CN110781917A - 重复图像的检测方法、装置、电子设备及可读存储介质 - Google Patents
重复图像的检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110781917A CN110781917A CN201910883029.1A CN201910883029A CN110781917A CN 110781917 A CN110781917 A CN 110781917A CN 201910883029 A CN201910883029 A CN 201910883029A CN 110781917 A CN110781917 A CN 110781917A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- similarity
- preset threshold
- feature group
- 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
Images
Classifications
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种重复图像的检测方法、装置、电子设备及可读存储介质,旨在提高重复图像检测结果的准确性和检测速度。所述方法包括:对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征;根据所述第一图像的图像特征和所述第二图像的图像特征,确定所述第一图像和所述第二图像之间的全局相似度;在所述全局相似度处于重复图像疑似区间的情况下,根据所述第一图像和所述第二图像,获得多个特征组对;根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种重复图像的检测方法、装置、电子设备及可读存储介质。
背景技术
随着互联网技术的发展和智能终端设备的普及,通过图像传递和保存信息的方式在数据处理领域越来越发挥着重要作用。例如在电商领域,商家通过图像展示商品信息;在信息媒体领域,媒体通过图像传递新闻、广告等信息;在手机、相机、电脑等终端设备领域,使用者通过相册或图库中的图像记录各方面的信息。
图像的重复性检测是图像处理技术领域中的一种更细化的技术,通常在很多场景下需要对图像进行重复性检测,从而判断两张或多张图像是否为重复图像。例如,在某些应用场景中,在对图像进行去重处理时,在进行重复性检测后,需要将多张重复图像中的部分图像删除。在某些应用场景中,在对图像进行分类时,在进行重复性检测后,需要将多张重复图像归为同一类别。在某些应用场景中,在进行对象追踪时,通过重复性检测,从大量的可疑图像中确定与目标对象重复性较高的图像。
一般地,相关技术在对图像进行重复性检测时,针对完全重复、表征的信息完全相同的两张图像,可以比较准确地检测出其互为重复图像。而对于重复性较高、含有较多相同信息的两张图像,却难以输出稳定、准确的检测结果,因此目前的检测方法适用性不高。
发明内容
本申请实施例提供一种重复图像的检测方法、装置、电子设备及可读存储介质,旨在提高重复图像检测结果的准确性和检测速度。
本申请实施例第一方面提供一种重复图像的检测方法,所述检测方法包括:
对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征;
根据所述第一图像的图像特征和所述第二图像的图像特征,确定所述第一图像和所述第二图像之间的全局相似度;
在所述全局相似度处于重复图像疑似区间的情况下,根据所述第一图像和所述第二图像,获得多个特征组对;
根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像。
本申请实施例第二方面提供一种重复图像的检测装置,所述检测装置包括:
特征提取模块,用于对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征;
全局相似度确定模块,用于根据所述第一图像的图像特征和所述第二图像的图像特征,确定所述第一图像和所述第二图像之间的全局相似度;
特征组对获得模块,用于在所述全局相似度处于重复图像疑似区间的情况下,根据所述第一图像和所述第二图像,获得多个特征组对;
重复图像第一确定模块,用于根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像。
本申请实施例第三方面提供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,实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请第一方面所述的方法的步骤。
采用本申请实施例提供的重复图像的检测方法,通过对第一图像和第二图像进行特征提取,得到第一图像和第二图像各自的图像特征。然后根据第一图像和第二图像各自的图像特征,确定第一图像和第二图像之间的全局相似度。在所述全局相似度处于重复图像疑似区间的情况下,说明第一图像和第二图像之间重复性较高,第一图像和第二图像之间含有较多的相同信息。为此,根据第一图像和第二图像获得多个特征组对,根据多个特征组对的相似度,针对疑似重复的第一图像和第二图像进行检测判断,以确定第一图像和第二图像是否互为重复图像。
本申请在第一图像和第二图像之间的全局相似度处于重复图像疑似区间的情况下,将第一图像和第二图像的特征细化为多个特征组对,根据多个特征组对的相似度,进一步对第一图像和第二图像的重复性进行判断,从而提高了重复图像检测结果的准确性和检测速度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述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申请的一些实施例,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他的附图。
图1是本申请一实施例重复图像的检测方法的流程图;
图2是图1中步骤S13中获得多个特征组对的具体方式的流程示意图;
图3是本申请一实施例中目标特征分组示意图;
图4是本申请另一实施例中目标特征分组示意图;
图5是本申请一实施例中重复图像判断逻辑图;
图6是本申请一实施例重复图像的检测装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,均应属于本申请保护的范围。
图像的重复性检测是图像处理技术领域中的一种更细化的技术,通常在很多场景下需要对图像进行重复性检测,从而判断两张或多张图像是否为重复图像。然而相关技术在对图像进行重复性检测时,针对完全重复、表征的信息完全相同的两张图像,可以比较准确地检测出其互为重复图像。而对于重复性较高、含有较多相同信息的两张图像,却难以输出稳定、准确的检测结果,因此目前的检测方法适用性不高。
为此,本申请实施例提出:针对待检测的第一图像和第二图像,确定两者的全局相似度。在两者的全局相似度处于重复图像疑似区间的情况下,将第一图像和第二图像的特征细化为多个特征组对,根据多个特征组对的相似度,进一步对第一图像和第二图像的重复性进行判断,从而提高了重复图像检测结果的准确性。
本申请实施例提出的方法可应用于多种场景,例如在对图像进行去重处理时,在实施本申请实施例提出的方法后,将多张重复图像中的部分图像删除;在对图像进行分类时,在实施本申请实施例提出的方法后,将多张重复图像归为同一类别;在进行对象追踪时,通过在实施本申请实施例提出的方法,从大量的可疑图像中确定与目标对象重复性较高的图像。应当理解的,本申请对具体的应用场景不做限定。
本申请实施例提出的方法可应用于多种领域,例如电商领域、信息媒体领域、安防领域、智能终端领域等等。应当理解的,本申请对具体的应用领域不做限定。
参考图1,显示为本申请一实施例提出的重复图像的检测方法的流程图。如图1所示,该检测方法包括以下步骤:
步骤S11:对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征。
本实施例中,不同的应用场景对应不同的第一图像和第二图像。例如在对相册或图库中包括的多张图像进行去重处理或分类处理时,需要从相册或图库包括的多张图像中检测出多组重复图像。为此,需要使相册或图库中的任意两张图像均执行一次检测过程,这两张图像中的一张作为待检测的第一图像,另一张作为待检测的第二图像。
具体的实施方式可以是:依次针对多张图像中的每张图像,将该张图像作为待检测的第一图像,并在将该张图像作为待检测的第一图像的情况下,依次将其余图像中的每张图像作为待检测的第二图像。比如相册中包括50张图像,首先将第1张图像作为待检测的第一图像,并依次将第2张至第50张图像分别作为待检测的第二图像,各第二图像分别与第一图像进行一对一地组合,共进行49次检测。然后将第2张图像作为待检测的第一图像,并依次将第3张至第50张图像分别作为待检测的第二图像,各第二图像分别与第一图像进行一对一地组合,共进行48次检测。按照同样的方式,依次将第3张至第49张图像作为待检测的第一图像,与其余图像进行一对一组合检测。如此,总共进行∑49(即1+2+3…+49)次检测。
又例如在针对一张目标图像,需要从相册或图库中匹配出该目标图像的重复图像时,可以将该目标图像作为待检测的第一图像,并依次将相册或图库中的每张图像作为待检测的第二图像。各第二图像分别与第一图像进行一对一地组合,针对每个组合分别进行检测。
再例如针对给定的两张图像,需要判定其是否互为重复图像。如此,可以将其中的一张图像作为待检测的第一图像,将另一张图像作为待检测的第二图像。
在上述步骤S11中,为了提取第一图像和第二图像各自的图像特征,本申请实施例提出一种可行的提取方式,该提取方式包括以下步骤:
步骤S11-1:将所述第一图像的尺寸和所述第二图像的尺寸分别调整为与特征提取网络适配的输入图像尺寸。
步骤S11-2:将经过尺寸调整后的第一图像和第二图像,分别输入所述特征提取网络,得到第一图像的图像特征和第二图像的图像特征。
其中,为了将第一图像的尺寸和第二图像的尺寸分别调整为与特征提取网络适配的输入图像尺寸,可以分别针对第一图像和第二图像进行上采样或下采样处理,从而调整图像尺寸。
其中,所述特征提取网络为全卷积神经网络,其包括多个卷积层,在将经过尺寸调整后的第一图像输入该特征提取网络后,可以将该特征提取网络的某一卷积层的输出作为该第一图像的图像特征。优选地,将该特征提取网络的最后一层卷积层的输出作为该第一图像的图像特征。同样地,在将经过尺寸调整后的第二图像输入该特征提取网络后,可以将该特征提取网络的某一卷积层的输出作为该第二图像的图像特征。优选地,将该特征提取网络的最后一层卷积层的输出作为该第二图像的图像特征。
步骤S12:根据所述第一图像的图像特征和所述第二图像的图像特征,确定所述第一图像和所述第二图像之间的全局相似度。
本实施例中,第一图像和第二图像之间的全局相似度是指:将第一图像作为一个整体、以及将第二图像作为另一个整体后,这两个整体之间的相似度。
为了确定第一图像和第二图像之间的全局相似度,可以首先将第一图像的图像特征转换为向量,形如A=(a1,a2…an);并将第二图像的图像特征转换为向量,形如B=(b1,b2…bn)。然后根据以下公式计算向量A与向量B之间的余弦相似度cosθ:
其中,n表示向量的维数。本申请实施例利用余弦相似度cosθ表示第一图像和第二图像之间的全局相似度。余弦相似度cosθ越接近于1,向量A和向量B之间的夹角越小,说明第一图像和第二图像在整体上越相似。反之,余弦相似度cosθ越接近于0,向量A和向量B之间的夹角越大,说明第一图像和第二图像在整体上差异越大。
或者,为了确定第一图像和第二图像之间的全局相似度,还可以在将第一图像的图像特征和第二图像的图像特征分别转换为向量后,计算两个向量之间的欧氏距离(Euclidean Distance)或汉明距离(Hamming Distance),并以欧氏距离或汉明距离表示第一图像和第二图像之间的全局相似度。应当理解的,对于采用何种方式确定第一图像和第二图像之间的全局相似度,本申请不做限定。
步骤S13:在所述全局相似度处于重复图像疑似区间的情况下,根据所述第一图像和所述第二图像,获得多个特征组对。
本实施例中,如果第一图像和第二图像的全局相似度处于重复图像疑似区间,则说明第一图像和第二图像之间的重复性较高,第一图像和第二图像之间含有较多的相同信息。其中,重复图像疑似区间(x,y)可以是检测人员根据重复性检测的严格程度预先设定的。
以全局相似度由余弦相似度cosθ表示为例,如果对重复性检测的严格程度的要求较高,则可以将重复图像疑似区间(x,y)中的y值设定为一个较高的数值(例如0.95),将重复图像疑似区间(x,y)中的x值设定为一个较低的数值(例如0.50)。如此,在第一图像和第二图像的余弦相似度cosθ大于或等于0.95时,才可以直接被确定为重复图像,或者在第一图像和第二图像的余弦相似度cosθ小于或等于0.50时,才可以直接被确定为非重复图像。在第一图像和第二图像的余弦相似度cosθ处于(0.50,0.95)区间时,说明第一图像和第二图像互为疑似重复图像,因此需要执行后续的检测过程,如上述步骤S13及后述步骤S14等。
此外,如果对重复性检测的严格程度的要求较低,则可以将重复图像疑似区间(x,y)中的y值设定为一个不太高的数值(例如0.85),将重复图像疑似区间(x,y)中的x值设定为一个不太低的数值(例如0.60)。
在上述步骤S13中,本申请实施例提出一种获得多个特征组对的具体方式。参考图2,图2是本申请一实施例提出的获得多个特征组对的具体方式的流程示意图。如图2所示,该具体方式包括以下步骤:
步骤S13-1:从所述第一图像的图像特征中筛选第一目标特征,以及从所述第二图像的图像特征中筛选第二目标特征,其中,所述第一目标特征与期望图像特征的匹配度大于第三预设阈值,所述第二目标特征与所述期望图像特征的匹配度大于所述第三预设阈值。
在所述步骤S13-1中,期望图像特征通常是表征主要信息的图像特征。例如针对交通监控领域的图像,对应的期望图像特征通常为汽车的前脸特征和/或后脸特征。又例如针对食品外卖领域的图像,对应的期望图像特征通常为食材外型、食材纹理特征。再例如针对人物追踪领域的图像,对应的期望图像特征通常为人像特征。
通过执行步骤S13-1,从第一图像的图像特征中筛选出与期望图像特征匹配度较高的第一目标特征,以及从第二图像的图像特征中筛选出与期望图像特征匹配度较高的第二目标特征,可以将一些表征次要信息的图像特征滤除,而得到一些表征主要信息的目标特征。在后续步骤中,基于这些表征主要信息的目标特征对疑似重复的第一图像和第二图像做进一步检测,一方面有利于减小计算量,提高检测速度;另一方面有利于减少次要信息的干扰,提高重复图像的检出率。
在所述步骤S13-1中,以筛选第一目标特征为例,一种具体的筛选方式可以是:利用卷积核对所述第一图像进行卷积处理,得到所述第一图像的图像特征,所述卷积核用于提取所述期望图像特征;对所述图像特征进行逆向可视化处理,得到所述第一图像对应的响应图像;将所述响应图像上响应值大于所述第三预设阈值的响应值所对应图像特征,确定为所述第一目标特征。
上述筛选方式中,所述卷积核可以是上述步骤S11中,特征提取网络的卷积层中的卷积核。换言之,利用卷积核对第一图像进行卷积处理的步骤,可以是在上述步骤S11执行期间,随步骤S11一并完成的。将步骤S11中特征提取网络所输出的图像特征进行逆向可视化处理,得到所述响应图像。该响应图像中每个像素点携带一个响应值,该响应值是利用所述卷积核进行卷积处理后得到的。像素点携带的响应值越高,该像素点在原图上对应的图像特征与期望图像特征越匹配。如此,可将所述响应值作为原图上图像特征与期望图像特征的匹配度。因此如上所述,如果像素点的响应值大于预设的第三预设阈值,则将该像素点在原图上对应的图像特征筛选为一个第一目标特征。
步骤S13-2:根据所述第一目标特征在所述第一图像中的位置,对所述第一目标特征进行分组,得到多个第一特征组。
在所述步骤S13-2中,针对筛选出的至少一个第一目标特征,一种具体的分组方式可以是:为所述第一图像设置多个初始化第一特征区域;根据所述第一目标特征在所述第一图像中的位置与多个所述初始化第一特征区域之间的位置关系,得到所述多个第一特征组。
示例地,参考图3,图3是本申请一实施例提出的目标特征分组示意图。如图3所示,图3右侧的第一图像中预先设置了5个初始化第一特征区域301,5个初始化第一特征区域301分别位于第一图像的左上方、右上方、左下方、右下方以及中心位置处。为了区分5个初始化第一特征区域,图3中以不同的线型和/或粗细,示出初始化第一特征区域。
如图3所示,图3左侧的第一图像中包括多个筛选出的第一目标特征302。针对其中的每个第一目标特征,例如可以确定该第一目标特征处于图3右侧所示5个初始化第一特征区域中的哪个初始化第一特征区域中,然后将该第一目标特征分配给该初始化第一特征区域。如此,将第一图像中包括的多个第一目标特征分配给5个初始化第一特征区域,每个初始化第一特征区域所分配到的第一目标特征形成一个第一特征组。通常情况下,各初始化第一特征区域分配到的第一目标特征数量互不相同。
其中,第一目标特征可以通过向量的形式表征。如此,一个初始化第一特征区域所分配的所有第一目标特征可拼接为一个更大的向量,该拼接后的向量可用于表征该初始化第一特征区域内的主要信息。
考虑到某些第一目标特征可能同时处于两个初始化第一特征区域内,或者某些第一目标特征可能没有被任一个初始化第一特征区域完全包围。基于该考虑,在根据第一目标特征在第一图像中的位置与多个初始化第一特征区域之间的位置关系,得到多个第一特征组时,一种具体的实施方式可以是:针对所述第一图像,确定多个所述第一目标特征的最小包围框;根据所述最小包围框在所述第一图像中的位置的中心点,与每个所述初始化第一特征区域的中心点之间的中心点距离,对多个所述第一目标特征进行分组,得到所述多个第一特征组。
示例地,参考图4,图4是本申请另一实施例提出的目标特征分组示意图。图4左侧的第一图像中第一目标特征被标记了最小包围框401,如图4中虚线所示。针对每个最小包围框,确定该最小包围框的中心点402,并确定该中心点与每个初始化第一特征区域的中心点之间的中心点距离L,将该最小包围框中包围的第一目标特征分配给中心点距离最短的初始化第一特征区域。如此,将第一图像中包括的多个第一目标特征分配给5个初始化第一特征区域,每个初始化第一特征区域所分配到的第一目标特征形成一个第一特征组。为了简化附图4,图4中仅示出了一个第一目标特征的最小包围框。
步骤S13-3:根据所述第二目标特征在所述第二图像中的位置,对所述第二目标特征进行分组,得到多个第二特征组。
所述步骤S13-3与上述步骤S13-2之间不限定先后顺序,所述步骤S13-3可先于或晚于上述步骤S13-2执行,或者与上述步骤S13-2同时执行。对于所述步骤S13-3的具体执行方式,可参考上述针对步骤S13-2的说明,本申请在此不做赘述。
其中,针对第二图像设置的多个初始化第二特征区域,与针对第一图像设置的多个初始化第一特征区域一一对应。换言之,一个初始化第二特征区域对应一个初始化第一特征区域。且相对应的两者,其位置、形状及大小均相同。
通过执行上述步骤S13-2和所述步骤S13-3,将多个第一目标特征分配给多个初始化第一特征区域,以及将多个第二目标特征分配给多个初始化第二特征区域,可以弱化第一目标特征的位置在重复图像判断中的影响力,使得第一目标特征的原始位置被模糊为初始化第一特征区域的较宽泛的位置。同样地,可以弱化第二目标特征的位置在重复图像判断中的影响力,使得第二目标特征的原始位置被模糊为初始化第二特征区域的较宽泛的位置。如此,对于拍摄角度稍有不同、而拍摄对象相同的两张图像,可以准确地确定出两者互为重复图像。因此有利于提高重复图像的检出率。
步骤S13-4:根据所述多个第一特征组在所述第一图像上的位置及所述多个第二特征组在所述第二图像上的位置,得到多个特征组对。
所述步骤S13-4中,具体地,针对相互对应的初始化第一特征区域和初始化第二特征区域,将其各自的第一特征组和第二特征组作为一个特征组对。沿用图3或图4所示的示例,5个初始化第一特征区域和5个初始化第二特征区域总共组成5个特征组对。
至此,通过执行上述步骤S13-1至步骤S13-4,获得了第一图像和第二图像的多个特征组对。
步骤S14:根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像。
其中,多个特征组对中的每个特征组对是由两个特征组所组成的。特征组对的相似度是指:将第一图像中的局部区域作为一个部分、以及将第二图像中的局部区域作为另一个部分后,这两个部分之间的相似度。
本实施例中,在针对多个特征组对中的每个特征组对,确定其中第一特征组与第二特征组之间的相似度时,可以首先将第一特征组与第二特征组分别转换为向量,然后计算两个向量之间的余弦相似度cosθ,并将计算所得的余弦相似度cosθ作为第一特征组与第二特征组之间的相似度,即作为该特征组对的相似度。
或者,在针对多个特征组对中的每个特征组对,确定其中第一特征组与第二特征组之间的相似度时,可以首先将第一特征组与第二特征组分别转换为向量,然后计算两个向量之间的欧氏距离(Euclidean Distance)或汉明距离(Hamming Distance),并以欧氏距离或汉明距离作为第一特征组与第二特征组之间的相似度,即作为该特征组对的相似度。应当理解的,对于采用何种方式确定特征组对的相似度,本申请不做限定。
本实施例中,在根据多个特征组对的相似度,确定第一图像和第二图像是否互为重复图像时,一种具体的实施方式是:将所述多个特征组对中的每个特征组对的相似度与第四预设阈值进行比较;根据所述多个特征组对中相似度大于所述第四预设阈值的特征组对的总数量,确定所述第一图像和所述第二图像是否互为重复图像。
示例地,参考图5,图5是本申请一实施例提出的重复图像判断逻辑图。如图5所示,在全局相似度处于重复图像疑似区间的情况下,确定多个特征组对中相似度大于第四预设阈值T4的特征组对的总数量N。然后将该总数量N与第五预设阈值T5进行比较,在该总数量N小于第五预设阈值T5的情况下,确定第一图像和第二图像之间不是重复图像。
在某些实施例中,第五预设阈值T5通常设置为一个大于特征组对总对数的1/2的整数。沿用图3或图4所示的示例,特征组对总对数为5,第五预设阈值T5可设置为3。在所述总数量N小于3的情况下,确定第一图像和第二图像之间不是重复图像。
在另一些实施例中,第五预设阈值T5可以根据用户对检测准确度的要求设置。在对检测准确度要求较高时,可以将第五预设阈值T5设置为一个较大的整数,例如:第五预设阈值T5可设置为4。
如图5所示,在该总数量N大于或等于第五预设阈值T5的情况下,针对相似度大于所述第四预设阈值的特征组对,确定该特征组对的特征分布差异度,该特征组对的特征分布差异度为该特征组对中的第一特征组的第一目标特征分布,与该特征组对中的第二特征组的第二目标特征分布之间的差异度。示例地,可以利用该特征组对中的第一特征组和第二特征组之间的Wasserstein距离,表征该特征组对的特征分布差异度。如此,利用Wasserstein距离计算公式,确定第一特征组和第二特征组之间的Wasserstein距离,并将确定出的Wasserstein距离作为该特征组对的特征分布差异度。其中,Wasserstein距离又称为Earth-Mover距离(EM距离),用于衡量两个分布之间的距离。本申请中,Wasserstein距离用于衡量第一目标特征分布与第二目标特征分布之间的差异度。
如图5所示,最后根据所述特征分布差异度,确定所述第一图像和所述第二图像是否互为重复图像。具体地,在所述特征分布差异度小于第六预设阈值T6的情况下,确定所述第一图像和所述第二图像互为重复图像;在所述特征分布差异度大于或等于所述第六预设阈值T6的情况下,确定所述第一图像和所述第二图像互为不重复图像。
通过计算特征组对的特征分布差异度,并且在特征分布差异度小于第六预设阈值T6的情况下,确定第一图像和第二图像互为重复图像。针对疑似重复的第一图像和第二图像,以全局相似度和特征分布差异度为参数,在疑似重复的第一图像和第二图像之间的全局相似度较大,并且特征分布差异度较小的情况下,才被最终确定为重复图像,有利于降低重复图像的误检率。
沿用上述示例,假设5个特征组对中存在4个特征组对的相似度大于第四预设阈值T4,如此,所述总数量N大于第五预设阈值T5(第五预设阈值T5设置为3)。然后针对这4个特征组对,分别计算各特征组对的特征分布差异度,总共得到4个特征分布差异度。在4个特征分布差异度均小于第六预设阈值T6的情况下,确定第一图像和第二图像互为重复图像;否则确定第一图像和第二图像互为不重复图像。
通过执行上述包括步骤S11至步骤S14的重复图像的检测方法,在第一图像和第二图像之间的全局相似度处于重复图像疑似区间的情况下,将第一图像和第二图像的特征细化为多个特征组对,根据多个特征组对的相似度,进一步对第一图像和第二图像的重复性进行判断,从而提高了重复图像检测结果的准确性。
此外,为了进一步提高检测速度,如图5所示,可以在根据特征组对的相似度进行判断之前,换言之,在执行上述步骤S13和步骤S14之前,执行以下步骤:
在所述全局相似度大于或等于第一预设阈值T1的情况下,确定所述第一图像和所述第二图像互为重复图像;在所述全局相似度小于或等于第二预设阈值T2的情况下,确定所述第一图像和所述第二图像互为不重复图像;在所述全局相似度大于第二预设阈值T2且小于第一预设阈值T1的情况下,确定所述第一图像和所述第二图像之间的全局相似度处于所述重复图像疑似区间。
其中,在确定出第一图像和第二图像互为重复图像后,或者在确定出第一图像和第二图像互为不重复图像后,即可结束整个检测流程,进而可不必执行步骤S13和步骤S14,从而提高检测速度。
应当理解的,上述重复图像疑似区间可表示为(T2,T1)。如前所述,重复图像疑似区间可以是检测人员根据重复性检测的严格程度预先设定的。换言之,第一预设阈值T1和第二预设阈值T2均可以是检测人员根据重复性检测的严格程度预先设定的。
基于同一发明构思,本申请一实施例提供一种重复图像的检测装置。参考图6,图6是本申请一实施例提供的重复图像的检测装置的示意图。如图6所示,该检测装置包括:
特征提取模块61,用于对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征;
全局相似度确定模块62,用于根据所述第一图像的图像特征和所述第二图像的图像特征,确定所述第一图像和所述第二图像之间的全局相似度;
特征组对获得模块63,用于在所述全局相似度处于重复图像疑似区间的情况下,根据所述第一图像和所述第二图像,获得多个特征组对;
重复图像第一确定模块64,用于根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像。
可选地,所述特征提取模块包括:
尺寸调整子模块,用于将所述第一图像的尺寸和所述第二图像的尺寸分别调整为与特征提取网络适配的输入图像尺寸;
图像输入子模块,用于将经过尺寸调整后的第一图像和第二图像,分别输入所述特征提取网络,得到第一图像的图像特征和第二图像的图像特征。
可选地,所述装置还包括:
重复图像第二确定模块,用于在所述全局相似度大于或等于第一预设阈值的情况下,确定所述第一图像和所述第二图像互为重复图像;
重复图像第三确定模块,用于在所述全局相似度小于或等于第二预设阈值的情况下,确定所述第一图像和所述第二图像互为不重复图像;
疑似重复图像确定模块,用于在所述全局相似度大于第二预设阈值且小于第一预设阈值的情况下,确定所述第一图像和所述第二图像之间的全局相似度处于所述重复图像疑似区间。
可选地,所述特征组对获得模块包括:
目标特征筛选子模块,用于从所述第一图像的图像特征中筛选第一目标特征,以及从所述第二图像的图像特征中筛选第二目标特征,其中,所述第一目标特征与期望图像特征的匹配度大于第三预设阈值,所述第二目标特征与所述期望图像特征的匹配度大于所述第三预设阈值;
第一目标特征分组子模块,用于根据所述第一目标特征在所述第一图像中的位置,对所述第一目标特征进行分组,得到多个第一特征组;
第二目标特征分组子模块,用于根据所述第二目标特征在所述第二图像中的位置,对所述第二目标特征进行分组,得到多个第二特征组;
特征组队获得子模块,用于根据所述多个第一特征组在所述第一图像上的位置及所述多个第二特征组在所述第二图像上的位置,得到多个特征组对。
可选地,所述重复图像第一确定模块包括:
特征组对相似度比较子模块,用于将所述多个特征组对中的每个特征组对的相似度与第四预设阈值进行比较,其中,所述特征组对的相似度为该特征组对中的第一特征组与第二特征组之间的相似度;
重复图像第一确定子模块,用于根据所述多个特征组对中相似度大于所述第四预设阈值的特征组对的总数量,确定所述第一图像和所述第二图像是否互为重复图像。
可选地,所述重复图像第一确定子模块包括:
非重复图像确定单元,用于在所述总数量小于第五预设阈值的情况下,确定所述第一图像和所述第二图像之间不是重复图像;
特征分布差异度确定单元,用于在所述总数量大于等于所述第五预设阈值的情况下,针对所述相似度大于所述第四预设阈值的特征组对,确定该特征组对的特征分布差异度,该特征组对的特征分布差异度为该特征组对中的第一特征组的第一目标特征分布,与该特征组对中的第二特征组的第二目标特征分布之间的差异度;
重复图像确定单元,用于根据所述特征分布差异度,确定所述第一图像和所述第二图像是否互为重复图像。
可选地,所述重复图像确定单元包括:
重复图像确定子单元,用于在所述特征分布差异度小于第六预设阈值的情况下,确定所述第一图像和所述第二图像互为重复图像;
非重复图像确定子单元,用于在所述特征分布差异度大于或等于所述第六预设阈值的情况下,确定所述第一图像和所述第二图像互为不重复图像。
可选地,所述第一目标特征分组子模块包括:
初始化第一特征区域设置单元,用于为所述第一图像设置多个初始化第一特征区域;
第一特征组获得单元,用于根据所述第一目标特征在所述第一图像中的位置与多个所述初始化第一特征区域之间的位置关系,得到所述多个第一特征组。
可选地,所述第一特征组获得单元包括:
最小包围框确定子单元,用于针对所述第一图像,确定多个所述第一目标特征的最小包围框;
第一特征组获得子单元,用于根据所述最小包围框在所述第一图像中的位置的中心点,与每个所述初始化第一特征区域的中心点之间的中心点距离,对多个所述第一目标特征进行分组,得到所述多个第一特征组。
可选地,所述目标特征筛选子模块包括:
卷积处理单元,用于利用卷积核对所述第一图像进行卷积处理,得到所述第一图像的图像特征,所述卷积核用于提取所述期望图像特征;
逆向可视化模块,用于对所述图像特征进行逆向可视化处理,得到所述第一图像对应的响应图像;
第一目标特征确定单元,用于将所述响应图像上响应值大于所述第三预设阈值的响应值所对应图像特征,确定为所述第一目标特征。
基于同一发明构思,本申请另一实施例提供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,实现如本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
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。
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重复图像的检测方法、装置、电子设备及可读存储介质,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 (13)
1.一种重复图像的检测方法,其特征在于,所述方法包括:
对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征;
根据所述第一图像的图像特征和所述第二图像的图像特征,确定所述第一图像和所述第二图像之间的全局相似度;
在所述全局相似度处于重复图像疑似区间的情况下,根据所述第一图像和所述第二图像,获得多个特征组对;
根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像。
2.根据权利要求1所述的方法,其特征在于,对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征,包括:
将所述第一图像的尺寸和所述第二图像的尺寸分别调整为与特征提取网络适配的输入图像尺寸;
将经过尺寸调整后的第一图像和第二图像,分别输入所述特征提取网络,得到第一图像的图像特征和第二图像的图像特征。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述全局相似度大于或等于第一预设阈值的情况下,确定所述第一图像和所述第二图像互为重复图像;
在所述全局相似度小于或等于第二预设阈值的情况下,确定所述第一图像和所述第二图像互为不重复图像;
在所述全局相似度大于第二预设阈值且小于第一预设阈值的情况下,确定所述第一图像和所述第二图像之间的全局相似度处于所述重复图像疑似区间。
4.根据权利要求1所述的方法,其特征在于,根据所述第一图像和所述第二图像,获得多个特征组对,包括:
从所述第一图像的图像特征中筛选第一目标特征,以及从所述第二图像的图像特征中筛选第二目标特征,其中,所述第一目标特征与期望图像特征的匹配度大于第三预设阈值,所述第二目标特征与所述期望图像特征的匹配度大于所述第三预设阈值;
根据所述第一目标特征在所述第一图像中的位置,对所述第一目标特征进行分组,得到多个第一特征组;
根据所述第二目标特征在所述第二图像中的位置,对所述第二目标特征进行分组,得到多个第二特征组;
根据所述多个第一特征组在所述第一图像上的位置及所述多个第二特征组在所述第二图像上的位置,得到多个特征组对。
5.根据权利要求4所述的方法,其特征在于,根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像,包括:
将所述多个特征组对中的每个特征组对的相似度与第四预设阈值进行比较,其中,所述特征组对的相似度为该特征组对中的第一特征组与第二特征组之间的相似度;
根据所述多个特征组对中相似度大于所述第四预设阈值的特征组对的总数量,确定所述第一图像和所述第二图像是否互为重复图像。
6.根据权利要求5所述的方法,其特征在于,根据所述多个特征组对中相似度大于所述第四预设阈值的特征组对的总数量,确定所述第一图像和所述第二图像是否互为重复图像,包括:
在所述总数量小于第五预设阈值的情况下,确定所述第一图像和所述第二图像之间不是重复图像;
在所述总数量大于或等于所述第五预设阈值的情况下,针对所述相似度大于所述第四预设阈值的特征组对,确定该特征组对的特征分布差异度,该特征组对的特征分布差异度为该特征组对中的第一特征组的第一目标特征分布,与该特征组对中的第二特征组的第二目标特征分布之间的差异度;
根据所述特征分布差异度,确定所述第一图像和所述第二图像是否互为重复图像。
7.根据权利要求6所述的方法,其特征在于,根据所述特征分布差异度,确定所述第一图像和所述第二图像是否互为重复图像,包括:
在所述特征分布差异度小于第六预设阈值的情况下,确定所述第一图像和所述第二图像互为重复图像;
在所述特征分布差异度大于或等于所述第六预设阈值的情况下,确定所述第一图像和所述第二图像互为不重复图像。
8.根据权利要求4所述的方法,其特征在于,根据所述第一目标特征在所述第一图像中的位置,对所述第一目标特征进行分组,得到多个第一特征组,包括:
为所述第一图像设置多个初始化第一特征区域;
根据所述第一目标特征在所述第一图像中的位置与多个所述初始化第一特征区域之间的位置关系,得到所述多个第一特征组。
9.根据权利要求8所述的方法,其特征在于,根据所述第一目标特征在所述第一图像中的位置与多个所述初始化第一特征区域之间的位置关系,得到所述多个第一特征组,包括:
针对所述第一图像,确定多个所述第一目标特征的最小包围框;
根据所述最小包围框在所述第一图像中的位置的中心点,与每个所述初始化第一特征区域的中心点之间的中心点距离,对多个所述第一目标特征进行分组,得到所述多个第一特征组。
10.根据权利要求4所述的方法,其特征在于,从所述第一图像的图像特征中筛选第一目标特征,包括:
利用卷积核对所述第一图像进行卷积处理,得到所述第一图像的图像特征,所述卷积核用于提取所述期望图像特征;
对所述图像特征进行逆向可视化处理,得到所述第一图像对应的响应图像;
将所述响应图像上响应值大于所述第三预设阈值的响应值所对应图像特征,确定为所述第一目标特征。
11.一种重复图像的检测装置,其特征在于,所述装置包括:
特征提取模块,用于对待检测的第一图像和第二图像分别进行特征提取,得到第一图像的图像特征和第二图像的图像特征;
全局相似度确定模块,用于根据所述第一图像的图像特征和所述第二图像的图像特征,确定所述第一图像和所述第二图像之间的全局相似度;
特征组对获得模块,用于在所述全局相似度处于重复图像疑似区间的情况下,根据所述第一图像和所述第二图像,获得多个特征组对;
重复图像第一确定模块,用于根据所述多个特征组对的相似度,确定所述第一图像和所述第二图像是否互为重复图像。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1至10任一所述的方法中的步骤。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1至10任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883029.1A CN110781917B (zh) | 2019-09-18 | 2019-09-18 | 重复图像的检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910883029.1A CN110781917B (zh) | 2019-09-18 | 2019-09-18 | 重复图像的检测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781917A true CN110781917A (zh) | 2020-02-11 |
CN110781917B CN110781917B (zh) | 2021-03-02 |
Family
ID=69383529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910883029.1A Active CN110781917B (zh) | 2019-09-18 | 2019-09-18 | 重复图像的检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781917B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325265A (zh) * | 2020-02-17 | 2020-06-23 | 中国银联股份有限公司 | 一种针对篡改图像的检测方法及装置 |
CN111400533A (zh) * | 2020-03-02 | 2020-07-10 | 北京三快在线科技有限公司 | 图像筛选方法、装置、电子设备和存储介质 |
CN112131419A (zh) * | 2020-08-17 | 2020-12-25 | 浙江大华技术股份有限公司 | 图像档案的合并方法、装置、电子设备和存储介质 |
CN113362096A (zh) * | 2020-03-04 | 2021-09-07 | 驰众信息技术(上海)有限公司 | 一种基于深度学习的框架广告图像匹配方法 |
WO2023273665A1 (zh) * | 2021-06-30 | 2023-01-05 | 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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014088699A1 (en) * | 2012-12-07 | 2014-06-12 | Realnetworks, Inc. | Method and system to detect and select best photographs |
CN104462199A (zh) * | 2014-10-31 | 2015-03-25 | 中国科学院自动化研究所 | 一种网络环境下的近似重复图像搜索方法 |
CN104679887A (zh) * | 2015-03-17 | 2015-06-03 | 广西大学 | 基于emd距离的大规模图像数据相似性搜索方法 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
CN106203242A (zh) * | 2015-05-07 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 一种相似图像识别方法及设备 |
CN107480203A (zh) * | 2017-07-23 | 2017-12-15 | 北京中科火眼科技有限公司 | 一种针对相同及相似图片去重的图像数据清洗方法 |
US20180129886A1 (en) * | 2013-06-26 | 2018-05-10 | Waymo Llc | Vision-Based Indicator Signal Detection Using Spatiotemporal Filtering |
CN108573268A (zh) * | 2017-03-10 | 2018-09-25 | 北京旷视科技有限公司 | 图像识别方法和装置、图像处理方法和装置及存储介质 |
CN109189970A (zh) * | 2018-09-20 | 2019-01-11 | 北京京东尚科信息技术有限公司 | 图片相似度比对方法和装置 |
-
2019
- 2019-09-18 CN CN201910883029.1A patent/CN110781917B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014088699A1 (en) * | 2012-12-07 | 2014-06-12 | Realnetworks, Inc. | Method and system to detect and select best photographs |
US20180129886A1 (en) * | 2013-06-26 | 2018-05-10 | Waymo Llc | Vision-Based Indicator Signal Detection Using Spatiotemporal Filtering |
CN104462199A (zh) * | 2014-10-31 | 2015-03-25 | 中国科学院自动化研究所 | 一种网络环境下的近似重复图像搜索方法 |
CN104679887A (zh) * | 2015-03-17 | 2015-06-03 | 广西大学 | 基于emd距离的大规模图像数据相似性搜索方法 |
CN106203242A (zh) * | 2015-05-07 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 一种相似图像识别方法及设备 |
CN106156755A (zh) * | 2016-07-29 | 2016-11-23 | 深圳云天励飞技术有限公司 | 一种人脸识别中的相似度计算方法及系统 |
CN108573268A (zh) * | 2017-03-10 | 2018-09-25 | 北京旷视科技有限公司 | 图像识别方法和装置、图像处理方法和装置及存储介质 |
CN107480203A (zh) * | 2017-07-23 | 2017-12-15 | 北京中科火眼科技有限公司 | 一种针对相同及相似图片去重的图像数据清洗方法 |
CN109189970A (zh) * | 2018-09-20 | 2019-01-11 | 北京京东尚科信息技术有限公司 | 图片相似度比对方法和装置 |
Non-Patent Citations (2)
Title |
---|
BART KRANSTAUBER 等: ""Similarity in spatial utilization distributionsmeasured by the earthmover"s distance"", 《METHODS IN ECOLOGY AND EVOLUTION》 * |
杜振龙 等: ""基于Wasserstein直方图欧氏度量的图像重复区域盲检测算法"", 《光学与光电技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325265A (zh) * | 2020-02-17 | 2020-06-23 | 中国银联股份有限公司 | 一种针对篡改图像的检测方法及装置 |
CN111325265B (zh) * | 2020-02-17 | 2023-09-01 | 中国银联股份有限公司 | 一种针对篡改图像的检测方法及装置 |
CN111400533A (zh) * | 2020-03-02 | 2020-07-10 | 北京三快在线科技有限公司 | 图像筛选方法、装置、电子设备和存储介质 |
CN111400533B (zh) * | 2020-03-02 | 2023-10-17 | 北京三快在线科技有限公司 | 图像筛选方法、装置、电子设备和存储介质 |
CN113362096A (zh) * | 2020-03-04 | 2021-09-07 | 驰众信息技术(上海)有限公司 | 一种基于深度学习的框架广告图像匹配方法 |
CN112131419A (zh) * | 2020-08-17 | 2020-12-25 | 浙江大华技术股份有限公司 | 图像档案的合并方法、装置、电子设备和存储介质 |
WO2023273665A1 (zh) * | 2021-06-30 | 2023-01-05 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN110781917B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781917B (zh) | 重复图像的检测方法、装置、电子设备及可读存储介质 | |
CN106530194B (zh) | 一种疑似侵权产品图片的检测方法及装置 | |
CN109086734B (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
CN111767828B (zh) | 证件图像翻拍识别方法、装置、电子设备和存储介质 | |
CA2914043A1 (en) | Evaluating image sharpness | |
US11281939B2 (en) | Method and apparatus for training an object identification neural network, and computer device | |
US8811750B2 (en) | Apparatus and method for extracting edge in image | |
Xiao et al. | Defocus blur detection based on multiscale SVD fusion in gradient domain | |
CN112561907B (zh) | 一种基于双流网络的视频篡改操作检测方法及装置 | |
Thajeel et al. | A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern. | |
CN112052702B (zh) | 一种识别二维码的方法和装置 | |
CN109102026A (zh) | 一种车辆图像检测方法、装置及系统 | |
CN113920434A (zh) | 一种基于目标的图像翻拍检测方法、装置及介质 | |
CN111178347B (zh) | 证件图像的模糊度检测方法、装置、设备及存储介质 | |
Zhu et al. | Recaptured image detection through enhanced residual-based correlation coefficients | |
CN108304838B (zh) | 一种图片信息识别方法及终端 | |
CN112424787A (zh) | 提取图像关键点的方法及装置 | |
CN110363251B (zh) | 一种sku图像分类方法、装置、电子设备及存储介质 | |
CN114743016A (zh) | 一种证件真假识别方法、装置、电子设备及存储介质 | |
CN113033542A (zh) | 一种文本识别模型的生成方法以及装置 | |
Hwang et al. | Identification method for digital image forgery and filtering region through interpolation | |
CN111160486B (zh) | 基于支持向量机和小波分解的模糊图像分类方法 | |
CN113709563B (zh) | 视频封面选取方法、装置、存储介质以及电子设备 | |
Binnar et al. | Robust technique of localizing blurred image splicing based on exposing blur type inconsistency | |
CN116486448A (zh) | 口红色号识别方法、装置、电子设备及存储介质 |
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 |