CN110188217A - 图像查重方法、装置、设备和计算机可读储存介质 - Google Patents

图像查重方法、装置、设备和计算机可读储存介质 Download PDF

Info

Publication number
CN110188217A
CN110188217A CN201910457984.9A CN201910457984A CN110188217A CN 110188217 A CN110188217 A CN 110188217A CN 201910457984 A CN201910457984 A CN 201910457984A CN 110188217 A CN110188217 A CN 110188217A
Authority
CN
China
Prior art keywords
image
checked
library
sift
features
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.)
Pending
Application number
CN201910457984.9A
Other languages
English (en)
Inventor
刘向阳
刘童
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910457984.9A priority Critical patent/CN110188217A/zh
Publication of CN110188217A publication Critical patent/CN110188217A/zh
Priority to US17/056,900 priority patent/US11886492B2/en
Priority to PCT/CN2020/086666 priority patent/WO2020238515A1/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • 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
    • G06F16/55—Clustering; Classification
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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]
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Library & Information Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了一种图像查重方法、装置、设备和计算机可读存储介质。该方法包括：获取待查图像的特征；根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的尺度不变特征变换SIFT特征相似度和颜色模型HSV特征相似度；将所述待查图像分别与所述图像库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到所述待查图像和所述图像库中的每个图像各自的融合相似度；根据所述待查图像和所述图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。该方法通过将图像库中各图像与待查图像之间的SIFT特征相似度和HSV特征相似度进行融合的方式，提高图像查重的准确率和效率。

Description

图像查重方法、装置、设备和计算机可读储存介质
技术领域
本申请涉及计算机视觉技术领域，具体而言，本申请涉及一种图像查重方法、装置、设备和计算机可读存储介质。
背景技术
对供画屏显示的画作原图的图像进行存储，是画屏业务的一个重要方面。随着画屏业务的扩展，有两种情况会造成画作原图的图像库存储空间的浪费：1、图像库的维护人员将重复画作原图的图像入库；2、画屏用户上传重复画作原图的图像或大体重复的画作原图的图像。由于重复或大体重复的画作原图的图像所占存储空间较大，造成大量存储空间浪费。
目前，存在一种图像查重方法，利用图像的某些特征对重复或大体重复的画作原图的图像进行搜索筛选。
但是，本申请的发明人发现，现有的图像查重方法容易将重复或大体重复的画作原图的图像过滤掉，搜索不到重复或大体重复的画作原图的图像，将导致图像查重准确率低。
发明内容
本申请针对现有方式的缺点，提出一种图像查重方法、装置、设备和计算机可读存储介质，用以解决现有技术存在的图像查重准确率低，从而导致图像存储资源浪费的技术问题。
第一方面，本申请提供了一种图像查重方法，包括：
获取待查图像的特征；
根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的尺度不变特征变换SIFT特征相似度和颜色模型HSV特征相似度；
将待查图像分别与库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到待查图像和图像库中的每个图像各自的融合相似度；
根据待查图像和图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。
第二方面，本申请提供了一种图像查重装置，包括：
第一处理模块，用于获取待查图像的特征；
第二处理模块，用于根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的SIFT特征相似度和HSV特征相似度；
第三处理模块，用于将待查图像分别与库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到待查图像和图像库中的每个图像各自的融合相似度；
第四处理模块，用于根据待查图像和图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。
第三方面，本申请提供了一种电子设备，包括：处理器、存储器和总线；
总线，用于连接处理器和存储器；
存储器，用于存储操作指令；
处理器，用于通过调用操作指令，执行本申请第一方面的图像查重方法。
第四方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被用于执行本申请第一方面的图像查重方法。
本申请实施例提供的技术方案，至少具有如下有益效果：
1)获取待查图像的特征；根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的尺度不变特征变换SIFT特征相似度和颜色模型HSV特征相似度；将待查图像分别与库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到待查图像和图像库中的每个图像各自的融合相似度；根据待查图像和图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。如此，通过将图像库中各图像与待查图像之间的SIFT特征相似度和HSV特征相似度进行融合的方式，提高图像查重的准确率和效率，有利于更加准确和快速地查找出重复或者大体重复的图像进行删除，能够节省图像存储空间，减少图像存储资源的浪费。
2)提高了纹理简单图像的查重准确率，从而减少了图像存储资源的浪费。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的图像查重系统整体架构的示意图；
图2为本申请实施例提供的一种图像查重方法的流程示意图；
图3为本申请实施例提供的SIFT特征提取和SIFT特征相似度计算的示意图；
图4为本申请实施例提供的HSV特征提取和HSV特征相似度计算的示意图；
图5为本申请实施例提供的一种图像查重装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请，本申请实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
首先对本申请实施例的图像查重系统整体架构介绍如下：
如图1所示，首先对图像库(例如画作库)内所有图像(例如画作)提取特征并保存到特征库中；当输入待查图像后，对待查图像进行特征提取，计算待查图像的特征与特征库内各特征之间的特征相似度，并对各特征相似度进行排序，特征相似度最高的即为疑似重复图像(例如重复画作)，再由维护人员进行审核删除重复图像(例如重复画作)。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
本申请实施例中提供了一种图像查重方法，该方法的流程示意图如图2示，该方法包括：
S101，获取待查图像的特征。
可选地，对待查图像进行SIFT(Scale-invariant feature transform，尺度不变特征变换)特征的提取，得到待查图像的SIFT特征；将待查图像的色彩模式RGB(RedGreenBlue，红绿蓝)值转换为HSV值；对HSV(Hue Saturation Value，颜色模型)值进行整数化，根据整数化后的HSV值确定待查图像的HSV特征。
可选地，在获取待查图像的特征之前，还包括：根据预设样本库中的各图像的SIFT特征，进行分层聚类HIKM(hierarchical clustering K-means，基于层次方法的聚类中心初始化方法)聚类，得到多个HIKM类；根据各HIKM类，将图像库中各图像的SIFT特征进行HIKM分类，确定图像库中任一图像的Q个类，Q个类包含在各HIKM类中；根据Q个类，确定反向索引表，反向索引表包括Q个类，第F个类中包括F类的所述图像库中的图像的名称，F为不小于0且不大于S的整数，S＝Q-1，Q为正整数。
可选地，如图3所示，第一方面，对样本库的70000幅图像进行SIFT特征提取，得到60000000个SIFT点，即60000000个SIFT特征；将这60000000个SIFT特征进行分层聚类HIKM聚类，建立125000个类(HIKM类)。
可选地，如图3所示，第二方面，将图像库中的每幅图像进行SIFT特征提取，得到每幅图像的M个SIFT点，即M个SIFT特征，M为正整数，图像库中的所有图像为样本库中的一部分图像；根据第一方面建立的125000个类，将每幅图像的M个SIFT特征进行HIKM分类，确定每幅图像的分类，图像库中的所有图像的分类共有Q个类，Q个类在125000个类中；根据Q个类得到每幅图像的M维整型；根据M维整型，建立反向索引表。
例如，图像库中有15000幅图像，其中，第0幅图像(0.jpeg)进行SIFT特征提取，得到4个SIFT点，即4个SIFT特征,将第0幅图像的4个SIFT特征进行HIKM分类，确定4个类,第0幅图像的M维整型为0、1、2和3，其中，0、1、2和3分别对应编号为0、1、2和3的这4个类。第1幅图像(1.jpeg)的M维整型为0、2、3和124999。M维整型对应反向索引表中125000个类的编号，如此，建立反向索引表(特征库)。反向索引表包括125000个类，反向索引表中类的编号为0-124999之间的整数，每个类的编号对应多个图像库中的图像，例如，编号为0的类对应图像0.jpeg、1.jpeg、2.jpeg和5.jpeg，表示图像0.jpeg、1.jpeg、2.jpeg和5.jpeg都有SIFT特征归属于编号为0的类。建立反向索引表，提高了图像的查重检索速度，缩短了图像的查重检索时间。
可选地，如图3所示，第三方面，对Query图像提取SIFT特征，得到N个SIFT点，即N个SIFT特征。Query图像为待查图像。
S102，根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的尺度不变特征变换SIFT特征相似度和颜色模型HSV特征相似度。
可选地，根据待查图像的SIFT特征和反向索引表，确定待查图像和图像库中的每个图像各自的相同SIFT特征的数量；根据待查图像和图像库中的每个图像各自的相同SIFT特征的数量，确定待查图像和图像库中的每个图像各自的SIFT特征相似度。
可选地，根据待查图像的SIFT特征和反向索引表，确定待查图像和图像库中的每个图像各自的相同SIFT特征的数量，包括：将待查图像的SIFT特征对应的HIKM类与图像库中的每个图像的HIKM类进行比较，确定每个图像与待查图像之间的相同的SIFT特征。可选地，将待查图像的SIFT特征对应的HIKM类与图像库中的每个图像的HIKM类进行比较，确定出待查图像与图像库中每个图像之间相同的HIKM类；根据待查图像与图像库中每个图像之间相同的HIKM类，确定待查图像与图像库中每个图像之间的相同的SIFT特征的数据。
可选地，根据待查图像和图像库中的每个图像各自的相同SIFT特征的数量，确定待查图像和图像库中的每个图像各自的SIFT特征相似度，包括：根据下述公式(1)，确定待查图像和图像库中的每个图像各自的SIFT特征相似度：
公式(1)中，Psift表示待查图像和图像库中的每个图像各自的SIFT特征相似度，Nsame表示待查图像和图像库中的每个图像各自的相同SIFT特征的数量，Ncheck表示待查图像的SIFT特征的数量，Nn表示图像库中每个图像的SIFT特征的数量。
可选地，如图3所示，第三方面，对待查图像提取SIFT特征，得到N个SIFT点，即N个SIFT特征；将这N个SIFT特征进行HIKM分类，得到N维整型；根据N维整型，计算待查图像与图像库中各图像之间相同SIFT特征的数量；根据图像库中各图像与待查图像之间相同SIFT特征的数量，确定图像库中各图像的SIFT特征相似度。每一个SIFT特征经过HIKM分类后将得到0-124999之间的一个整数。
可选地，一个待查图像与图像库中15000个图像对应15000个相似度，则待查图像对应一个与反向索引表相互映射的15000维数组，15000维数组的每维值表示15000个图像中一个图像与待查图像相同的SIFT特征数量。
可选地，如图3所示，检索时，假设图像库(画作库)内有15000张图像，首先创建一个15000维数组用来保存每幅图像与待查图像相同SIFT特征点的数量，初始化为0。待查图像提取到900个特征点，那么分别去反向索引表的900个类中检索，每个类中的图像每出现一次，则15000维数组对应的位置加1。当900个类查询完毕后，15000维数组即保存了每张图像与待查图像相同特征点的个数Nsame。利用上述公式(1)计算SIFT特征相似度。
反向索引表提高了检索时间，例如实验表明图像库内15000幅图像的检索时间为0.6ms(毫秒)。
可选地，根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的HSV特征相似度，包括：确定图像库中各图像的HSV特征与待查图像的HSV特征之间的欧式距离；根据欧式距离，确定待查图像和图像库中的每个图像各自的HSV特征相似度。
可选地，如图4所示，第一方面，将图像库(例如画作库)中的每幅图像的RGB值转化为HSV值，根据HSV值确定HSV特征，建立HSV特征库。第二方面，将待查图像的RGB值转化为HSV值，根据HSV值确定HSV特征；根据待查图像的HSV特征和HSV特征库中各图像的HSV特征，进行相似度计算，得到图像库中各图像与待查图像之间的HSV特征相似度。
可选地，如图4所示，对于简单的纹理，图像(画作)中的颜色是最直接且重要的区分图像的特征，而颜色特征中的HSV模型是接近人眼感知的特征。RGB值转化为HSV值的计算公式如下所示：
其中，R、G、B分别是一个颜色的红、绿和蓝坐标值，坐标值为0到1之间的实数。
利用RGB得到HSV值后对HSV进行整数化，将H空间分为8份，S空间分为3份，V空间分为3份，其中：
每一个像素点的HSV特征值为G＝9H+3S+V,G∈[0,1,…71],共72个值。为72个取值计算每个值的像素点个数与总个数比值即为72维的HSV特征。HSV特征相似度采用归一化的欧式距离的计算公式如下所示：
Gn表示图像库中的第N个图像的HSV特征，Gcheck表示待查图像的HSV特征。
S103，将待查图像分别与图像库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到待查图像和图像库中的每个图像各自的融合相似度。
可选地，根据待查图像和图像库中的每个图像各自的SIFT特征相似度、与第一权重的乘积，以及待查图像和图像库中的每个图像各自的HSV特征相似度、与第二权重的乘积，确定待查图像和图像库中的每个图像各自的融合相似度；第一权重与第二权重之和为1。
可选地，第一权重是通过下述公式(6)确定的：
公式(6)中，α表示第一权重，Ncheck表示表示待查图像的SIFT特征的数量，M表示SIFT特征的第一阈值数量，L表示SIFT特征的第二阈值数量。
可选地，确定图像库中各图像与待查图像之间的SIFT特征相似度和HSV特征相似度后，对SIFT特征相似度和HSV特征相似度进行融合得到融合相似度，融合相似度的计算公式如下所示：
Pfinal＝αPsift+βPcolor 公式(7)
公式(7)中，α+β＝1，α和β分别是两种相似度在融合相似度中的第一权重和第二权重。
HSV特征主要解决在搜索过程中纹理简单的图像检索准确率低的问题，而纹理的复杂程度通过SIFT特征的数量表征，在图像库(画作库)中，经过统计，针对一幅640*360大小的图像(画作)，纹理复杂的图像提取特征点会大于600个，而纹理简单的图像的特征点的个数将小于400。针对纹理简单的图像，即Ncheck<400时，SIFT特征将失去意义，此时α＝0；针对纹理复杂的图像，即Ncheck>600时，仅通过SIFT特征即可以准确搜索到图像，即HSV特征将失去意义，此时α＝1。当400<Ncheck<600时，Ncheck越大，α越大。当M为400，L为600时，α的计算公式(6)具体如下公式(8)所示：
α使得Pfinal兼具高效与针对纹理简单的图像的检索具备高准确率，并能够在纹理复杂的图像和纹理简单的图像之间自适应地调整，使得Pfinal具有自适应性能，扩展了适用的范围和应用场景。
S104，根据待查图像和图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。
可选地，将待查图像与图像库中的每个图像各自的融合相似度降序排序，并与融合相似度阈值比较，确定图像库中存在与待查图像重复的图像。
应用本申请的实施例，至少可以实现如下有益效果：
1)获取待查图像的特征；根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的尺度不变特征变换SIFT特征相似度和颜色模型HSV特征相似度；将待查图像分别与库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到待查图像和图像库中的每个图像各自的融合相似度；根据待查图像和图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。如此，通过将图像库中各图像与待查图像之间的SIFT特征相似度和HSV特征相似度进行融合的方式，提高图像查重的准确率和效率，有利于更加准确和快速地查找出重复或者大体重复的图像进行删除，能够节省图像存储空间，减少图像存储资源的浪费。
2)提高了纹理简单图像的查重准确率，从而减少了图像存储资源的浪费。
3)建立反向索引表，提高了图像的查重检索速度，缩短了图像的查重检索时间。
实施例二
基于同一发明构思，本申请实施例还提供了一种图像查重装置，该图像查重装置的结构示意图如图5所示，图像查重装置50，包括第一处理模块501、第二处理模块502、第三处理模块503和第四处理模块504。
第一处理模块501，用于获取待查图像的特征；
第二处理模块502，用于根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的SIFT特征相似度和HSV特征相似度；
第三处理模块503，用于将待查图像分别与库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到待查图像和图像库中的每个图像各自的融合相似度；
第四处理模块504，用于根据待查图像和图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。
可选地，第一处理模块501，具体用于对待查图像进行SIFT特征的提取，得到待查图像的SIFT特征；将待查图像的色彩模式RGB值转换为HSV值；对HSV值进行整数化，根据整数化后的HSV值确定待查图像的HSV特征。
可选地，第一处理模块501，还具体用于根据预设样本库中的各图像的SIFT特征，进行分层聚类HIKM聚类，得到多个HIKM类；根据各HIKM类，将图像库中各图像的SIFT特征进行HIKM分类，确定图像库中任一图像的Q个类，Q个类包含在各HIKM类中；根据Q个类，确定反向索引表，反向索引表包括Q个类，第F个类中包括F类的所述图像库中的图像的名称，F为不小于0且不大于S的整数，S＝Q-1，Q为正整数。
可选地，第二处理模块502，具体用于根据待查图像的SIFT特征和反向索引表，确定待查图像和图像库中的每个图像各自的相同SIFT特征的数量；根据待查图像和图像库中的每个图像各自的相同SIFT特征的数量，确定待查图像和图像库中的每个图像各自的SIFT特征相似度。
可选地，第二处理模块502，具体用于将待查图像的SIFT特征对应的HIKM类与图像库中的每个图像的HIKM类进行比较，确定每个图像与待查图像之间的相同的SIFT特征。
可选地，第二处理模块502，具体用于根据下述公式，确定待查图像和所述图像库中的每个图像各自的SIFT特征相似度：
该公式中，Psift表示待查图像和图像库中的每个图像各自的SIFT特征相似度，Nsame表示待查图像和图像库中的每个图像各自的相同SIFT特征的数量，Ncheck表示待查图像的SIFT特征的数量，Nn表示图像库中每个图像的SIFT特征的数量。
可选地，第二处理模块502，具体用于确定图像库中各图像的HSV特征与待查图像的HSV特征之间的欧式距离；根据欧式距离，确定待查图像和图像库中的每个图像各自的HSV特征相似度。
可选地，第三处理模块503，具体用于根据待查图像和图像库中的每个图像各自的SIFT特征相似度与第一权重的乘积，以及待查图像和图像库中的每个图像各自的HSV特征相似度与第二权重的乘积，确定待查图像和图像库中的每个图像各自的融合相似度
可选地，第一权重是通过下述公式确定的：
该公式中，α表示第一权重，Ncheck表示表示待查图像的SIFT特征的数量，M表示SIFT特征的第一阈值数量，L表示SIFT特征的第二阈值数量。
可选地，第四处理模块504，具体用于将待查图像与图像库中的每个图像各自的融合相似度降序排序，并与融合相似度阈值比较，确定图像库中存在与待查图像重复的图像。
本申请实施例提供的图像查重装置中未详述的内容，可参照上述图像查重方法，本申请实施例提供的图像查重装置能够达到的有益效果与上述图像查重方法相同，在此不再赘述。
基于相同的发明构思，本申请实施例还提供了一种电子设备，该电子设备的结构示意图如图6所示，该电子设备1400包括至少一个处理器1401、存储器1402和总线1403，至少一个处理器1401均与存储器1402电连接；存储器1402被配置用于存储有至少一个计算机可执行指令，处理器1401被配置用于执行该至少一个计算机可执行指令，从而执行如本申请实施例一中任意一个实施例或任意一种可选实施方式提供的任意一种图像查重方法的步骤。
进一步，处理器1403可以是FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其它具有逻辑处理能力的器件，如MCU(Microcontroller Unit，微控制单元)、CPU(Central Process Unit，中央处理器)。
基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例一所提供的图像查重方法。
计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM、RAM、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
本实施例提供的计算机可读存储介质，与前面所述的各实施例具有相同的发明构思及相同的有益效果，在此不再赘述。
应用本申请实施例，至少具有如下有益效果：
1)获取待查图像的特征；根据待查图像的特征和图像库中各图像的特征，确定图像库中各图像与待查图像之间的尺度不变特征变换SIFT特征相似度和颜色模型HSV特征相似度；将待查图像分别与库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到待查图像和图像库中的每个图像各自的融合相似度；根据待查图像和图像库中的每个图像各自的融合相似度，确定图像库中是否存在与待查图像重复的图像。如此，通过将图像库中各图像与待查图像之间的SIFT特征相似度和HSV特征相似度进行融合的方式，提高图像查重的准确率和效率，有利于更加准确和快速地查找出重复或者大体重复的图像进行删除，能够节省图像存储空间，减少图像存储资源的浪费。
2)提高了纹理简单图像的查重准确率，从而减少了图像存储资源的浪费。
3)建立反向索引表，提高了图像的查重检索速度，缩短了图像的查重检索时间。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (13)

1.一种图像查重方法，其特征在于，包括：
获取待查图像的特征；
根据所述待查图像的特征和图像库中各图像的特征，确定所述图像库中各图像与所述待查图像之间的尺度不变特征变换SIFT特征相似度和颜色模型HSV特征相似度；
将所述待查图像分别与所述图像库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到所述待查图像和所述图像库中的每个图像各自的融合相似度；
根据所述待查图像和所述图像库中的每个图像各自的融合相似度，确定所述图像库中是否存在与所述待查图像重复的图像。
2.根据权利要求1所述的方法，其特征在于，所述获取待查图像的特征，包括：
对所述待查图像进行SIFT特征的提取，得到所述待查图像的SIFT特征；
将所述待查图像的色彩模式RGB值转换为HSV值；
对所述HSV值进行整数化，根据整数化后的HSV值确定所述待查图像的HSV特征。
3.根据权利要求1所述的方法，其特征在于，在所述获取待查图像的特征之前，还包括：
根据预设样本库中的各图像的SIFT特征，进行分层聚类HIKM聚类，得到多个HIKM类；
根据各所述HIKM类，将所述图像库中各图像的SIFT特征进行HIKM分类，确定所述图像库中任一图像的Q个类，所述Q个类包含在各HIKM类中；
根据所述Q个类，确定反向索引表，所述反向索引表包括Q个类，第F个类中包括F类的所述图像库中的图像的名称，F为不小于0且不大于S的整数，S＝Q-1，Q为正整数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述待查图像的特征和所述图像库中各图像的特征，确定所述图像库中各图像与所述待查图像之间的SIFT特征相似度，包括：
根据所述待查图像的SIFT特征和所述反向索引表，确定所述待查图像和所述图像库中的每个图像各自的相同SIFT特征的数量；
根据所述待查图像和所述图像库中的每个图像各自的相同SIFT特征的数量，确定所述待查图像和所述图像库中的每个图像各自的SIFT特征相似度。
5.根据权利要求4所述的方法，其特征在于，所述根据所述待查图像的SIFT特征和所述反向索引表，确定所述待查图像和所述图像库中的每个图像各自的相同SIFT特征的数量，包括：
将所述待查图像的SIFT特征对应的HIKM类与所述图像库中的每个图像的HIKM类进行比较，确定所述每个图像与所述待查图像之间的相同的SIFT特征。
6.根据权利要求4所述的方法，其特征在于，所述根据所述待查图像和所述图像库中的每个图像各自的相同SIFT特征的数量，确定所述待查图像和所述图像库中的每个图像各自的SIFT特征相似度，包括：
根据下述公式，确定所述待查图像和所述图像库中的每个图像各自的SIFT特征相似度：
其中，Psift表示所述待查图像和所述图像库中的每个图像各自的SIFT特征相似度，Nsame表示所述待查图像和所述图像库中的每个图像各自的相同SIFT特征的数量，Ncheck表示所述待查图像的SIFT特征的数量，Nn表示所述图像库中每个图像的SIFT特征的数量。
7.根据权利要求2所述的方法，其特征在于，所述根据所述待查图像的特征和图像库中各图像的特征，确定所述图像库中各图像与所述待查图像之间的HSV特征相似度，包括：
确定所述图像库中各图像的HSV特征与所述待查图像的HSV特征之间的欧式距离；
根据所述欧式距离，确定所述待查图像和所述图像库中的每个图像各自的HSV特征相似度。
8.根据权利要求1所述的方法，其特征在于，所述将所述待查图像分别与所述图像库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到所述待查图像和所述图像库中的每个图像各自的融合相似度，包括：
根据所述待查图像和所述图像库中的每个图像各自的SIFT特征相似度、与第一权重的乘积，以及所述待查图像和所述图像库中的每个图像各自的HSV特征相似度、与第二权重的乘积，确定所述待查图像和所述图像库中的每个图像各自的融合相似度；所述第一权重与所述第二权重之和为1。
9.根据权利要求8所述的方法，其特征在于，所述第一权重是通过下述公式确定的：
其中，α表示第一权重，Ncheck表示所述待查图像的SIFT特征的数量，M表示SIFT特征的第一阈值数量，L表示SIFT特征的第二阈值数量。
10.根据权利要求1-9任一所述的方法，其特征在于，所述根据所述待查图像和所述图像库中的每个图像各自的融合相似度，确定所述图像库中是否存在与所述待查图像重复的图像，包括：
将所述待查图像与所述图像库中的每个图像各自的融合相似度降序排序，并与融合相似度阈值比较，确定所述图像库中存在与所述待查图像重复的图像。
11.一种图像查重装置，其特征在于，包括：
第一处理模块，用于获取待查图像的特征；
第二处理模块，用于根据所述待查图像的特征和图像库中各图像的特征，确定所述图像库中各图像与所述待查图像之间的SIFT特征相似度和HSV特征相似度；
第三处理模块，用于将所述待查图像分别与所述图像库中的每个图像进行SIFT特征相似度和HSV特征相似度融合，得到所述待查图像和所述图像库中的每个图像各自的融合相似度；
第四处理模块，用于根据所述待查图像和所述图像库中的每个图像各自的融合相似度，确定所述图像库中是否存在与所述待查图像重复的图像。
12.一种电子设备，其特征在于，包括：处理器、存储器；
所述存储器，用于存储计算机程序；
所述处理器，用于通过调用所述计算机程序，执行上述权利要求1-10中任一项所述的图像查重方法。
13.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序用于被处理器执行时实现如权利要求1-10中任一项所述的图像查重方法。
CN201910457984.9A 2019-05-29 2019-05-29 图像查重方法、装置、设备和计算机可读储存介质 Pending CN110188217A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910457984.9A CN110188217A (zh) 2019-05-29 2019-05-29 图像查重方法、装置、设备和计算机可读储存介质
US17/056,900 US11886492B2 (en) 2019-05-29 2020-04-24 Method of matching image and apparatus thereof, device, medium and program product
PCT/CN2020/086666 WO2020238515A1 (zh) 2019-05-29 2020-04-24 图像匹配方法、装置、设备、介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910457984.9A CN110188217A (zh) 2019-05-29 2019-05-29 图像查重方法、装置、设备和计算机可读储存介质

Publications (1)

Publication Number Publication Date
CN110188217A true CN110188217A (zh) 2019-08-30

Family

ID=67718628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910457984.9A Pending CN110188217A (zh) 2019-05-29 2019-05-29 图像查重方法、装置、设备和计算机可读储存介质

Country Status (3)

Country Link
US (1) US11886492B2 (zh)
CN (1) CN110188217A (zh)
WO (1) WO2020238515A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930985A (zh) * 2020-07-08 2020-11-13 泰康保险集团股份有限公司 图像检索方法、装置、电子设备及可读存储介质
WO2020238515A1 (zh) * 2019-05-29 2020-12-03 京东方科技集团股份有限公司 图像匹配方法、装置、设备、介质和程序产品
CN112749131A (zh) * 2020-06-11 2021-05-04 腾讯科技（上海）有限公司 信息消重处理方法、装置及计算机可读存储介质
CN113220925A (zh) * 2021-04-26 2021-08-06 华南师范大学 一种细胞图像查重方法和系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902198A (zh) * 2019-03-11 2019-06-18 京东方科技集团股份有限公司 一种以图搜图的方法、装置及应用系统
CN113486942A (zh) * 2021-06-30 2021-10-08 武汉理工光科股份有限公司 一种重复火警判定方法、装置、电子设备及存储介质
CN114373089A (zh) * 2022-01-13 2022-04-19 上海汉时信息科技有限公司 货架商品自主聚类识别方法及装置
US11869260B1 (en) * 2022-10-06 2024-01-09 Kargo Technologies Corporation Extracting structured data from an image

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150330A (zh) * 2013-01-16 2013-06-12 中南大学 一种基于局部对象和块匹配的扫描证书图像检索方法
CN104008174A (zh) * 2014-06-04 2014-08-27 北京工业大学 一种海量图像检索的隐私保护索引生成方法
CN104504007A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像相似度的获取方法及系统
CN106933861A (zh) * 2015-12-30 2017-07-07 北京大唐高鸿数据网络技术有限公司 一种支持特征自定义的跨镜头目标检索方法
US9811757B2 (en) * 2009-05-19 2017-11-07 Digimarc Corporation Histogram methods and systems for object recognition
CN107392215A (zh) * 2017-08-02 2017-11-24 焦点科技股份有限公司 一种基于sift算法的重图检测方法
CN108460114A (zh) * 2018-02-09 2018-08-28 福州大学 一种基于层次注意力模型的图像检索方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060136402A1 (en) * 2004-12-22 2006-06-22 Tsu-Chang Lee Object-based information storage, search and mining system method
US7904455B2 (en) * 2005-11-03 2011-03-08 Fuji Xerox Co., Ltd. Cascading cluster collages: visualization of image search results on small displays
WO2014055874A1 (en) * 2012-10-05 2014-04-10 Raytheon BBN Technologies, Corp. Fast computation of kernel descriptors
CN108291876B (zh) * 2014-11-21 2022-03-15 盖伊·李·亨纳夫 用于检测产品的真实性的系统及方法
CN106649487B (zh) 2016-10-09 2020-02-18 苏州大学 基于兴趣目标的图像检索方法
CN110188217A (zh) * 2019-05-29 2019-08-30 京东方科技集团股份有限公司 图像查重方法、装置、设备和计算机可读储存介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9811757B2 (en) * 2009-05-19 2017-11-07 Digimarc Corporation Histogram methods and systems for object recognition
CN103150330A (zh) * 2013-01-16 2013-06-12 中南大学 一种基于局部对象和块匹配的扫描证书图像检索方法
CN104008174A (zh) * 2014-06-04 2014-08-27 北京工业大学 一种海量图像检索的隐私保护索引生成方法
CN104504007A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像相似度的获取方法及系统
CN106933861A (zh) * 2015-12-30 2017-07-07 北京大唐高鸿数据网络技术有限公司 一种支持特征自定义的跨镜头目标检索方法
CN107392215A (zh) * 2017-08-02 2017-11-24 焦点科技股份有限公司 一种基于sift算法的重图检测方法
CN108460114A (zh) * 2018-02-09 2018-08-28 福州大学 一种基于层次注意力模型的图像检索方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020238515A1 (zh) * 2019-05-29 2020-12-03 京东方科技集团股份有限公司 图像匹配方法、装置、设备、介质和程序产品
US11886492B2 (en) 2019-05-29 2024-01-30 Boe Technology Group Co., Ltd. Method of matching image and apparatus thereof, device, medium and program product
CN112749131A (zh) * 2020-06-11 2021-05-04 腾讯科技（上海）有限公司 信息消重处理方法、装置及计算机可读存储介质
CN111930985A (zh) * 2020-07-08 2020-11-13 泰康保险集团股份有限公司 图像检索方法、装置、电子设备及可读存储介质
CN113220925A (zh) * 2021-04-26 2021-08-06 华南师范大学 一种细胞图像查重方法和系统
CN113220925B (zh) * 2021-04-26 2022-04-12 华南师范大学 一种细胞图像查重方法和系统

Also Published As

Publication number Publication date
US20210174135A1 (en) 2021-06-10
US11886492B2 (en) 2024-01-30
WO2020238515A1 (zh) 2020-12-03

Similar Documents

Publication Publication Date Title
CN110188217A (zh) 图像查重方法、装置、设备和计算机可读储存介质
CN108492343B (zh) 一种扩充目标识别的训练数据的图像合成方法
CN105518668B (zh) 基于内容的图像检索
Eitz et al. An evaluation of descriptors for large-scale image retrieval from sketched feature lines
CN101551823B (zh) 一种综合多特征图像检索方法
US9600738B2 (en) Discriminative embedding of local color names for object retrieval and classification
Afifi et al. Image retrieval based on content using color feature
US20170024384A1 (en) System and method for analyzing and searching imagery
EP2615572A1 (en) Image segmentation based on approximation of segmentation similarity
Bui et al. Scalable sketch-based image retrieval using color gradient features
CN105069042A (zh) 基于内容的无人机侦察图像数据检索方法
US10866984B2 (en) Sketch-based image searching system using cell-orientation histograms and outline extraction based on medium-level features
CN105404657A (zh) 一种基于cedd特征和phog特征的图像检索方法
Ghahremani et al. Local features integration for content-based image retrieval based on color, texture, and shape
Bhardwaj et al. Palette power: Enabling visual search through colors
Pultar Improving the hardnet descriptor
US11869127B2 (en) Image manipulation method and apparatus
CN110796650A (zh) 图像质量的评估方法及装置、电子设备、存储介质
CN114387489A (zh) 电力设备识别方法、装置和终端设备
Tang et al. Person re-identification based on multi-scale global feature and weight-driven part feature
Li et al. An effective shape descriptor for the retrieval of natural image collections
Memon et al. A novel technique for region-based features similarity for content-based image retrieval
Nayak et al. IR-HF-WED: Image retrieval using hybrid feature extraction with weighted Euclidean distance
Mary et al. Content based image retrieval using colour, multi-dimensional texture and edge orientation
Solli Color Emotions in Large Scale Content Based Image Indexing

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