 201910167562A CN 110008997 A CN110008997 A CN 110008997A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- model
- texture similarity
- texture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 43
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像检测技术，揭露了一种图像纹理相似度识别方法，该方法包括：对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。本发明还提出一种图像纹理相似度识别装置以及一种计算机可读存储介质。本发明实现了一种基于简单算法即可准确地识别出图像纹理是否相似的图像纹理相似度识别技术，节约了资源，提高了图像纹理相似度的识别效率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像纹理相似度识别方法、装置及计算机可读存储介质。
背景技术
目前的图像检索大多都是通过比较图像纹理之间相似度的方法来实现的。现有技术针对比较图像纹理相似度的方法有很多，常用的方法是基于像素点进行比较以及统计图像基本特征来进行比较。基于像素点进行纹理相似度比较的常用方法是：将目标图像与原图像的所有像素点，按照先后顺序直接逐个像素进行比较，再通过求欧氏距离得到目标图像与原图像的相似度。这种方法需要将图像中的像素点逐个进行比较，耗时较长，且算法复杂度高。而基于统计图像的基本特征的比较方法则是基于统计的特征，反映出的是图像的全局性，不能较好地反映出图像的局部特征，所以，这种图像纹理相似度的比较结果会存在较大的误差。因此，如何提高图像纹理相似度判断结果的准确性且简化算法是目前急需解决的一大课题。
发明内容
本发明提供一种图像纹理相似度识别方法、装置及计算机可读存储介质，其主要目的在于基于简单算法即可准确地识别出图像纹理是否相似，提高图像纹理相似度的识别准确率。
为实现上述目的，本发明提供一种图像纹理相似度识别方法，该方法包括：
对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
可选地，所述对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图，包括：
识别需进行相似度比较的两张图片的空白区域，并将识别出的空白区域去掉，得到处理空白区域后的两张图片；
在不改变图像比例的情况下，将去掉空白区域后的两张图片调整为相同预设分辨率尺寸的灰度图。
可选地，所述根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较的步骤之前，所述方法还包括：
对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，以供基于训练后的所述预设图像对比模型进行图像纹理相似度比较。
可选地，所述对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，包括：
提取商标局公开的侵权案例对应的样本图像，对提取的所述样本图像采用数据增强的方式进行图像扩充；
将扩充后的样本图像与预设图像集共同作为训练图像集，利用所述预设图像处理模型所有数据层的固定参数和所述训练图像集，对所述预设图像对比模型进行训练；
达到预设训练次数时，解锁所述预设图像处理模型中的预设数据层，并将解锁后的所述预设数据层与所述预设图像比对模型进行联合训练，得到训练后的预设图像对比模型以及预设图像处理模型。
可选地，所述根据相似度比较结果，识别所述两张图片是否相似，包括：
根据所述两张图片相似度比较得到的相似度值，判断所述相似度值是否大于或者等于预设相似度阈值；
若所述相似度值大于或者等于预设相似度阈值，则识别出所述两张图片相似；
若所述相似度值小于预设相似度阈值，则识别出所述两张图片不相似。
此外，为实现上述目的，本发明还提供一种图像纹理相似度识别装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的图像纹理相似度识别程序，所述图像纹理相似度识别程序被所述处理器执行时实现如下步骤：
对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
可选地，所述图像纹理相似度识别程序还可被所述处理器执行，以在所述对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图，包括：
识别需进行相似度比较的两张图片的空白区域，并将识别出的空白区域去掉，得到处理空白区域后的两张图片；
在不改变图像比例的情况下，将去掉空白区域后的两张图片调整为相同预设分辨率尺寸的灰度图。
可选地，所述图像纹理相似度识别程序还可被所述处理器执行，以在所述根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较的步骤之前，还包括：
对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，以供基于训练后的所述预设图像对比模型进行图像纹理相似度比较。
可选地，所述图像纹理相似度识别程序还可被所述处理器执行，以在所述对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，包括：
提取商标局公开的侵权案例对应的样本图像，对提取的所述样本图像采用数据增强的方式进行图像扩充；
将扩充后的样本图像与预设图像集共同作为训练图像集，利用所述预设图像处理模型所有数据层的固定参数和所述训练图像集，对所述预设图像对比模型进行训练；
达到预设训练次数时，解锁所述预设图像处理模型中的预设数据层，并将解锁后的所述预设数据层与所述预设图像比对模型进行联合训练，得到训练后的预设图像对比模型以及预设图像处理模型。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像纹理相似度识别程序，所述图像纹理相似度识别程序可被一个或者多个处理器执行，以实现如上所述的图像纹理相似度识别方法的步骤。
本发明提出的图像纹理相似度识别方法、装置及计算机可读存储介质，对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。本发明还提出一种图像纹理相似度识别装置以及一种计算机可读存储介质。本发明实现了一种基于简单算法即可准确地识别出图像纹理是否相似的图像纹理相似度识别技术，节约了资源，提高了图像纹理相似度的识别效率。
附图说明
图1为本发明一实施例提供的图像纹理相似度识别方法的流程示意图；
图2为本发明一实施例提供的图像纹理相似度识别装置的内部结构示意图；
图3为本发明一实施例提供的图像纹理相似度识别装置中图像纹理相似度识别程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种图像纹理相似度识别方法。如图1所示，图1为本发明一实施例提供的图像纹理相似度识别方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本发明实施例中，所述图像纹理相似度识别方法可以实施为图1描述的步骤S10-S30：
步骤S10、对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
本发明实施例中，由于对两张图片的相似度进行识别时，主要是通过这两张图片的纹理是否相似来进行判断，因此图片的色彩不作为主要考虑对象，比如，针对判断商标是否侵权的场景中。因此，为了节约系统资源，同时不影响对图像相似度判断的准确率，针对上述需进行纹理相似度比较的两张图片进行灰度处理，得到一定分辨率尺寸的灰度图；比如，常用的128*128分辨率的灰度图等。在设置具体的预设分辨率尺寸时，可以根据不同应用场景中对图像纹理相似度要求的精度来进行具体设置，本发明实施例对上述预设分辨率尺寸的具体大小不进行限定。
步骤S20、利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
步骤S30、根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
在对上述两张图片的纹理相似度进行比较时，利用预设图像处理模型，从上述两张图片分别对应的灰度图中提取出各自对应的图像特征；本发明实施例中，对灰度图进行图像特征提取时所采用的预设图像处理模型为VGG19网络提取模型或者VGG16或者其他的图像处理模型，上述图像处理模型可以根据具体的应用场景和对图像纹理相似度识别的精度进行选取。其中，针对VGG19网络模型，该VGG19网络模型包括16个卷积层和3个全连接层。针对利用VGG19图像处理模型提取出的图像特征，利用预设图像对比模型对提取出的这两个图像特征进行纹理相似度识别。
本发明实施例中，为了提高图像纹理识别的便捷性，采用的预设图像对比模型为2-channel模型；即将提取出的上述两张图片分别对应的各不相干的两张单通道灰度图像进行组合，得到双通道矩阵，然后将得到的双通道矩阵数据作为网络的输入，通过上述预设图像对比模型2-channel进行纹理相似度比较，得到二者的相似度比较结果，通过相似度比较结果，来识别这两张图片是否相似。
比如，在一个具体的实施方式中，利用感知哈希算法对经过双通道的2-channel模型的两张图片的图像特征进行计算，并按照预设规律生成的对应的指纹字符串；通过比较两张图片之间的指纹字符串，即可确定这两张图片是否相似；比如，指纹字符串的比较结果越接近，则这两张图片越相似；可以根据对应的应用场景设置两者之间的接近阈值，当两张图片的指纹字符串的相似度达到设置的接近阈值，则认为这两张图片为相似的图片。
本实施例提出的图像纹理相似度识别方法，对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似；实现了一种基于简单算法即可准确地识别出图像纹理是否相似的图像纹理相似度识别技术，节约了资源，提高了图像纹理相似度的识别效率。
进一步地，在本发明方法的另一实施例中，为了减少空间占用率，降低处理器的负担，提高图像纹理相似度判断的数据处理效率，对需进行纹理相似度比较的两张图片进行图像处理时，可以按照如下方式实施：
识别需进行相似度比较的两张图片的空白区域，并将识别出的空白区域去掉，得到处理空白区域后的两张图片；
在不改变图像比例的情况下，将去掉空白区域后的两张图片调整为相同预设分辨率尺寸的灰度图。
这种处理方式通过对待进行图像纹理相似度比较的图片进行空白区域裁剪，减小了图片的占用空间和图片的尺寸，通过这种操作，达到了提高图像纹理相似度判断的数据处理效率的目的，同时降低了处理器的负担。
进一步地，在本发明方法的另一实施例中，为了提高图像纹理相似度的识别准确率，在对两张图片的纹理相似度进行比较的步骤之前，该图像纹理相似度识别方法还包括如下步骤：
对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，以供基于训练后的所述预设图像对比模型进行图像纹理相似度比较。
对所述预设图像对比模型进行训练的步骤在图1所述实施例的步骤S30之前的任一步骤实施均可。
本发明实施例中，利用商标局公开的侵权案例对应的样本图像对上述预设图像对比模型进行训练。
进一步地，在本发明的另一个实施例中，对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，可以按照如下方式实施：
提取商标局公开的侵权案例对应的样本图像，对提取的所述样本图像采用数据增强的方式进行图像扩充；
将扩充后的样本图像与预设图像集共同作为训练图像集，利用所述预设图像处理模型所有数据层的固定参数和所述训练图像集，对所述预设图像对比模型进行训练；
达到预设训练次数时，解锁所述预设图像处理模型中的预设数据层，并将解锁后的所述预设数据层与所述预设图像比对模型进行联合训练，得到训练后的预设图像对比模型以及预设图像处理模型。
本发明实施例中，针对提取的商标局公开的侵权案例样本图像，为了更进一步提高纹理相似度的识别准确率，需要丰富训练模型使用的图像集，可以对提取的上述侵权案例样本图像采用数据增强的方式进行图像扩充；比如，采取随机水平、竖直翻转、随机旋转等方式。
在对本发明实施例中使用的图像处理模型(本实施例中为VGG19模型)和图像对比模型(本实施例中为2-channel模型)进行训练时，可以利用现有的图像集ImageNet来训练VGG19模型，得到VGG19模型的参数；然后固定VGG19模型所有数据层的参数，利用扩充后的侵权案例样本图像集，来训练2-channel模型；达到预设训练次数(例如经过10000epoch后)时，默认训练好2-channel模型；此时，对VGG19的最后四个卷积层进行解锁，联合2-channel模型和VGG19网络的最后四个卷积层一起进行训练，训练以后，再利用训练好的VGG19，对经过2-channel模型的两个图像进行纹理相似度比较，从而提高了图像相似度识别的准确率。
其中，由于VGG19网络模型，总共19个数据层，包括16个卷积层和最后3层全连接层，本发明实施例中，先固定VGG19所有数据层的参数，来训练2-channel模型；达到10000epoch之后，再解锁VGG19网络模型中最后四个卷积层，使得解锁后的VGG19网络模型与2-channel模型进行联合训练。本发明实施例中所描述epoch可以理解为：使用整个训练样本集传播一次；其中，一次传播包括一次向前传播和一次向后传播；因此，1个epoch也可以理解为：使训练集中的所有样本数据均通过了1遍上述2-channel模型。
进一步地，在本发明方法的另一实施例中，根据相似度比较结果，识别所述两张图片是否相似，可以按照如下描述的方式实施：
根据该图像纹理相似度识别方法的具体应用场景，为该应用场景的需求配置预设相似度阈值；
根据所述两张图片相似度比较得到的相似度值，判断所述相似度值是否大于或者等于预设相似度阈值；
若所述相似度值大于或者等于预设相似度阈值，则识别出所述两张图片相似；
若所述相似度值小于预设相似度阈值，则识别出所述两张图片不相似。
这种处理方式与应用场景结合紧密，提高了图像纹理相似度识别的针对性，也在一定程度上扩大了这种识别方法的应用范围。
本发明还提供一种图像纹理相似度识别装置。如图2所示，图2为本发明一实施例提供的图像纹理相似度识别装置的内部结构示意图。
在本实施例中，图像纹理相似度识别装置1可以是PC(PersonalComputer，个人电脑)，也可以是智能手机、平板电脑、便携计算机等终端设备。该图像纹理相似度识别装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是图像纹理相似度识别装置1的内部存储单元，例如该图像纹理相似度识别装置1的硬盘。存储器11在另一些实施例中也可以是图像纹理相似度识别装置1的外部存储设备，例如图像纹理相似度识别装置1上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括图像纹理相似度识别装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于图像纹理相似度识别装置1的应用软件及各类数据，例如图像纹理相似度识别程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行图像纹理相似度识别程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在图像纹理相似度识别装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及图像纹理相似度识别程序01的图像纹理相似度识别装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对图像纹理相似度识别装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有图像纹理相似度识别程序01；处理器12执行存储器11中存储的图像纹理相似度识别程序01时实现如下步骤：
对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
本发明实施例中，由于对两张图片的相似度进行识别时，主要是通过这两张图片的纹理是否相似来进行判断，因此图片的色彩不作为主要考虑对象，比如，针对判断商标是否侵权的场景中。因此，为了节约系统资源，同时不影响对图像相似度判断的准确率，针对上述需进行纹理相似度比较的两张图片进行灰度处理，得到一定分辨率尺寸的灰度图；比如，常用的128*128分辨率的灰度图等。在设置具体的预设分辨率尺寸时，可以根据不同应用场景中对图像纹理相似度要求的精度来进行具体设置，本发明实施例对上述预设分辨率尺寸的具体大小不进行限定。
利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
在对上述两张图片的纹理相似度进行比较时，利用预设图像处理模型，从上述两张图片分别对应的灰度图中提取出各自对应的图像特征；本发明实施例中，对灰度图进行图像特征提取时所采用的预设图像处理模型为VGG19网络提取模型或者VGG16或者其他的图像处理模型，上述图像处理模型可以根据具体的应用场景和对图像纹理相似度识别的精度进行选取。其中，针对VGG19网络模型，该VGG19网络模型包括16个卷积层和3个全连接层。针对利用VGG19图像处理模型提取出的图像特征，利用预设图像对比模型对提取出的这两个图像特征进行纹理相似度识别。
本发明实施例中，为了提高图像纹理识别的便捷性，采用的预设图像对比模型为2-channel模型；即将提取出的上述两张图片分别对应的各不相干的两张单通道灰度图像进行组合，得到双通道矩阵，然后将得到的双通道矩阵数据作为网络的输入，通过上述预设图像对比模型2-channel进行纹理相似度比较，得到二者的相似度比较结果，通过相似度比较结果，来识别这两张图片是否相似。
比如，在一个具体的实施方式中，利用感知哈希算法对经过双通道的2-channel模型的两张图片的图像特征进行计算，并按照预设规律生成的对应的指纹字符串；通过比较两张图片之间的指纹字符串，即可确定这两张图片是否相似；比如，指纹字符串的比较结果越接近，则这两张图片越相似；可以根据对应的应用场景设置两者之间的接近阈值，当两张图片的指纹字符串的相似度达到设置的接近阈值，则认为这两张图片为相似的图片。
本实施例提出的图像纹理相似度识别装置，对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似；实现了一种基于简单算法即可准确地识别出图像纹理是否相似的图像纹理相似度识别技术，节约了资源，提高了图像纹理相似度的识别效率。
进一步地，在本发明方法的另一实施例中，为了减少空间占用率，降低处理器的负担，提高图像纹理相似度判断的数据处理效率，所述图像纹理相似度识别程序还可被所述处理器执行，以在对需进行纹理相似度比较的两张图片进行图像处理时，可以按照如下方式实施：
识别需进行相似度比较的两张图片的空白区域，并将识别出的空白区域去掉，得到处理空白区域后的两张图片；
在不改变图像比例的情况下，将去掉空白区域后的两张图片调整为相同预设分辨率尺寸的灰度图。
这种处理方式通过对待进行图像纹理相似度比较的图片进行空白区域裁剪，减小了图片的占用空间和图片的尺寸，通过这种操作，达到了提高图像纹理相似度判断的数据处理效率的目的，同时降低了处理器的负担。
进一步地，在本发明方法的另一实施例中，为了提高图像纹理相似度的识别准确率，所述图像纹理相似度识别程序还可被所述处理器执行，以在对两张图片的纹理相似度进行比较的步骤之前，还包括：
对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，以供基于训练后的所述预设图像对比模型进行图像纹理相似度比较。
对所述预设图像对比模型进行训练的步骤在图1所述实施例的步骤S30之前的任一步骤实施均可。
本发明实施例中，利用商标局公开的侵权案例对应的样本图像对上述预设图像对比模型进行训练。
进一步地，在本发明的另一个实施例中，所述图像纹理相似度识别程序还可被所述处理器执行，以在对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，包括：
提取商标局公开的侵权案例对应的样本图像，对提取的所述样本图像采用数据增强的方式进行图像扩充；
将扩充后的样本图像与预设图像集共同作为训练图像集，利用所述预设图像处理模型所有数据层的固定参数和所述训练图像集，对所述预设图像对比模型进行训练；
达到预设训练次数时，解锁所述预设图像处理模型中的预设数据层，并将解锁后的所述预设数据层与所述预设图像比对模型进行联合训练，得到训练后的预设图像对比模型以及预设图像处理模型。
本发明实施例中，针对提取的商标局公开的侵权案例样本图像，为了更进一步提高纹理相似度的识别准确率，需要丰富训练模型使用的图像集，可以对提取的上述侵权案例样本图像采用数据增强的方式进行图像扩充；比如，采取随机水平、竖直翻转、随机旋转等方式。
在对本发明实施例中使用的图像处理模型(本实施例中为VGG19模型)和图像对比模型(本实施例中为2-channel模型)进行训练时，可以利用现有的图像集ImageNet来训练VGG19模型，得到VGG19模型的参数；然后固定VGG19模型所有数据层的参数，利用扩充后的侵权案例样本图像集，来训练2-channel模型；达到预设训练次数(例如经过10000epoch后)时，默认训练好2-channel模型；此时，对VGG19的最后四个卷积层进行解锁，联合2-channel模型和VGG19网络的最后四个卷积层一起进行训练，训练以后，再利用训练好的VGG19，对经过2-channel模型的两个图像进行纹理相似度比较，从而提高了图像相似度识别的准确率。
其中，由于VGG19网络模型，总共19个数据层，包括16个卷积层和最后3层全连接层，本发明实施例中，先固定VGG19所有数据层的参数，来训练2-channel模型；达到10000epoch之后，再解锁VGG19网络模型中最后四个卷积层，使得解锁后的VGG19网络模型与2-channel模型进行联合训练。本发明实施例中所描述epoch可以理解为：使用整个训练样本集传播一次；其中，一次传播包括一次向前传播和一次向后传播；因此，1个epoch也可以理解为：使训练集中的所有样本数据均通过了1遍上述2-channel模型。
进一步地，在本发明方法的另一实施例中，所述图像纹理相似度识别程序还可被所述处理器执行，以在根据相似度比较结果，识别所述两张图片是否相似，包括：
根据该图像纹理相似度识别方法的具体应用场景，为该应用场景的需求配置预设相似度阈值；
根据所述两张图片相似度比较得到的相似度值，判断所述相似度值是否大于或者等于预设相似度阈值；
若所述相似度值大于或者等于预设相似度阈值，则识别出所述两张图片相似；
若所述相似度值小于预设相似度阈值，则识别出所述两张图片不相似。
这种处理方式与应用场景结合紧密，提高了图像纹理相似度识别的针对性，也在一定程度上扩大了这种识别方法的应用范围。
可选地，在其他实施例中，图像纹理相似度识别程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述图像纹理相似度识别程序在图像纹理相似度识别装置中的执行过程。
例如，如图3所示，图3为本发明图像纹理相似度识别装置一实施例中的图像纹理相似度识别程序的程序模块示意图，该实施例中，图像纹理相似度识别程序01可以被分割为图像处理模块10、特征提取模块20和纹理识别模块30，示例性地：
图像处理模块10用于：对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
特征提取模块20用于：利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
纹理识别模块30用于：根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
上述图像处理模块10、特征提取模块20和纹理识别模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有图像纹理相似度识别程序，所述图像纹理相似度识别程序可被一个或多个处理器执行，以实现如下操作：
对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
本发明计算机可读存储介质具体实施方式与上述图像纹理相似度识别装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种图像纹理相似度识别方法，其特征在于，所述方法包括：
对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
2.如权利要求1所述的图像纹理相似度识别方法，其特征在于，所述对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图，包括：
识别需进行相似度比较的两张图片的空白区域，并将识别出的空白区域去掉，得到处理空白区域后的两张图片；
在不改变图像比例的情况下，将去掉空白区域后的两张图片调整为相同预设分辨率尺寸的灰度图。
3.如权利要求1或2所述的图像纹理相似度识别方法，其特征在于，所述根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较的步骤之前，所述方法还包括：
对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，以供基于训练后的所述预设图像对比模型进行图像纹理相似度比较。
4.如权利要求3所述的图像纹理相似度识别方法，其特征在于，所述对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，包括：
提取商标局公开的侵权案例对应的样本图像，对提取的所述样本图像采用数据增强的方式进行图像扩充；
将扩充后的样本图像与预设图像集共同作为训练图像集，利用所述预设图像处理模型所有数据层的固定参数和所述训练图像集，对所述预设图像对比模型进行训练；
达到预设训练次数时，解锁所述预设图像处理模型中的预设数据层，并将解锁后的所述预设数据层与所述预设图像比对模型进行联合训练，得到训练后的预设图像对比模型以及预设图像处理模型。
5.如权利要求1或2所述的图像纹理相似度识别方法，其特征在于，所述根据相似度比较结果，识别所述两张图片是否相似，包括：
根据所述两张图片相似度比较得到的相似度值，判断所述相似度值是否大于或者等于预设相似度阈值；
若所述相似度值大于或者等于预设相似度阈值，则识别出所述两张图片相似；
若所述相似度值小于预设相似度阈值，则识别出所述两张图片不相似。
6.一种图像纹理相似度识别装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的图像纹理相似度识别程序，所述图像纹理相似度识别程序被所述处理器执行时实现如下步骤：
对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图；
利用预设图像处理模型对得到的所述灰度图进行图像特征提取，得到所述两张图片分别对应的图像特征；
根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较，并根据相似度比较结果，识别所述两张图片是否相似。
7.如权利要求6所述的图像纹理相似度识别装置，其特征在于，所述图像纹理相似度识别程序还可被所述处理器执行，以在所述对需进行纹理相似度比较的两张图片进行图像处理，得到两张预设分辨率尺寸的灰度图，包括：
识别需进行相似度比较的两张图片的空白区域，并将识别出的空白区域去掉，得到处理空白区域后的两张图片；
在不改变图像比例的情况下，将去掉空白区域后的两张图片调整为相同预设分辨率尺寸的灰度图。
8.如权利要求6或7所述的图像纹理相似度识别装置，其特征在于，所述图像纹理相似度识别程序还可被所述处理器执行，以在所述根据提取出的所述图像特征，利用预设图像对比模型，对所述两张图片的纹理相似度进行比较的步骤之前，还包括：
对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，以供基于训练后的所述预设图像对比模型进行图像纹理相似度比较。
9.如权利要求8所述的图像纹理相似度识别装置，其特征在于，所述图像纹理相似度识别程序还可被所述处理器执行，以在所述对所述预设图像对比模型进行训练，得到训练后的预设图像对比模型，包括：
提取商标局公开的侵权案例对应的样本图像，对提取的所述样本图像采用数据增强的方式进行图像扩充；
将扩充后的样本图像与预设图像集共同作为训练图像集，利用所述预设图像处理模型所有数据层的固定参数和所述训练图像集，对所述预设图像对比模型进行训练；
达到预设训练次数时，解锁所述预设图像处理模型中的预设数据层，并将解锁后的所述预设数据层与所述预设图像比对模型进行联合训练，得到训练后的预设图像对比模型以及预设图像处理模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像纹理相似度识别程序，所述图像纹理相似度识别程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的图像纹理相似度识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910167562.8A CN110008997B (zh) | 2019-03-06 | 2019-03-06 | 图像纹理相似度识别方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910167562.8A CN110008997B (zh) | 2019-03-06 | 2019-03-06 | 图像纹理相似度识别方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110008997A true CN110008997A (zh) | 2019-07-12 |
| CN110008997B CN110008997B (zh) | 2023-11-24 |
Family
ID=67166509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910167562.8A Active CN110008997B (zh) | 2019-03-06 | 2019-03-06 | 图像纹理相似度识别方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008997B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427885A (zh) * | 2019-07-31 | 2019-11-08 | Tcl王牌电器(惠州)有限公司 | 铭牌的检测方法、装置及计算机可读存储介质 |
| CN111026641A (zh) * | 2019-11-14 | 2020-04-17 | 北京云聚智慧科技有限公司 | 一种图片比较方法和电子设备 |
| CN111798376A (zh) * | 2020-07-08 | 2020-10-20 | 泰康保险集团股份有限公司 | 图像识别方法、装置、电子设备及存储介质 |
| CN112052868A (zh) * | 2020-06-15 | 2020-12-08 | 上海集成电路研发中心有限公司 | 模型训练方法、图像相似度度量方法、终端及存储介质 |
| CN112446312A (zh) * | 2020-11-19 | 2021-03-05 | 深圳市中视典数字科技有限公司 | 三维模型识别方法、装置、电子设备及存储介质 |
| WO2021042549A1 (zh) * | 2019-09-04 | 2021-03-11 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置、系统及存储介质 |
| CN112784932A (zh) * | 2021-03-01 | 2021-05-11 | 北京百炼智能科技有限公司 | 一种字体识别方法、装置和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034442A (zh) * | 2006-03-08 | 2007-09-12 | 刘欣融 | 基于图像识别技术的商品的外观设计相同和相近似判断系统 |
| US20110158472A1 (en) * | 2008-07-07 | 2011-06-30 | Gemalto Sa | Method for securing an image by means of graphical anti-counterfeiting means, method for securing an identification document, and secure identification document |
| CN103984922A (zh) * | 2014-04-30 | 2014-08-13 | 苏亚 | 一种基于稀疏表示和形状约束的人脸识别方法 |
| EP2919154A2 (en) * | 2014-03-11 | 2015-09-16 | Fujifilm Corporation | Image processor, important person determination method, image layout method as well as program and recording medium |
| CN108108662A (zh) * | 2017-11-24 | 2018-06-01 | 深圳市华尊科技股份有限公司 | 深度神经网络识别模型及识别方法 |
| CN108985377A (zh) * | 2018-07-18 | 2018-12-11 | 太原理工大学 | 一种基于深层网络的多特征融合的图像高级语义识别方法 |
-
2019
- 2019-03-06 CN CN201910167562.8A patent/CN110008997B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034442A (zh) * | 2006-03-08 | 2007-09-12 | 刘欣融 | 基于图像识别技术的商品的外观设计相同和相近似判断系统 |
| US20110158472A1 (en) * | 2008-07-07 | 2011-06-30 | Gemalto Sa | Method for securing an image by means of graphical anti-counterfeiting means, method for securing an identification document, and secure identification document |
| EP2919154A2 (en) * | 2014-03-11 | 2015-09-16 | Fujifilm Corporation | Image processor, important person determination method, image layout method as well as program and recording medium |
| CN103984922A (zh) * | 2014-04-30 | 2014-08-13 | 苏亚 | 一种基于稀疏表示和形状约束的人脸识别方法 |
| CN108108662A (zh) * | 2017-11-24 | 2018-06-01 | 深圳市华尊科技股份有限公司 | 深度神经网络识别模型及识别方法 |
| CN108985377A (zh) * | 2018-07-18 | 2018-12-11 | 太原理工大学 | 一种基于深层网络的多特征融合的图像高级语义识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张地 等: "一种基于图像纹理特征和支持向量机的版权保护方法", 网络安全技术与应用, no. 08 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427885A (zh) * | 2019-07-31 | 2019-11-08 | Tcl王牌电器(惠州)有限公司 | 铭牌的检测方法、装置及计算机可读存储介质 |
| WO2021042549A1 (zh) * | 2019-09-04 | 2021-03-11 | 平安科技（深圳）有限公司 | 图像mask的过滤方法、装置、系统及存储介质 |
| CN111026641A (zh) * | 2019-11-14 | 2020-04-17 | 北京云聚智慧科技有限公司 | 一种图片比较方法和电子设备 |
| CN112052868A (zh) * | 2020-06-15 | 2020-12-08 | 上海集成电路研发中心有限公司 | 模型训练方法、图像相似度度量方法、终端及存储介质 |
| CN111798376A (zh) * | 2020-07-08 | 2020-10-20 | 泰康保险集团股份有限公司 | 图像识别方法、装置、电子设备及存储介质 |
| CN111798376B (zh) * | 2020-07-08 | 2023-10-17 | 泰康保险集团股份有限公司 | 图像识别方法、装置、电子设备及存储介质 |
| CN112446312A (zh) * | 2020-11-19 | 2021-03-05 | 深圳市中视典数字科技有限公司 | 三维模型识别方法、装置、电子设备及存储介质 |
| CN112784932A (zh) * | 2021-03-01 | 2021-05-11 | 北京百炼智能科技有限公司 | 一种字体识别方法、装置和存储介质 |
| CN112784932B (zh) * | 2021-03-01 | 2024-06-07 | 北京百炼智能科技有限公司 | 一种字体识别方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110008997B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008997A (zh) | 图像纹理相似度识别方法、装置及计算机可读存储介质 | |
| CN107977633B (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
| CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
| US8989446B2 (en) | Character recognition in distorted images | |
| CN105046213B (zh) | 一种增强现实的方法 | |
| WO2021068330A1 (zh) | 智能图像分割及分类方法、装置及计算机可读存储介质 | |
| CN111160169B (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
| CN110020653B (zh) | 图像语义分割方法、装置及计算机可读存储介质 | |
| CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
| CN111898538B (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
| CN113705461B (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
| CN109685059A (zh) | 文字图像标注方法、装置及计算机可读存储介质 | |
| CN110866529A (zh) | 字符识别方法、装置、电子设备及存储介质 | |
| CN111414916A (zh) | 图像中文本内容提取生成方法、装置及可读存储介质 | |
| CN113869219B (zh) | 人脸活体检测方法、装置、设备及存储介质 | |
| CN110399760A (zh) | 一种批量二维码定位方法、装置、电子设备及存储介质 | |
| CN110909578A (zh) | 一种低分辨率图像识别方法、装置和存储介质 | |
| CN112308802A (zh) | 一种基于大数据的图像分析方法及系统 | |
| CN104376291B (zh) | 数据处理的方法及装置 | |
| CN115410274A (zh) | 一种手势识别方法、装置及存储介质 | |
| CN110705547B (zh) | 图像内文字识别方法、装置及计算机可读存储介质 | |
| CN116189162A (zh) | 一种船牌检测与识别方法、装置、电子设备和储存介质 | |
| CN112270384B (zh) | 一种回环检测方法、装置及电子设备和存储介质 | |
| CN113918769B (zh) | 视频中关键动作标记方法、装置、设备及存储介质 | |
| CN110349124A (zh) | 车辆外观损伤智能检测方法、装置及计算机可读存储介质 |
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 |