CN110019907B - 一种图像检索方法及装置 - Google Patents
一种图像检索方法及装置 Download PDFInfo
- Publication number
- CN110019907B CN110019907B CN201711250090.XA CN201711250090A CN110019907B CN 110019907 B CN110019907 B CN 110019907B CN 201711250090 A CN201711250090 A CN 201711250090A CN 110019907 B CN110019907 B CN 110019907B
- Authority
- CN
- China
- Prior art keywords
- image
- candidate
- feature
- features
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例提供了一种图像检索方法和装置,其中所述方法包括通过图像检索中,对候选图像进行查找和排序时,采用压缩率不同的量化处理方式,在查找阶段的量化处理方式压缩率更高,相比压缩率低的量化处理方式,使得查找到的候选图像的数量更多,在排序阶段的量化处理方式压缩率更低,相比压缩率高的量化处理方式,使得排序的精确性更高。因此,采用先查找后排序的方式进行图像检索,无需以同一压缩率下的图像特征进行查找和排序,避免了在查找候选图像的同时对所有的图像进行排序,仅需要对查找到的候选图像进行排序,继而在保证图像检索的召回率的同时,有效地缩短了排序的时间,提高了排序的精度,提高了图像检索的效率。
Description
技术领域
本申请涉及检索技术领域,特别是涉及一种图像检索方法、一种图像检索装置和一种用于图像检索的装置。
背景技术
图像检索不断发展,从开始的根据文本描述的方式描述图像的特征,进行检索,已经发展到可以根据图像的颜色、纹理、布局等进行分析和检索,即基于内容的图像检索技术。
图像检索一般是基于图像特征进行相似度匹配,按照相似度从大到小的顺序,将图像检索的相似图像返回。在此过程中,为了在更少的响应时间内得到检索结果,需要对图像特征进行降维、量化等压缩处理。例如,利用局部敏感哈希算法或者PCA(PrincipalComponent Analysis,主成分分析)算法对图像特征进行压缩。
经申请人研究发现压缩率高时,压缩后图像特征的精度变低,查找到的相似图像数量就会变多,但是相似图像的排序精度就会变低;压缩率低时,压缩后的图像特征的精度变高,查找到的相似图像数量就会变少,但是相似图像的排序精度就会变高,综上,进行图像检索时存在无法同时提高查找结果数量的排序精度的问题。
发明内容
鉴于上述问题,本申请实施例提出了一种克服上述问题或者至少部分地解决上述问题的图像检索方法、图像检索装置和用于图像检索的装置,本申请实施例能够在保证图像检索的召回率的同时,有效地缩短了排序的时间,提高了排序的精度,提高了图像检索的效率。
为了解决上述问题,本申请公开了一种图像检索方法,包括:
获取目标图像的第一图像特征;
对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
可选地,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
可选地,在所述获取目标图像的第一图像特征之前,所述方法还包括:
获取多个候选图像的第一图像特征;
对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述基于所述第二图像特征,查找所述目标图像匹配的候选图像集合包括:
对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
可选地,所述方法还包括:
对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序包括:
对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
根据匹配结果,确定所述候选图像集合中候选图像的排序。
可选地,在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第二图像特征的第一倒排索引表。
可选地,在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第三图像特征的第二倒排索引表。
可选地,所述第一图像特征为SIFT特征,所述获取目标图像的第一图像特征包括:
提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述获取多个候选图像的第一图像特征包括:
提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
可选地,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
本申请实施例还公开了一种图像检索装置,包括:
第一特征获取模块,用于获取目标图像的第一图像特征;
图像集合查找模块,用于对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
图像排序模块,用于对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
可选地,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
可选地,所述装置还包括:
候选特征获取模块,用于在所述获取目标图像的第一图像特征之前,获取多个候选图像的第一图像特征;
第一量化处理模块,用于对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述图像集合查找模块包括:
第一匹配子模块,用于对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
集合确定子模块,用于将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
可选地,所述装置还包括:
第二量化处理模块,用于对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述图像排序模块包括:
第二匹配子模块,用于对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
排序子模块,用于根据匹配结果,确定所述候选图像集合中候选图像的排序。
可选地,所述装置还包括:
第一索引表建立模块,用于在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,建立所述多个候选图像的第二图像特征的第一倒排索引表。
可选地,所述装置还包括:
第二索引表建立模块,用于在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,建立所述多个候选图像的第三图像特征的第二倒排索引表。
可选地,所述第一图像特征为SIFT特征,所述第一特征获取模块包括:
第一特征提取子模块,用于提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
第一特征组成子模块,用于生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述候选特征获取模块征包括:
第二特征提取子模块,用于提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
第二特征组成子模块,用于生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
可选地,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
本申请实施例还公开了一种用于图像检索的装置,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取目标图像的第一图像特征;
对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
可选地,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
可选地,在所述获取目标图像的第一图像特征之前,所述方法还包括:
获取多个候选图像的第一图像特征;
对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述基于所述第二图像特征,查找所述目标图像匹配的候选图像集合包括:
对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
可选地,所述方法还包括:
对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序包括:
对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
根据匹配结果,确定所述候选图像集合中候选图像的排序。
可选地,在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第二图像特征的第一倒排索引表。
可选地,在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第三图像特征的第二倒排索引表。
可选地,所述第一图像特征为SIFT特征,所述获取目标图像的第一图像特征包括:
提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述获取多个候选图像的第一图像特征包括:
提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
可选地,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
本申请实施例包括以下优点:
本申请实施例可以通过图像检索中,对候选图像进行查找和排序时,采用压缩率不同的量化处理方式,在查找阶段的量化处理方式压缩率更高,相比压缩率低的量化处理方式,使得查找到的候选图像的数量更多,在排序阶段的量化处理方式压缩率更低,相比压缩率高的量化处理方式,使得排序的精确性更高。因此,采用先查找后排序的方式进行图像检索,无需以同一压缩率下的图像特征进行查找和排序,避免了在查找候选图像的同时对所有的图像进行排序,仅需要对查找到的候选图像进行排序,继而在保证图像检索的召回率的同时,有效地缩短了排序的时间,提高了排序的精度,提高了图像检索的效率。
附图说明
图1示出了本申请的一种图像检索方法实施例一的步骤流程图;
图2示出了本申请的一种图像检索方法实施例二的步骤流程图;
图3示出了本申请的一种图像检索装置实施例的结构框图;
图4是根据一示例性实施例示出的一种用于图像检索的装置的框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请的一种图像检索方法实施例一的步骤流程图,具体可以包括如下步骤:
步骤101,获取目标图像的第一图像特征。
目标图像为待检索的图像,包括通过网页入口、客户端入口等提交的图像,或者其他任意适用的方式获取的图像,本申请实施例对此不做限制。
图像特征包括图像的颜色特征、纹理特征、形状特征和空间关系特征等,或者其他任意适用的特征,本申请实施例对此不作限制。图像特征是从图像中提取得到的,用于表征图像。对图像进行特征提取的主要目的是降维,即将原始样本投影到一个低维特征空间,得到最能反应样本本质或进行样本区分的低维样本特征。
在本申请实施例中,第一图像特征包括从图像中提取的图像特征、或者提取的图像特征再经过降维处理得到的图像特征,或者其他任意处理后得到的图像特征,本申请实施例对此不做限制。由特征提取的方式、降维处理的方式可以确定第一图像特征。例如,从目标对象中提取SIFT(Scale-invariant feature transform,即尺度不变特征变换)特征。SIFT算法是一种检测局部特征的算法,SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。提取SIFT特征后,利用PCA算法对SIFT特征进行降维处理后,得到的图像特征作为第一图像特征。
步骤102,对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合。
量化处理是一种数据压缩技术,具体包括将若干个标量数据组构成一个矢量,然后在矢量空间给以整体量化,从而压缩了数据而不损失多少信息。例如,迭代量化处理、随机量化处理等,或者其他任意适用的量化处理,本申请实施例对此不做限制。
第一量化处理的压缩率高于第二量化处理的压缩率,也就是说第一图像特征经过第一量化处理后的数据量小于经过第二量化处理后的数据量。对第一图像特征进行第一量化处理得到的图像特征,记为第二图像特征,而对第一图像特征进行第二量化处理得到的图像特征,记为第三图像特征。
第一量化处理和第二量化处理可以采用相同的量化处理技术,或者采用不同的量化处理技术,具体可以采用任意适用的量化处理技术,本申请实施例对此不做限制。例如,第一量化处理和第二量化处理都采用迭代量化处理技术,只是设置第一量化处理的压缩率高于第二量化处理的压缩率;或者第一量化处理采用迭代量化处理技术,第二量化处理采用随机量化处理技术,并且设置第一量化处理的压缩率高于第二量化处理的压缩率。
在本申请实施例中,候选图像集合包括与目标图像相似的至少一个候选图像,由与目标图像相似的图像组成。候选图像集合是从多个候选图像中通过匹配查找到的图像组成的,多个候选图像包括本地的图像库、从网络上采集的图像,或者其他任意适用的图像,本申请实施例对此不做限制。
在本申请实施例中,对目标图像的第一图像特征进行第一量化处理,得到目标图像的第二图像特征。基于第二图像特征进行匹配查找时,需要采用与目标图像相同的特征提取、量化处理等处理过程,得到各个候选图像的第二图像特征,然后通过对目标图像和候选图像的第二图像特征进行匹配,根据匹配的相似度,查找出与目标图像最相似的若干个图像,确定为与目标图像匹配的候选图像集合。
步骤103,对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序。
在本申请实施例中,候选图像集合中包括与目标图像相似度不同的多个候选图像。由于第二量化处理比第一量化处理的压缩率低,所以第三图像特征可以比第二图像特征更精确的表征目标图像。基于第三图像特征,对候选图像集合中的候选图像进行排序,相比基于第二图像特征进行排序,可以使得检索结果中候选图像的排序精度提高。
在本申请实施例中,对目标图像的第一图像特征进行第二量化处理,得到目标图像的第三图像特征。基于第三图像特征进行排序时,需要采用与目标图像相同的特征提取、量化处理等处理过程,得到候选图像集合中各个候选图像的第三图像特征,然后通过对目标图像和候选图像的第三图像特征进行匹配,按照匹配的相似度的大小顺序,对候选图像进行排序后,作为图像检索的结果。
综上所述,依据本申请实施例,通过通过图像检索中,对候选图像进行查找和排序时,采用压缩率不同的量化处理方式,在查找阶段的量化处理方式压缩率更高,相比压缩率低的量化处理方式,使得查找到的候选图像的数量更多,在排序阶段的量化处理方式压缩率更低,相比压缩率高的量化处理方式,使得排序的精确性更高。因此,采用先查找后排序的方式进行图像检索,无需以同一压缩率下的图像特征进行查找和排序,避免了在查找候选图像的同时对所有的图像进行排序,仅需要对查找到的候选图像进行排序,继而在保证图像检索的召回率的同时,有效地缩短了排序的时间,提高了排序的精度,提高了图像检索的效率。
在本申请实施例中,可选地,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
迭代量化(ITQ,Iterative Quantization)处理是指寻找量化误差最小的旋转矩阵,根据该最优旋转矩阵得到图像特征的二进制编码的过程,得到的二进制编码,记为第二图像特征。
在做迭代量化处理之前,可以对第一图像特征先采用PCA算法进行降维,当然若第一图像特征是已经过PCA算法降维后的图像特征就可以不再做降维处理。首先,对PCA投影数据进行一个随机正交变换,然后开始轮流优化正交变换矩阵和二进制编码矩阵。迭代量化算法先是固定正交变换矩阵,然后优化二进制编码矩阵。接着固定二进制编码矩阵,然后优化正交变换矩阵。这两个步骤不断迭代,很快算法就收敛到一个局部最优解上。
例如,采用大量图像样本,提取出SIFT特征,利用PCA算法进行降维,对降维后的图像特征利用迭代量化算法进行训练,得到最优迭代量化矩阵,迭代量化矩阵能较好的学习特征部分,压缩后的图像特征相比局部敏感哈希算法得到的图像特征准确度更高。之后根据该迭代量化矩阵将第一图像特征进行压缩,得到大约18bit的编码,也即是第二图像特征。
随机量化处理是指基于随机超平面的局部敏感哈希方法进行的量化处理,利用随机的超平面(random hyperplane)将原始数据空间进行划分,每一个数据被投影后会落入超平面的某一侧,经过多个随机的超平面划分后,原始空间被划分为了很多部分,而位于每个部分内的数据被认为具有很大可能是相邻的,即原始数据的两个矢量之间的夹角很小。
例如,对第一图像特征采用随机量化处理的方式进行量化,压缩得到大约48bit的编码,也即是第三图像特征。
参照图2,示出了本申请的一种图像检索方法实施例二的步骤流程图,具体可以包括如下步骤:
步骤201,获取多个候选图像的第一图像特征。
在本申请实施例中,候选图像包括本地的图像库、从网络上采集的图像,或者其他任意适用的获取方式,本申请实施例对此不做限制。
在本申请实施例中,候选图像的第一图像特征的获取方式与目标图像的第一图像特征的获取方式相同,也即图像数据经过相同的运算处理得到图像特征。例如,从候选对象中提取SIFT特征,利用PCA算法对SIFT特征进行降维处理后,得到的图像特征作为候选图像的第一图像特征。
在本申请实施例中,可选地,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
第一图像特征是进行降维处理的,并且目标图像和候选图像采用相同的方式进行降维,以使图像特征在量化处理之前进一步压缩,提高查找候选图像集合或者对候选图像进行排序的响应时间。例如,PCA算法是一个统计过程,该过程通过正交变换将原始的n维数据集变换到一个新的被称做主成分的数据集中。变换后的结果中,第一个主成分具有最大的方差值,每个后续的成分在与前述主成分正交条件限制下与具有最大方差。降维时仅保存前m(m<n)个主成分即可保持最大的数据信息量。
步骤202,对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征。
在本申请实施例中,采用与对目标图像相同的第一量化处理,对各个候选图像的第一图像特征进行处理,得到候选图像的第二图像特征。
步骤203,对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征。
在本申请实施例中,采用与对目标图像相同的第二量化处理,对各个候选图像的第一图像特征进行处理,得到候选图像的第三图像特征。
步骤204,获取目标图像的第一图像特征。
在本申请实施例中,可选地,第一图像特征为SIFT特征,获取目标图像的第一图像特征可以包括:提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点,生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征。对候选图像也采用相同的方式提取SIFT特征,提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点,生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
SIFT特征所携带有尺度信息,尺度信息用于表征尺度空间,尺度空间也就是分辨率,从不同的尺度空间观察图像,相当于从在不同的距离看一个图像,所能看到的图像的细节也不一样。例如,从远处看地图图片能够显示大洲大洋,以及较大的地域和国家,而从近处看地图图片甚至可以详细的看到每条街道。
SIFT特征点包括图像中明显区别于其周围区域的地方,对于光照,视角相对鲁棒,所以对图像特征点提取特征的好坏直接影响后续分类、识别的精度。
为了从整体上表征目标图像或候选图像,从目标图像或候选图像中提取SIFT特征点时,可以按照尺度信息从高到低排序,提取靠前的SIFT特征点。
为了提高图像检索时的响应时间,仅提取从高到低排序最前的设定个数的SIFT特征点,设定个数可以根据实际需要进行设置,本申请实施例对此不做限制。例如,仅提取尺度信息最大的前128个SIFT特征点。
提取SIFT特征点后,每个SIFT特征点都生成一个对应的特征向量,设定个数的SIFT特征点的特征向量一起组成目标图像的第一图像特征。例如,对每个SIFT特征点提取128维的SIFT特征。
步骤205,对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配。
在本申请实施例中,目标图像和候选图像的第二图像特征是经过相同的处理过程得到的,根据第二图像特征进行匹配,得到表征目标图像与各个候选图像的相似度的匹配结果。
在本申请实施例中,可选地,在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,还可以包括:建立所述多个候选图像的第二图像特征的第一倒排索引表。
倒排索引为根据属性的值来查找记录,索引表中的每一项都包括一个属性值和具有该属性值的各记录的地址。带有倒排索引的文件我们称为倒排索引表。进行第一量化处理后,得到第二图像特征,以此建立基于第二图像特征匹配目标图像的第一倒排索引表。
步骤206,将所述目标对象的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
在本申请实施例中,根据目标图像的第二图像特征和候选图像的第二图像特征进行匹配,得到的匹配结果,确定目标对象的第二图像特征匹配的多个候选图像,将多个候选图像确定为候选图像集合。
步骤207,对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配。
在本申请实施例中,目标图像和候选图像的第三图像特征是经过相同的处理过程得到的,根据第三图像特征进行匹配,得到表征目标图像与各个候选图像的相似度的匹配结果。
在本申请实施例中,可选地,在对目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,还可以包括:建立所述多个候选图像的第三图像特征的第二倒排索引表。
进行第二量化处理后,得到第三图像特征,以此建立基于第三图像特征匹配目标图像的第一倒排索引表。
步骤208,根据匹配结果,确定所述候选图像集合中候选图像的排序。
在本申请实施例中,匹配结果可以表征目标图像和候选图像集合中各个候选图像之间的相似度,按照相似度从大到小的顺序,对候选图像进行排序。
综上所述,依据本申请实施例,通过通过图像检索中,对候选图像进行查找和排序时,采用压缩率不同的量化处理方式,在查找阶段的量化处理方式压缩率更高,相比压缩率低的量化处理方式,使得查找到的候选图像的数量更多,在排序阶段的量化处理方式压缩率更低,相比压缩率高的量化处理方式,使得排序的精确性更高。因此,采用先查找后排序的方式进行图像检索,无需以同一压缩率下的图像特征进行查找和排序,避免了在查找候选图像的同时对所有的图像进行排序,仅需要对查找到的候选图像进行排序,继而在保证图像检索的召回率的同时,有效地缩短了排序的时间,提高了排序的精度,提高了图像检索的效率。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的运动动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的运动动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的运动动作并不一定是本申请实施例所必须的。
参照图3,示出了本申请的一种图像检索装置实施例的结构框图,具体可以包括:
第一特征获取模块301,用于获取目标图像的第一图像特征;
图像集合查找模块302,用于对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
图像排序模块303,用于对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
在本申请实施例中,可选地,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
在本申请实施例中,可选地,所述装置还包括:
候选特征获取模块,用于在所述获取目标图像的第一图像特征之前,获取多个候选图像的第一图像特征;
第一量化处理模块,用于对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述图像集合查找模块包括:
第一匹配子模块,用于对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
集合确定子模块,用于将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
在本申请实施例中,可选地,所述装置还包括:
第二量化处理模块,用于对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述图像排序模块包括:
第二匹配子模块,用于对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
排序子模块,用于根据匹配结果,确定所述候选图像集合中候选图像的排序。
在本申请实施例中,可选地,所述装置还包括:
第一索引表建立模块,用于在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,建立所述多个候选图像的第二图像特征的第一倒排索引表。
在本申请实施例中,可选地,所述装置还包括:
第二索引表建立模块,用于在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,建立所述多个候选图像的第三图像特征的第二倒排索引表。
在本申请实施例中,可选地,所述第一图像特征为SIFT特征,所述第一特征获取模块包括:
第一特征提取子模块,用于提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
第一特征组成子模块,用于生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述候选特征获取模块征包括:
第二特征提取子模块,用于提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
第二特征组成子模块,用于生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
在本申请实施例中,可选地,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
综上所述,依据本申请实施例,通过通过图像检索中,对候选图像进行查找和排序时,采用压缩率不同的量化处理方式,在查找阶段的量化处理方式压缩率更高,相比压缩率低的量化处理方式,使得查找到的候选图像的数量更多,在排序阶段的量化处理方式压缩率更低,相比压缩率高的量化处理方式,使得排序的精确性更高。因此,采用先查找后排序的方式进行图像检索,无需以同一压缩率下的图像特征进行查找和排序,避免了在查找候选图像的同时对所有的图像进行排序,仅需要对查找到的候选图像进行排序,继而在保证图像检索的召回率的同时,有效地缩短了排序的时间,提高了排序的精度,提高了图像检索的效率。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图4是根据一示例性实施例示出的一种用于图像检索的装置400的框图。例如,装置400可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,装置400可以包括以下一个或多个组件:处理组件402,存储器404,电源组件406,多媒体组件408,音频组件410,输入/输出(I/O)的接口412,传感器组件414,以及通信组件416。
处理组件402通常控制装置400的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理元件402可以包括一个或多个处理器420来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件402可以包括一个或多个模块,便于处理组件402和其他组件之间的交互。例如,处理部件402可以包括多媒体模块,以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统,一个或多个电源,及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑行操作相关的持续时间和压力。在一些实施例中,多媒体组件408包括一个前置摄像头和/或后置摄像头。当设备400处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如,音频组件410包括一个麦克风(MIC),当装置400处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中,音频组件410还包括一个扬声器,用于输出音频信号。
I/O接口412为处理组件402和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器,用于为装置400提供各个方面的状态评估。例如,传感器组件414可以检测到设备400的打开/关闭状态,组件的相对定位,例如所述组件为装置400的显示器和小键盘,传感器组件414还可以检测装置400或装置400一个组件的位置改变,用户与装置400接触的存在或不存在,装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件414还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件416还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器504,上述指令可由装置500的处理器520执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置(智能终端或者服务器)的处理器执行时,使得装置能够执行一种图像检索方法,所述方法包括:
获取目标图像的第一图像特征;
对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
可选地,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
可选地,在所述获取目标图像的第一图像特征之前,所述方法还包括:
获取多个候选图像的第一图像特征;
对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述基于所述第二图像特征,查找所述目标图像匹配的候选图像集合包括:
对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
可选地,所述方法还包括:
对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序包括:
对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
根据匹配结果,确定所述候选图像集合中候选图像的排序。
可选地,在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第二图像特征的第一倒排索引表。
可选地,在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第三图像特征的第二倒排索引表。
可选地,所述第一图像特征为SIFT特征,所述获取目标图像的第一图像特征包括:
提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述获取多个候选图像的第一图像特征包括:
提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
可选地,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者终端设备不仅包括那些要素,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、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种图像检索方法、一种图像检索装置和一种用于图像检索的装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (24)
1.一种图像检索方法,其特征在于,包括:
获取目标图像的第一图像特征;
对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
2.根据权利要求1所述的方法,其特征在于,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
3.根据权利要求1所述的方法,其特征在于,在所述获取目标图像的第一图像特征之前,所述方法还包括:
获取多个候选图像的第一图像特征;
对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述基于所述第二图像特征,查找所述目标图像匹配的候选图像集合包括:
对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序包括:
对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
根据匹配结果,确定所述候选图像集合中候选图像的排序。
5.根据权利要求3所述的方法,其特征在于,在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第二图像特征的第一倒排索引表。
6.根据权利要求4所述的方法,其特征在于,在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,所述方法还包括:
建立所述多个候选图像的第三图像特征的第二倒排索引表。
7.根据权利要求3所述的方法,其特征在于,所述第一图像特征为SIFT特征,所述获取目标图像的第一图像特征包括:
提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述获取多个候选图像的第一图像特征包括:
提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
9.一种图像检索装置,其特征在于,包括:
第一特征获取模块,用于获取目标图像的第一图像特征;
图像集合查找模块,用于对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
图像排序模块,用于对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
10.根据权利要求9所述的装置,其特征在于,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
11.根据权利要求9所述的装置 ,其特征在于,所述装置还包括:
候选特征获取模块,用于在所述获取目标图像的第一图像特征之前,获取多个候选图像的第一图像特征;
第一量化处理模块,用于对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述图像集合查找模块包括:
第一匹配子模块,用于对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
集合确定子模块,用于将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
12.根据权利要求11所述的装置 ,其特征在于,所述装置还包括:
第二量化处理模块,用于对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述图像排序模块包括:
第二匹配子模块,用于对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
排序子模块,用于根据匹配结果,确定所述候选图像集合中候选图像的排序。
13.根据权利要求11所述的装置 ,其特征在于,所述装置还包括:
第一索引表建立模块,用于在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,建立所述多个候选图像的第二图像特征的第一倒排索引表。
14.根据权利要求12所述的装置 ,其特征在于,所述装置还包括:
第二索引表建立模块,用于在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,建立所述多个候选图像的第三图像特征的第二倒排索引表。
15.根据权利要求11所述的装置 ,其特征在于,所述第一图像特征为SIFT特征,所述第一特征获取模块包括:
第一特征提取子模块,用于提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
第一特征组成子模块,用于生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述候选特征获取模块征包括:
第二特征提取子模块,用于提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
第二特征组成子模块,用于生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
16.根据权利要求9至15中任一项所述的装置 ,其特征在于,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
17.一种用于图像检索的装置,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取目标图像的第一图像特征;
对所述第一图像特征进行第一量化处理得到第二图像特征,基于所述第二图像特征,查找所述目标图像匹配的候选图像集合;
对所述第一图像特征进行第二量化处理得到第三图像特征,基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序,所述第二量化处理的压缩率低于第一量化处理的压缩率。
18.根据权利要求17所述的装置,其特征在于,所述第一量化处理为迭代量化处理,第二量化处理为随机量化处理。
19.根据权利要求17所述的装置 ,其特征在于,在所述获取目标图像的第一图像特征之前,所述装置还包括:
获取多个候选图像的第一图像特征;
对所述候选图像的第一图像特征进行所述第一量化处理得到候选图像的第二图像特征;
所述基于所述第二图像特征,查找所述目标图像匹配的候选图像集合包括:
对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配;
将所述目标图像的第二图像特征匹配的多个候选图像,确定为所述候选图像集合。
20.根据权利要求19所述的装置 ,其特征在于,所述装置还包括:
对所述候选图像的第一图像特征进行所述第二量化处理得到候选图像的第三图像特征;
所述基于所述第三图像特征,对所述候选图像集合中的候选图像进行排序包括:
对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配;
根据匹配结果,确定所述候选图像集合中候选图像的排序。
21.根据权利要求19所述的装置 ,其特征在于,在所述对所述目标图像的第二图像特征和候选图像的第二图像特征进行匹配之前,所述装置还包括:
建立所述多个候选图像的第二图像特征的第一倒排索引表。
22.根据权利要求20所述的装置 ,其特征在于,在所述对所述目标图像的第三图像特征和候选图像的第三图像特征进行匹配之前,所述装置还包括:
建立所述多个候选图像的第三图像特征的第二倒排索引表。
23.根据权利要求19所述的装置 ,其特征在于,所述第一图像特征为SIFT特征,所述获取目标图像的第一图像特征包括:
提取所述目标图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述目标图像的第一图像特征;
所述获取多个候选图像的第一图像特征包括:
提取所述候选图像中尺度信息从高到低排序最前的设定个数的SIFT特征点;
生成设定个数的SIFT特征点的特征向量,组成所述候选图像的第一图像特征。
24.根据权利要求17至23中任一项所述的装置,其特征在于,所述目标图像的第一图像特征和候选图像的第一图像特征经降维处理得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711250090.XA CN110019907B (zh) | 2017-12-01 | 2017-12-01 | 一种图像检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711250090.XA CN110019907B (zh) | 2017-12-01 | 2017-12-01 | 一种图像检索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110019907A CN110019907A (zh) | 2019-07-16 |
CN110019907B true CN110019907B (zh) | 2021-07-16 |
Family
ID=67185921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711250090.XA Active CN110019907B (zh) | 2017-12-01 | 2017-12-01 | 一种图像检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110019907B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413603B (zh) * | 2019-08-06 | 2023-02-24 | 北京字节跳动网络技术有限公司 | 重复数据的确定方法、装置、电子设备及计算机存储介质 |
KR20210082993A (ko) * | 2019-12-26 | 2021-07-06 | 삼성전자주식회사 | 양자화 영상 생성 방법 및 양자화 영상 생성 방법을 수행하는 센서 장치 |
CN113963197A (zh) * | 2021-09-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 图像识别方法、装置、电子设备和可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
CN101216841A (zh) * | 2008-01-14 | 2008-07-09 | 南京搜拍信息技术有限公司 | 交互式图像搜索系统和方法 |
CN101256597A (zh) * | 2008-03-31 | 2008-09-03 | 北京搜狗科技发展有限公司 | 识别颜色单调缩略图的方法、装置及在搜索引擎中的应用 |
CN101261725A (zh) * | 2008-04-11 | 2008-09-10 | 大连理工大学 | Jpeg隐密分析系统中的定量分析方法 |
CN101303694A (zh) * | 2008-04-30 | 2008-11-12 | 浙江大学 | 融合不同模态信息实现媒体间交叉检索的方法 |
CN101389009A (zh) * | 2007-09-14 | 2009-03-18 | 华为技术有限公司 | 一种水印信息的嵌入、检测方法及装置 |
CN101488182A (zh) * | 2008-12-24 | 2009-07-22 | 华南理工大学 | 一种用于手写汉字识别的图像特征提取方法 |
CN101493928A (zh) * | 2009-02-10 | 2009-07-29 | 国网信息通信有限公司 | 数字水印嵌入、提取和量化步长协调因子优化方法及装置 |
CN101650728A (zh) * | 2009-08-26 | 2010-02-17 | 北京邮电大学 | 视频高层特征检索系统及其实现 |
CN102004786A (zh) * | 2010-12-02 | 2011-04-06 | 上海交通大学 | 图像检索系统中的加速方法 |
CN102298605A (zh) * | 2011-06-01 | 2011-12-28 | 清华大学 | 基于有向图非等概率随机搜索的图像自动标注方法及装置 |
CN102508910A (zh) * | 2011-11-11 | 2012-06-20 | 大连理工大学 | 基于多哈希表映射误差最小化的图像检索方法 |
CN103514276A (zh) * | 2013-09-22 | 2014-01-15 | 西安交通大学 | 基于中心估计的图形目标检索定位方法 |
CN106951551A (zh) * | 2017-03-28 | 2017-07-14 | 西安理工大学 | 联合gist特征的多重索引图像检索方法 |
CN107085607A (zh) * | 2017-04-19 | 2017-08-22 | 电子科技大学 | 一种图像特征点匹配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7106903B2 (en) * | 2001-09-24 | 2006-09-12 | Vima Technologies, Inc. | Dynamic partial function in measurement of similarity of objects |
US7474807B2 (en) * | 2004-02-20 | 2009-01-06 | Fuji Xerox Co., Ltd. | System and method for generating usable images |
-
2017
- 2017-12-01 CN CN201711250090.XA patent/CN110019907B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
CN101389009A (zh) * | 2007-09-14 | 2009-03-18 | 华为技术有限公司 | 一种水印信息的嵌入、检测方法及装置 |
CN101216841A (zh) * | 2008-01-14 | 2008-07-09 | 南京搜拍信息技术有限公司 | 交互式图像搜索系统和方法 |
CN101256597A (zh) * | 2008-03-31 | 2008-09-03 | 北京搜狗科技发展有限公司 | 识别颜色单调缩略图的方法、装置及在搜索引擎中的应用 |
CN101261725A (zh) * | 2008-04-11 | 2008-09-10 | 大连理工大学 | Jpeg隐密分析系统中的定量分析方法 |
CN101303694A (zh) * | 2008-04-30 | 2008-11-12 | 浙江大学 | 融合不同模态信息实现媒体间交叉检索的方法 |
CN101488182A (zh) * | 2008-12-24 | 2009-07-22 | 华南理工大学 | 一种用于手写汉字识别的图像特征提取方法 |
CN101493928A (zh) * | 2009-02-10 | 2009-07-29 | 国网信息通信有限公司 | 数字水印嵌入、提取和量化步长协调因子优化方法及装置 |
CN101650728A (zh) * | 2009-08-26 | 2010-02-17 | 北京邮电大学 | 视频高层特征检索系统及其实现 |
CN102004786A (zh) * | 2010-12-02 | 2011-04-06 | 上海交通大学 | 图像检索系统中的加速方法 |
CN102298605A (zh) * | 2011-06-01 | 2011-12-28 | 清华大学 | 基于有向图非等概率随机搜索的图像自动标注方法及装置 |
CN102508910A (zh) * | 2011-11-11 | 2012-06-20 | 大连理工大学 | 基于多哈希表映射误差最小化的图像检索方法 |
CN103514276A (zh) * | 2013-09-22 | 2014-01-15 | 西安交通大学 | 基于中心估计的图形目标检索定位方法 |
CN106951551A (zh) * | 2017-03-28 | 2017-07-14 | 西安理工大学 | 联合gist特征的多重索引图像检索方法 |
CN107085607A (zh) * | 2017-04-19 | 2017-08-22 | 电子科技大学 | 一种图像特征点匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110019907A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109089133B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
RU2533441C2 (ru) | Способ и устройство для обеспечения поиска изображения по содержимому | |
US20170032219A1 (en) | Methods and devices for picture processing | |
TWI761851B (zh) | 圖像處理方法、圖像處理裝置、電子設備和電腦可讀儲存媒體 | |
CN110472091B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113590881B (zh) | 视频片段检索方法、视频片段检索模型的训练方法及装置 | |
CN111553372B (zh) | 一种训练图像识别网络、图像识别搜索的方法及相关装置 | |
CN106485567B (zh) | 物品推荐方法及装置 | |
CN110019907B (zh) | 一种图像检索方法及装置 | |
CN112672208B (zh) | 视频播放方法、装置、电子设备、服务器及系统 | |
CN105809174A (zh) | 识别图像的方法及装置 | |
CN110781323A (zh) | 多媒体资源的标签确定方法、装置、电子设备及存储介质 | |
CN110764627B (zh) | 一种输入方法、装置和电子设备 | |
WO2014186840A1 (en) | Image recognition of vehicle parts | |
CN104077597A (zh) | 图像分类方法及装置 | |
CN115100472A (zh) | 展示对象识别模型的训练方法、装置和电子设备 | |
CN114332503A (zh) | 对象重识别方法及装置、电子设备和存储介质 | |
CN104391877A (zh) | 查找主题的方法、装置、终端和服务器 | |
CN110895570A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
CN112529846A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113888543B (zh) | 肤色分割方法、装置、电子设备及存储介质 | |
US20170200062A1 (en) | Method of determination of stable zones within an image stream, and portable device for implementing the method | |
CN112328809A (zh) | 实体分类方法、装置及计算机可读存储介质 | |
CN110751223B (zh) | 一种图像匹配方法、装置、电子设备及存储介质 | |
CN111382367B (zh) | 一种搜索结果排序方法和装置 |
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 |