CN110083731A - 图像检索方法、装置、计算机设备及存储介质 - Google Patents
图像检索方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110083731A CN110083731A CN201910182765.4A CN201910182765A CN110083731A CN 110083731 A CN110083731 A CN 110083731A CN 201910182765 A CN201910182765 A CN 201910182765A CN 110083731 A CN110083731 A CN 110083731A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic point
- scale invariant
- eigencenter
- retrieved
- 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 41
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 241000066478 Aspidiotus cryptomeriae Species 0.000 description 1
- 244000181025 Rosa gallica Species 0.000 description 1
- 235000000533 Rosa gallica Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种图像检索方法、装置、计算机设备及存储介质,涉及人工智能领域。该图像检索方法包括:获取待检索图像;提取待检索图像的尺度不变特征变换特征点;遍历待检索图像的尺度不变特征变换特征点,计算得到目标特征中心;采用目标特征中心的索引号替代遍历时每个距离特征中心最近的尺度不变特征变换特征点;根据目标特征中心的索引号在哈希倒排索引表中查找得到目标历史图像。采用该图像检索方法能够从海量图像中快速检索到相同或相似的图像。
Description
【技术领域】
本发明涉及人工智能领域,尤其涉及一种图像检索方法、装置、计算机设备及存储介质。
【背景技术】
从海量历史图像中搜索出相同或相似的图像,在当前社会已有广泛的应用场景。目前较为通用的方法是提取历史图像的底层特征,如色彩、纹理、形状等制作特征库,然后遍历计算待检索图像特征与历史图像特征库的距离,来查找相似或相同图像,该方法的检索效率低下,过程冗长,不适用于大规模的图像检索场景。
【发明内容】
有鉴于此,本发明实施例提供了一种图像检索方法、装置、计算机设备及存储介质,用以解决从海量图像中快速检索得到相同或相似图像的问题。
第一方面,本发明实施例提供了一种图像检索方法,包括:
获取待检索图像;
提取所述待检索图像的尺度不变特征变换特征点;
遍历所述待检索图像的尺度不变特征变换特征点,计算得到目标特征中心,其中,所述目标特征中心是遍历时与每个所述尺度不变特征变换特征点距离最近的特征中心,所述特征中心由历史图像提取的尺度不变特征变换特征点计算得到,每个所述特征中心包括相应的索引号,所述历史图像和所述特征中心的索引号以哈希倒排索引表的形式存储;
采用所述目标特征中心的索引号替代遍历时每个距离所述特征中心最近的尺度不变特征变换特征点;
根据所述目标特征中心的索引号在所述哈希倒排索引表中查找得到目标历史图像。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在所述遍历所述待检索图像的尺度不变特征变换特征点的步骤之前,所述方法还包括:
获取历史图像;
提取所述历史图像的尺度不变特征变换特征点;
采用聚类算法对所述历史图像的尺度不变特征变换特征点进行聚类,得到M个所述特征中心,其中,所述M为大于1的自然数;
建立每个所述特征中心的索引号。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述计算得到目标特征中心,包括:
计算遍历时每个所述尺度不变特征变换特征点与每个所述特征中心的第一杰卡德相似系数;
将所述第一杰卡德相似系数最高的特征中心作为距离遍历计算时的尺度不变特征变换特征点最近的特征中心,得到所述目标特征中心。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在所述遍历所述待检索图像的尺度不变特征变换特征点的步骤之前,所述方法还包括:
采用哈希表的形式,基于每个所述特征中心的索引号建立哈希倒排索引表的词典;
基于所述历史图像构建倒排链;
根据所述词典和所述倒排链得到所述哈希倒排索引表。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述目标特征中心的索引号在所述哈希倒排索引表中查找得到目标历史图像,包括:
在所述哈希倒排索引表中获取与所述目标特征中心的索引号相对应的倒排链,作为目标倒排链;
获取所述目标倒排链上的所述历史图像;
基于所述待检索图像与所述目标倒排链上的所述历史图像进行杰卡德相似度比较,得到第二杰卡德相似系数;
将所述第二杰卡德相似系数大于预设阈值的所述历史图像作为所述目标历史图像。
第二方面,本发明实施例提供了一种图像检索装置,包括:
待检索图像获取模块,用于获取待检索图像;
待检索图像特征点提取模块,用于提取所述待检索图像的尺度不变特征变换特征点;
目标特征中心获取模块,用于遍历所述待检索图像的尺度不变特征变换特征点,计算得到目标特征中心,其中,所述目标特征中心是遍历时与每个所述尺度不变特征变换特征点距离最近的特征中心,所述特征中心由历史图像提取的尺度不变特征变换特征点计算得到,每个所述特征中心包括相应的索引号,所述历史图像和所述特征中心的索引号以哈希倒排索引表的形式存储;
替代模块,用于采用所述目标特征中心的索引号替代遍历时每个距离所述特征中心最近的尺度不变特征变换特征点;
目标历史图像获取模块,用于根据所述目标特征中心的索引号在所述哈希倒排索引表中查找得到目标历史图像。
第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述图像检索方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,包括:计算机可执行指令,当所述计算机可执行指令被运行时,用以执行第一方面任一项所述的图像检索方法。
上述技术方案中的一个技术方案具有如下有益效果:
本发明实施例中,首先根据获取的待检索图像提取待检索图像的尺度不变特征变换特征点,该尺度不变特征变换特征点能够采用较少的信息便表征待检索图像,可以在保证检索精确度的前提下提高图像检索效率;接着遍历待检索图像的尺度不变特征变换特征点,计算得到在遍历时与每个尺度不变特征变换特征点距离最近的特征中心,得到目标特征中心,采用目标特征中心能够把不同待检索图像的尺度不变特征变换特征点采用代表图像不同类别的目标特征中心进行表示,为后续进行待检索图像和历史图像的杰卡德相似度比较,根据目标特征中心快速检索出目标历史图像提供实现的技术前提;然后采用目标特征中心的索引号替代遍历时每个距离特征中心最近的尺度不变特征变换特征点,能够将高维的目标特征中心进行降维,提高图像检索的效率;最后根据目标特征中心的索引号在哈希倒排索引表中查找得到目标历史图像,可以利用哈希倒排索引表的结构以索引号为查找要素找到相对应的历史图像,从而在该符合索引号查找要素的历史图像中找到目标历史图像。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明一实施例中图像检索方法的一流程图;
图2是本发明一实施例中图像检索装置的一示意图;
图3是本发明一实施例中计算机设备的一示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1示出本实施例中图像检索方法的一流程图。该图像检索方法可应用在进行图像检索的终端设备上,用于实现在海量的历史图像中快速检索出与待检索图像相同或相似的目标历史图像的功能,具体可应用在安装在计算机设备上的图像检索系统中。其中,该计算机设备是可与用户进行人机交互的设备,包括但不限于电脑、智能手机和平板等设备。该图像检索方法包括如下步骤:
S10:获取待检索图像。
可以理解地,图像检索系统获取用户输入的待检索图像,待检索图像可以是一朵红色玫瑰花、一匹在草原上奔跑的黑马或一群巍峨的山峰等图像。用户输入待检索图像的目的是为了能够查找到与待检索图像相近的历史图像,可以实现帮用户确定待检索图像的出处、获取更多相似的历史图像等功能。
S20:提取待检索图像的尺度不变特征变换特征点。
其中,尺度不变特征变换(Scale-invariant feature transform,简称SIFT)是用于图像处理领域的一种描述。这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。尺度不变特征变换特征点即根据该尺度不变特征变换所提取的一种特征点。具体地,提取待检索图像的尺度不变特征变换特征点可以采用以下步骤得到:1.生成高斯差分金字塔,进行尺度空间构建;2.空间极值点检测(进行特征点的初步查探);3.特征点的精确定位;4.为特征点分配方向值;5生成特征描述子。
在一实施例中,提取待检索图像的尺度不变特征变换特征点能够采用较少的信息便表征待检索图像,可以在保证检索精确度的前提下提高图像检索效率。
S30:遍历待检索图像的尺度不变特征变换特征点,计算得到目标特征中心,其中,目标特征中心是遍历时与每个尺度不变特征变换特征点距离最近的特征中心,特征中心由历史图像提取的尺度不变特征变换特征点计算得到,每个特征中心包括相应的索引号,历史图像和特征中心的索引号以哈希倒排索引表的形式存储。
其中,历史图像是在进行图像检索之前便已存在的图像,待检索图像所找的相同或相近的图像都是在历史图像中查找得到的。索引号可以是采用1、2、3……10……K(K为整数,在此例中大于10)的编号方式表示。哈希倒排索引表是指采用哈希表的形式(数据结构)构建的倒排索引,倒排索引源于实际应用中需要根据属性的值来查找记录,倒排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。
在一实施例中,对待检索图像的尺度不变特征变换特征点进行遍历操作,在遍历过程中计算得到与每个尺度不变特征变换特征点距离最近的特征中心,即目标特征中心。可以理解地,在遍历时用于比较的每一特征中心是根据历史图像预先计算得到的,目标特征中心是特征中心的子集,不同待检索图像得到的目标特征中心是不同的。采用目标特征中心能够把不同待检索图像的尺度不变特征变换特征点采用代表图像不同类别的目标特征中心进行表示,为后续进行待检索图像和历史图像的杰卡德相似度比较,根据目标特征中心快速检索出与待检索图像相同或相似的目标历史图像提供实现的技术前提。
进一步地,在步骤S30中,遍历待检索图像的尺度不变特征变换特征点,计算得到目标特征中心,具体包括:
S311:计算遍历时每个尺度不变特征变换特征点与每个特征中心的第一杰卡德相似系数。
其中,杰卡德相似系数用于比较有限样本集之间的相似性与差异性。
在一实施例中,将n个尺度不变特征变换特征点作为样本A1,A2,……,An,将m个特征中心作为样本B1,B2,……,Bm,采用杰卡德相似系数的计算公式计算得到每个尺度不变特征变换特征点与每个特征中心的第一杰卡德相似系数。
S312:将第一杰卡德相似系数最高的特征中心作为距离遍历计算时的尺度不变特征变换特征点最近的特征中心,得到目标特征中心。
在一实施例中,当杰卡德系数值越高表示样本相似度越高,因此,将第一杰卡德相似系数最高的特征中心作为距离遍历计算时的尺度不变特征变换特征点最近的特征中心,并得到目标特征中心。采用目标特征中心可以将尺度不变特征变换特征点采用类别的方式进行表示,更利于数值计算,提高图像检索效率。
进一步地,在步骤S30之前,即在遍历待检索图像的尺度不变特征变换特征点的步骤之前,还包括:
S321:获取历史图像。
S322:提取历史图像的尺度不变特征变换特征点。
S323:采用聚类算法对历史图像的尺度不变特征变换特征点进行聚类,得到M个特征中心,其中,M为大于1的自然数。
S324:建立每个特征中心的索引号。
可以理解地,步骤S321-S324是为每个特征中心建立索引号的具体步骤,通过利用历史图像的尺度不变特征变换特征点,采用聚类算法进行聚类,得到M个特征中心,再采用哈希表的形式对每个特征中心建立索引号,其中,聚类算法不限于k-means,DBSCAN等聚类算法。可以理解地,特征中心的维数是较高的,如一般特征中心的维度是128维,此时通过建立索引号可以对实现降维,仅用一个索引号便代表一个特征中心所有维数的特征,在确保图像检索的精确度上,能够显著提高图像检索的效率。
进一步地,在步骤S30之前,即在遍历待检索图像的尺度不变特征变换特征点的步骤之前,还包括:
S331:采用哈希表的形式,基于每个特征中心的索引号建立哈希倒排索引表的词典。
其中,哈希表是根据关键码值而直接进行访问的数据结构。词典记录了特征中心的索引号和每个索引号对应的倒排链指针,其中,倒排链指针指向与索引号对应的历史图像。
在一实施例中,哈希表的关键码即特征中心的索引号,关键值即索引号对应的倒排链指针。采用哈希表的形式(数据结构),建立哈希倒排索引表的词典。通过哈希表的形式可以支持对数据(关键值)直接进行访问,只要关键码准确,那么可以直接根据关键码快速查找得到相应的数据,在本实施例场景下具体指根据特征中心的索引号查找到对应的倒排链指针,再通过倒排链指针查找与索引号所对应的历史图像。采用哈希表的形式可以提高图像检索的效率。
S332:基于历史图像构建倒排链。
可以理解地,倒排链指针指向与索引号对应的历史图像,那么历史图像所连成的链为倒排链。
在一实施例中,倒排链由历史图像构建得到。
S333:根据词典和倒排链得到哈希倒排索引表。
步骤S331-S333描述了创建哈希倒排索引表的过程,其中,倒排索引主要由词典和倒排链两个部分组成。词典记录了需要被检索的所有词条项和对应倒排链指针。对于一个查询词条项(在本实施例中为特征中心的索引词),查找其是否出现在词典中,如果找到就可以直接获取到倒排链指针,从而可根据该倒排链指针在倒排链上直接获取到相应的历史图像。
哈希倒排索引表的结构示意图如下:
ImgID-1 | ImgID-2 | ………… | ImgID-J | |
特征中心-1 | 0 | 1 | 1 | 0 |
特征中心-2 | 1 | 0 | 1 | 0 |
………… | …… | …… | …… | …… |
特征中心-K | 0 | 1 | 0 | 1 |
其中,图像样本(ImgID)总数以J计,可用来表示图像特征中心的索引数目为K。表中0表示不包含对应特征中心,1表示包含对应特征中心。
S40:采用目标特征中心的索引号替代遍历时每个距离特征中心最近的尺度不变特征变换特征点。
在一实施例中,特征中心包括相应的索引号,因此,目标特征中心也有相应的索引号。采用目标特征中心的索引号对遍历时每个距离目标特征中心最近的尺度不变特征变换特征点进行替代,可以将原本维数较高的目标特征中心(如128维)降至维数只有1的索引号,能够明显提高图像检索的效率。
S50:根据目标特征中心的索引号在哈希倒排索引表中查找得到目标历史图像。
可以理解地,根据目标特征中心的索引号能够在哈希倒排索引表中多个历史图像中查找得到目标历史图像。
进一步地,在步骤S50中,根据目标特征中心的索引号在哈希倒排索引表中查找得到目标历史图像,具体包括:
S51:在哈希倒排索引表中获取与目标特征中心的索引号相对应的倒排链,作为目标倒排链。
在一实施例中,根据目标特征中心的索引号先得到相对应的倒排链指针,再由倒排链指针得到目标倒排链,该目标倒排链上的历史图像是与索引号相关的,也即是说,该目标倒排链上的历史图像与待检索图像存在相同的特征。
S52:获取目标倒排链上的历史图像。
在一实施例中,通过获取目标倒排链可以快速获取与待检索图像存在相同的特征的历史图像。
S53:基于待检索图像与目标倒排链上的历史图像进行杰卡德相似度比较,得到第二杰卡德相似系数。
可以理解地,目标倒排链上的历史图像也还有不少,其中有与待检索图像相似度较高的历史图像,也有与待检索图像相似度较低的历史图像。具体地,本实施例通过待检索图像与目标倒排链上的历史图像进行杰卡德相似度比较,得到第二杰卡德相似系数,以根据第二杰卡德相似系数确定与待检索图像相似度较高的历史图像。特别地,可以直接将待检索图像与目标倒排链上的历史图像进行杰卡德相似度比较,因为此时的图像数量相比原先海量的历史图像已经少了很多,可以直接将图像进行比对,此外,也可以采用待检索图像的目标中心特征和目标倒排链上的历史图像的中心特征进行比对,由于哈希倒排索引表没有保存历史图像的中心特征,这里需要先计算目标倒排链上的历史图像的中心特征再进行杰卡德相似度比较。
S54:将第二杰卡德相似系数大于预设阈值的历史图像作为目标历史图像。
在一实施例中,采用杰卡德相似度比较(本实施例中具体为第二杰卡德相似系数)可以较好地确定倒排链上的历史图像与待检索图像的相似程度,得到的目标历史图像可以是多个的。
本发明实施例的技术方案具有以下有益效果:
本发明实施例中,首先根据获取的待检索图像提取待检索图像的尺度不变特征变换特征点,该尺度不变特征变换特征点能够采用较少的信息便表征待检索图像,可以在保证检索精确度的前提下提高图像检索效率;接着遍历待检索图像的尺度不变特征变换特征点,计算得到在遍历时与每个尺度不变特征变换特征点距离最近的特征中心,得到目标特征中心,采用目标特征中心能够把不同待检索图像的尺度不变特征变换特征点采用代表图像不同类别的目标特征中心进行表示,为后续进行待检索图像和历史图像的杰卡德相似度比较,根据目标特征中心快速检索出目标历史图像提供实现的技术前提;然后采用目标特征中心的索引号替代遍历时每个距离特征中心最近的尺度不变特征变换特征点,能够将高维的目标特征中心进行降维,提高图像检索的效率;最后根据目标特征中心的索引号在哈希倒排索引表中查找得到目标历史图像,可以利用哈希倒排索引表的结构以索引号为查找要素找到相对应的历史图像,从而在该符合索引号查找要素的历史图像中找到目标历史图像。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
基于实施例中所提供的图像检索方法,本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
图2示出与实施例中图像检索方法一一对应的图像检索装置的原理框图。如图2所示,该图像检索装置包括待检索图像获取模块10、待检索图像特征点提取模块20、目标特征中心获取模块30、替代模块40和目标历史图像获取模块50。其中,待检索图像获取模块10、待检索图像特征点提取模块20、目标特征中心获取模块30、替代模块40和目标历史图像获取模块50的实现功能与实施例中图像检索方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
待检索图像获取模块10,用于获取待检索图像。
待检索图像特征点提取模块20,用于提取待检索图像的尺度不变特征变换特征点。
目标特征中心获取模块30,用于遍历待检索图像的尺度不变特征变换特征点,计算得到目标特征中心,其中,目标特征中心是遍历时与每个尺度不变特征变换特征点距离最近的特征中心,特征中心由历史图像提取的尺度不变特征变换特征点计算得到,每个特征中心包括相应的索引号,历史图像和特征中心的索引号以哈希倒排索引表的形式存储。
替代模块40,用于采用目标特征中心的索引号替代遍历时每个距离特征中心最近的尺度不变特征变换特征点。
目标历史图像获取模块50,用于根据目标特征中心的索引号在哈希倒排索引表中查找得到目标历史图像。
可选地,图像检索装置还包括历史图像获取单元、历史图像特征点提取单元、历史图像特征中心获取单元和索引号建立单元。
历史图像获取单元,用于获取历史图像。
历史图像特征点提取单元,用于提取历史图像的尺度不变特征变换特征点。
历史图像特征中心获取单元,用于采用聚类算法对历史图像的尺度不变特征变换特征点进行聚类,得到M个特征中心,其中,M为大于1的自然数。
索引号建立单元,用于建立每个特征中心的索引号。
可选地,目标特征中心获取模块包括第一计算单元和目标特征中心获取单元。
第一计算单元,用于计算得到在遍历时每个尺度不变特征变换特征点与每个特征中心的第一杰卡德相似系数;
目标特征中心获取单元,用于将第一杰卡德相似系数最高的特征中心作为距离遍历计算时的尺度不变特征变换特征点最近的特征中心,得到目标中心特征。
可选地,图像检索装置还包括词典建立单元、倒排链构建单元和哈希倒排索引表获取单元。
词典建立单元,用于采用哈希表的形式,基于每个特征中心的索引号建立哈希倒排索引表的词典。
倒排链构建单元,用于基于历史图像构建倒排链。
哈希倒排索引表获取单元,用于根据词典和倒排链得到哈希倒排索引表。
可选地,目标历史图像获取模块包括目标倒排链获取单元、目标倒排链上历史图像获取单元、第二计算单元和目标历史图像获取单元。
目标倒排链获取单元,用于在哈希倒排索引表中获取与目标特征中心的索引号相对应的倒排链,作为目标倒排链。
目标倒排链上历史图像获取单元,用于获取目标倒排链上的历史图像。
第二计算单元,用于基于待检索图像与目标倒排链上的历史图像进行杰卡德相似度比较,得到第二杰卡德相似系数。
目标历史图像获取单元,用于将第二杰卡德相似系数大于预设阈值的历史图像作为目标历史图像。
本发明实施例的技术方案具有以下有益效果:
本发明实施例中,首先根据获取的待检索图像提取待检索图像的尺度不变特征变换特征点,该尺度不变特征变换特征点能够采用较少的信息便表征待检索图像,可以在保证检索精确度的前提下提高图像检索效率;接着遍历待检索图像的尺度不变特征变换特征点,计算得到在遍历时与每个尺度不变特征变换特征点距离最近的特征中心,得到目标特征中心,采用目标特征中心能够把不同待检索图像的尺度不变特征变换特征点采用代表图像不同类别的目标特征中心进行表示,为后续进行待检索图像和历史图像的杰卡德相似度比较,根据目标特征中心快速检索出目标历史图像提供实现的技术前提;然后采用目标特征中心的索引号替代遍历时每个距离特征中心最近的尺度不变特征变换特征点,能够将高维的目标特征中心进行降维,提高图像检索的效率;最后根据目标特征中心的索引号在哈希倒排索引表中查找得到目标历史图像,可以利用哈希倒排索引表的结构以索引号为查找要素找到相对应的历史图像,从而在该符合索引号查找要素的历史图像中找到目标历史图像。
本实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现实施例中图像检索方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器执行时实现实施例中图像检索装置中各模块/单元的功能,为避免重复,此处不一一赘述。
图3是本发明一实施例提供的计算机设备的示意图。如图3所示,该实施例的计算机设备60包括:处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63,该计算机程序63被处理器61执行时实现实施例中的图像检索方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器61执行时实现实施例中图像检索装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备60可包括,但不仅限于,处理器61、存储器62。本领域技术人员可以理解,图3仅仅是计算机设备60的示例,并不构成对计算机设备60的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备60还可以包括输入输出设备、网络接入设备、总线等。
所称处理器61可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器62可以是计算机设备60的内部存储单元,例如计算机设备60的硬盘或内存。存储器62也可以是计算机设备60的外部存储设备,例如计算机设备60上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器62还可以既包括计算机设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像检索方法,其特征在于,所述方法包括:
获取待检索图像;
提取所述待检索图像的尺度不变特征变换特征点;
遍历所述待检索图像的尺度不变特征变换特征点,计算得到目标特征中心,其中,所述目标特征中心是遍历时与每个所述尺度不变特征变换特征点距离最近的特征中心,所述特征中心由历史图像提取的尺度不变特征变换特征点计算得到,每个所述特征中心包括相应的索引号,所述历史图像和所述特征中心的索引号以哈希倒排索引表的形式存储;
采用所述目标特征中心的索引号替代遍历时每个距离所述特征中心最近的尺度不变特征变换特征点;
根据所述目标特征中心的索引号在所述哈希倒排索引表中查找得到目标历史图像。
2.根据权利要求1所述的方法,其特征在于,在所述遍历所述待检索图像的尺度不变特征变换特征点的步骤之前,所述方法还包括:
获取历史图像;
提取所述历史图像的尺度不变特征变换特征点;
采用聚类算法对所述历史图像的尺度不变特征变换特征点进行聚类,得到M个所述特征中心,其中,所述M为大于1的自然数;
建立每个所述特征中心的索引号。
3.根据权利要求1所述的方法,其特征在于,所述计算得到目标特征中心,包括:
计算遍历时每个所述尺度不变特征变换特征点与每个所述特征中心的第一杰卡德相似系数;
将所述第一杰卡德相似系数最高的特征中心作为距离遍历计算时的尺度不变特征变换特征点最近的特征中心,得到所述目标特征中心。
4.根据权利要求1所述的方法,其特征在于,在所述遍历所述待检索图像的尺度不变特征变换特征点的步骤之前,所述方法还包括:
采用哈希表的形式,基于每个所述特征中心的索引号建立哈希倒排索引表的词典;
基于所述历史图像构建倒排链;
根据所述词典和所述倒排链得到所述哈希倒排索引表。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标特征中心的索引号在所述哈希倒排索引表中查找得到目标历史图像,包括:
在所述哈希倒排索引表中获取与所述目标特征中心的索引号相对应的倒排链,作为目标倒排链;
获取所述目标倒排链上的所述历史图像;
基于所述待检索图像与所述目标倒排链上的所述历史图像进行杰卡德相似度比较,得到第二杰卡德相似系数;
将所述第二杰卡德相似系数大于预设阈值的所述历史图像作为所述目标历史图像。
6.一种图像检索装置,其特征在于,所述装置包括:
待检索图像获取模块,用于获取待检索图像;
待检索图像特征点提取模块,用于提取所述待检索图像的尺度不变特征变换特征点;
目标特征中心获取模块,用于遍历所述待检索图像的尺度不变特征变换特征点,计算得到目标特征中心,其中,所述目标特征中心是遍历时与每个所述尺度不变特征变换特征点距离最近的特征中心,所述特征中心由历史图像提取的尺度不变特征变换特征点计算得到,每个所述特征中心包括相应的索引号,所述历史图像和所述特征中心的索引号以哈希倒排索引表的形式存储;
替代模块,用于采用所述目标特征中心的索引号替代遍历时每个距离所述特征中心最近的尺度不变特征变换特征点;
目标历史图像获取模块,用于根据所述目标特征中心的索引号在所述哈希倒排索引表中查找得到目标历史图像。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
历史图像获取单元,用于获取历史图像;
历史图像特征点提取单元,用于提取所述历史图像的尺度不变特征变换特征点;
历史图像特征中心获取单元,用于采用聚类算法对所述历史图像的尺度不变特征变换特征点进行聚类,得到M个所述特征中心,其中,所述M为大于1的自然数;
索引号建立单元,用于建立每个所述特征中心的索引号。
8.根据权利要求6所述的装置,其特征在于,所述目标特征中心获取模块,包括:
第一计算单元,用于计算得到在遍历时每个所述尺度不变特征变换特征点与每个所述特征中心的第一杰卡德相似系数;
目标特征中心获取单元,用于将所述第一杰卡德相似系数最高的特征中心作为距离遍历计算时的尺度不变特征变换特征点最近的特征中心,得到所述目标特征中心。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述图像检索方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至5任一项所述图像检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182765.4A CN110083731B (zh) | 2019-03-12 | 2019-03-12 | 图像检索方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182765.4A CN110083731B (zh) | 2019-03-12 | 2019-03-12 | 图像检索方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083731A true CN110083731A (zh) | 2019-08-02 |
CN110083731B CN110083731B (zh) | 2024-05-07 |
Family
ID=67412438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910182765.4A Active CN110083731B (zh) | 2019-03-12 | 2019-03-12 | 图像检索方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083731B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143597A (zh) * | 2019-12-13 | 2020-05-12 | 浙江大华技术股份有限公司 | 图像检索方法、终端及存储装置 |
CN111966846A (zh) * | 2020-06-28 | 2020-11-20 | 北京百度网讯科技有限公司 | 图像查询方法、装置、电子设备和存储介质 |
CN113178248A (zh) * | 2021-04-28 | 2021-07-27 | 联仁健康医疗大数据科技股份有限公司 | 医学图像数据库建立方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177764A1 (en) * | 2005-03-01 | 2008-07-24 | Osaka Prefecture University Public Corporation | Document and/or Image Retrieval Method, Program Therefor, Document and/or Image Storage Apparatus, and Retrieval Apparatus |
CN102254015A (zh) * | 2011-07-21 | 2011-11-23 | 上海交通大学 | 基于视觉词组的图像检索方法 |
CN102902826A (zh) * | 2012-11-08 | 2013-01-30 | 公安部第三研究所 | 一种基于基准图像索引的图像快速检索方法 |
JP2015056077A (ja) * | 2013-09-12 | 2015-03-23 | Kddi株式会社 | 画像に基づくバイナリ特徴ベクトルを用いた画像検索装置、システム、プログラム及び方法 |
CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
CN106372111A (zh) * | 2016-08-22 | 2017-02-01 | 中国科学院计算技术研究所 | 局部特征点筛选方法及系统 |
JP6121030B1 (ja) * | 2016-05-17 | 2017-04-26 | 株式会社ドワンゴ | 画像検索装置、画像検索方法、画像検索プログラム、索引データ生成装置、索引データ生成方法および索引データ生成プログラム |
CN108959567A (zh) * | 2018-07-04 | 2018-12-07 | 武汉大学 | 一种云环境下适用于大规模图像的安全检索方法 |
-
2019
- 2019-03-12 CN CN201910182765.4A patent/CN110083731B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177764A1 (en) * | 2005-03-01 | 2008-07-24 | Osaka Prefecture University Public Corporation | Document and/or Image Retrieval Method, Program Therefor, Document and/or Image Storage Apparatus, and Retrieval Apparatus |
CN102254015A (zh) * | 2011-07-21 | 2011-11-23 | 上海交通大学 | 基于视觉词组的图像检索方法 |
CN102902826A (zh) * | 2012-11-08 | 2013-01-30 | 公安部第三研究所 | 一种基于基准图像索引的图像快速检索方法 |
JP2015056077A (ja) * | 2013-09-12 | 2015-03-23 | Kddi株式会社 | 画像に基づくバイナリ特徴ベクトルを用いた画像検索装置、システム、プログラム及び方法 |
CN105469096A (zh) * | 2015-11-18 | 2016-04-06 | 南京大学 | 一种基于哈希二值编码的特征袋图像检索方法 |
JP6121030B1 (ja) * | 2016-05-17 | 2017-04-26 | 株式会社ドワンゴ | 画像検索装置、画像検索方法、画像検索プログラム、索引データ生成装置、索引データ生成方法および索引データ生成プログラム |
CN106372111A (zh) * | 2016-08-22 | 2017-02-01 | 中国科学院计算技术研究所 | 局部特征点筛选方法及系统 |
CN108959567A (zh) * | 2018-07-04 | 2018-12-07 | 武汉大学 | 一种云环境下适用于大规模图像的安全检索方法 |
Non-Patent Citations (1)
Title |
---|
王立;陈军峰;: "Hadoop分布式的海量图像检索", 现代电子技术, no. 09, 3 May 2018 (2018-05-03), pages 70 - 75 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143597A (zh) * | 2019-12-13 | 2020-05-12 | 浙江大华技术股份有限公司 | 图像检索方法、终端及存储装置 |
CN111143597B (zh) * | 2019-12-13 | 2023-06-20 | 浙江大华技术股份有限公司 | 图像检索方法、终端及存储装置 |
CN111966846A (zh) * | 2020-06-28 | 2020-11-20 | 北京百度网讯科技有限公司 | 图像查询方法、装置、电子设备和存储介质 |
CN113178248A (zh) * | 2021-04-28 | 2021-07-27 | 联仁健康医疗大数据科技股份有限公司 | 医学图像数据库建立方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110083731B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chum | Large-scale discovery of spatially related images | |
US9330341B2 (en) | Image index generation based on similarities of image features | |
WO2019080411A1 (zh) | 电子装置、人脸图像聚类搜索方法和计算机可读存储介质 | |
US20120221562A1 (en) | Search Method and System | |
CN110390044B (zh) | 一种相似网络页面的搜索方法及设备 | |
CN104834693A (zh) | 基于深度搜索的视觉图像检索方法及系统 | |
CN110083731A (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
Jian et al. | Content-based image retrieval via a hierarchical-local-feature extraction scheme | |
WO2021047373A1 (zh) | 基于大数据的列数据处理方法、设备及介质 | |
CN110751027A (zh) | 一种基于深度多示例学习的行人重识别方法 | |
Pengcheng et al. | Fast Chinese calligraphic character recognition with large-scale data | |
CN110209895B (zh) | 向量检索方法、装置和设备 | |
EP3644195A1 (en) | System for storing and querying document collections | |
JP2014102772A (ja) | 特徴ベクトルの集合で表されるコンテンツ間の類似度を算出するプログラム、装置及び方法 | |
CN115661472A (zh) | 图像查重方法、装置、计算机设备及存储介质 | |
WO2017143979A1 (zh) | 图像的检索方法及装置 | |
Zhang et al. | Robust sketch-based image retrieval by saliency detection | |
Huang et al. | Image retrieval based on ASIFT features in a Hadoop clustered system | |
Wang et al. | RODA: A fast outlier detection algorithm supporting multi-queries | |
Zhang et al. | Efficient metric all-k-nearest-neighbor search on datasets without any index | |
Zhang et al. | Spark-SIFT: a spark-based large-scale image feature extract system | |
CN115587140B (zh) | 基于大数据的电子工程项目数据可视化管理方法及装置 | |
CN109739839A (zh) | 数据空值处理方法、装置及终端设备 | |
Qian et al. | Manifold ranking for Sketch-based 3D model retrieval | |
CN116702024B (zh) | 流水数据类型识别方法、装置、计算机设备和存储介质 |
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 |