CN111079793A - 图标相似度的确定方法和电子设备 - Google Patents
图标相似度的确定方法和电子设备 Download PDFInfo
- Publication number
- CN111079793A CN111079793A CN201911146024.7A CN201911146024A CN111079793A CN 111079793 A CN111079793 A CN 111079793A CN 201911146024 A CN201911146024 A CN 201911146024A CN 111079793 A CN111079793 A CN 111079793A
- Authority
- CN
- China
- Prior art keywords
- icon
- similarity
- determining
- detected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本说明书实施例公开了一种图标相似度的确定方法和电子设备,用于解决图标相似度的确定精度低的问题。该方法包括:确定待测图标;基于至少两种相似度算法,分别确定待测图标和目标图标的至少两种相似度;其中,所述至少两种相似度算法分别对应有权重;基于确定出的相似度以及所述至少两种相似度算法对应的权重,确定待测图标和目标图标的最终相似度。
Description
技术领域
本文件涉及图像处理技术领域,尤其涉及一种图标相似度的确定方法和电子设备。
背景技术
电子设备(如手机)中通常会安装有大量的应用程序,应用程序一般对应有图标,这些图标单独或者以文件夹的形式显示在电子设备的桌面上,以方便用户对应用程序执行启动、卸载等操作。
在对电子设备进行自动化测试的过程中,通常是通过图标识别出待测试的应用程序。相关技术中是通过图像识别的方式识别待测图标(即待测试的应用程序的图标),目前主要的方法有像素相似度;或直方图相似度等。
然而,采用上述图标相似度的确定方法的识别精度不高,例如,像素相似度会过于精确,图标内容稍有位移就会影响该方法的判断结果;直方图关注的是图标总体的颜色分布,两个完全不一样的图标,只要颜色分布相似,也会被判断为相似图片。因此,如何提高图标相似度的确定精度,是现有技术中亟需解决的技术问题。
发明内容
本说明书实施例提供一种图标相似度的确定方法和电子设备,用于解决图标相似度的确定精度低的问题。
本说明书实施例采用下述技术方案:
第一方面,提供了一种图标相似度的确定方法,包括:
确定待测图标;
基于至少两种相似度算法,分别确定所述待测图标和目标图标的至少两种相似度;其中,所述至少两种相似度算法分别对应有权重;
基于确定出的相似度以及所述至少两种相似度算法对应的权重,确定所述待测图标和所述目标图标的最终相似度。
第二方面,提供了一种电子设备,其特征在于,包括:
图标确定模块,用于确定待测图标;
相似度确定模块,用于基于至少两种相似度算法,分别确定所述待测图标和目标图标的至少两种相似度;其中,所述至少两种相似度算法分别对应有权重;
所述相似度确定模块,还用于基于确定出的相似度以及所述至少两种相似度算法对应的权重,确定所述待测图标和所述目标图标的最终相似度。
第三方面,提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的图标相似度的确定方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的图标相似度的确定方法。
本说明书一个实施例实现了:基于至少两种相似度算法分别确定待测图标和目标图标的至少两种相似度,并基于确定出的相似度以及上述至少两种相似度算法对应的权重,确定待测图标和目标图标的最终相似度,由于结合了多种相似度算法的计算结果,相对于采用一种相似度算法而言,便于提高的到的最终相似度的精度。
附图说明
此处所说明的附图用来提供对本文件的进一步理解,构成本文件的一部分,本文件的示意性实施例及其说明用于解释本文件,并不构成对本文件的不当限定。在附图中:
图1为本说明书的一个实施例提供的图标相似度的确定方法流程示意图;
图2为本说明书的另一个实施例提供的图标相似度的确定方法流程示意图;
图3为本说明书的一个实施例提供的图标相似度的确定方法中的图标示意图;
图4为本说明书的一个实施例提供的电子设备结构示意图;
图5为实现本说明书各个实施例的电子设备硬件结构示意图。
具体实施方式
为使本文件的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本文件技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本文件一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本本文件保护的范围。
如图1所示,本说明书的一个实施例提供一种图标相似度的确定方法100,包括如下步骤:
S102:确定待测图标。
可选地,该实施例可以应用在对电子设备中的应用程序进行自动化测试的场景中,上述待测图标可以待测试的应用程序的应用图标;还可以是应用程序内部的功能图标,例如,设置按钮的图标、搜索按钮的图标、返回按钮的图标等等。该步骤具体可以通过图像采集的方式采集待测图标。
S104:基于至少两种相似度算法,分别确定待测图标和目标图标的至少两种相似度。
该实施例可以采用至少两种(即多种)相似度算法,分别确定待测图标和目标图标的至少两种相似度,例如,通过第一相似度算法,确定出待测图标和目标图标的第一相似度;通过第二相似度算法,确定出待测图标和目标图标的第二相似度;通过第三相似度算法,确定出待测图标和目标图标的第三相似度;等等。
上述至少两种相似度算法,例如,可以包括下述至少两种:像素相似度;边缘轮廓相似度;像素级的颜色相似度;直方图相似度;梯度直方图相似度;深度学习中的Siamese网络等。
另外,上述至少两种相似度算法分别对应有权重,例如,第一相似度算法对应第一权重;第二相似度算法对应第二权重;第三相似度算法对应第三权重;等等。
可选地,上述至少两种相似度算法对应的权重可以相等。
优选地,该实施例可以根据图标的特征分布,确定上述至少两种相似度算法对应的权重。例如,图标的边缘轮廓相似度通常比较重要,因此,边缘轮廓相似度算法对应的权重通常会大一些;像素相似度相对于边缘轮廓相似度而言不是特别重要,因此,像素相似度算法对应的权重通常会小于边缘轮廓相似度算法对应的权重。
S106:基于确定出的相似度以及所述至少两种相似度算法对应的权重,确定待测图标和目标图标的最终相似度。
如前所述,上述至少两种相似度算法分别对应有权重,该步骤即可基于确定出的多个相似度以及对应的权重,确定待测图标和目标图标的最终相似度。
例如,上述多个相似度算法包括第一相似度算法、第二相似度算法和第三相似度算法;第一相似度算法对应第一权重;第二相似度算法对应第二权重;第三相似度算法对应第三权重;通过第一相似度算法确定出待测图标和目标图标的第一相似度;通过第二相似度算法确定出待测图标和目标图标的第二相似度;通过第三相似度算法确定出待测图标和目标图标的第三相似度。
最终相似度=第一相似度×第一权重+第二相似度×第二权重+第三相似度×第三权重。
目标图标通常是已知应用程序的图标,目标图标可以是一个,也可以是多个。该实施例在得到待测图标和目标图标的最终相似度之后,即可确定出待测图标和目标图标是否是相同的图标。例如,若待测图标和目标图标的最终相似度大于或等于68%,则可以确定待测图标和目标图标相同;若待测图标和目标图标的最终相似度小于68%,则可以确定待测图标和目标图标不同。
如前所述,该实施例可以应用在对电子设备中的应用程序进行自动化测试的场景中。可选地,该实施例在确定出待测图标和目标图标的最终相似度大于或者等于预设阈值(例如68%)时,即确定待测图标和目标图标相同时,还可以根据目标图标对应的测试流程进行自动化测试,克服现有技术中无法对图标进行准确识别而无法完成自动化测试的问题。
本说明书实施例提供的图标相似度的确定方法,基于至少两种相似度算法分别确定待测图标和目标图标的至少两种相似度,并基于确定出的相似度以及上述至少两种相似度算法对应的权重,确定待测图标和目标图标的最终相似度,由于结合了多种相似度算法的计算结果,相对于采用一种相似度算法而言,便于提高得到的最终相似度的精度。
考虑到图标的关键特征分布通常具有规律性,例如,图标的关键特征通常是位于图标的中心区域,这样,上述实施例中提到的至少两种相似度算法可以分别对应有图标区域,例如,第一相似度算法对应的图标区域是图标中心区域,这样,S104在计算相似度时则可以通过第一相似度算法计算待测图标和目标图标在图标中心区域的相似度。
可选地,上述实施例100的S104中的基于至少两种相似度算法,分别确定待测图标和目标图标的至少两种相似度包括:确定所述至少两种相似度算法在所述待测图标和目标图标中分别对应的图标区域;其中,所述至少两种相似度算法分别对应有图标区域;基于所述至少两种相似度算法,确定所述待测图标和所述目标图标在确定出的图标区域的至少两种相似度。
该实施例充分考虑了图标的特征分布特性,上述至少两种相似度算法分别对应有图标区域,这些图标区域可以小于(也可以等于)原始的待测图标或目标图标,可以在不降低相似度的前提下,提高计算速度,节约资源消耗。
可选地,上述至少两种相似度算法及分别对应的图标区域包括下述至少三种:
1)像素相似度对应的图标整体;
2)边缘轮廓相似度对应的图标整体;
3)边缘轮廓相似度对应的图标中心区域,该中心区域例如可以是图标中心25%的区域,具体可以参见后续实施例;
4)颜色相似度对应的图标中心区域,该中心区域可以和3)中提到的中心区域相同,也可以不同;
5)边缘轮廓相似度对应的图标边界区域,该图标边界区域的介绍可以参见后续实施例。
可选地,上述至少两种相似度算法及对应的图标区域包括颜色相似度对应的图标中心区域,这样,实S104中提到的确定所述待测图标和目标图标的至少两种相似度包括:基于预设阈值,对所述待测图标和目标图标的RGB三通道进行二值化处理;计算二值化处理后的所述待测图标和所述目标图标在图标中心区域的颜色相似度。
可选地,还可以基于如下方法确定上述预设阈值:在预设区间(例如,50至250)中以预设步长(例如,以10为步长)遍历不同的阈值(即50、60、70、……、250),并分别对所述待测图标和所述目标图标的RGB三通道进行二值化处理;计算二值化处理后的所述待测图标和所述目标图标的像素标准差;将像素标准差最大值所对应的阈值作为所述预设阈值。
可选地,所述至少两种相似度算法及对应的图标区域包括边缘轮廓相似度对应的图标边界区域,所述确定所述待测图标和目标图标的至少两种相似度包括:确定所述待测图标和所述目标图标的在多个图标边界区域的边缘轮廓相似度;将确定出的多个边缘轮廓相似度的最小值,作为所述待测图标和所述目标图标在图标边界区域的边缘轮廓相似度。
该实施例由于计算了多个边界区域的边缘轮廓相似度,最后取相似度的最小值作为最终的边界区域的边缘轮廓相似度,充分考虑了图标边界区域的重要性,便于提高得到的最终相似度的精度。
可选地,所述至少两种相似度算法及分别对应有权重包括:
图标整体对应的像素相似度的权重是10%;
图标整体对应的边缘轮廓相似度的权重是30%;
图标中心区域对应的边缘轮廓相似度的权重是40%;
图标中心区域对应的颜色相似度的权重是10%;
图标边界区域对应的边缘轮廓相似度的权重是10%。
该实施例通过大量的实验确定出各个相似度算法、其对应的图标区域及其对应的权重,便于进一步提高得到的最终相似度的精度。
为详细说明本说明书实施例提供的图标相似度的确定方法,以下将结合一个具体的实施例进行说明。
该实施例中采用的至少两种(三种)相似度算法;以及这至少两种相似度算法分别对应的图标区域包括:
像素相似度对应的整体图标;
边缘轮廓相似度对应的整体图标;
边缘轮廓相似度对应的图标中心区域;
颜色相似度对应的图标中心区域;以及
边缘轮廓相似度对应的图标边界区域。
S202:确定待测图标和目标图标。
该实施例可以应用在对电子设备中的应用程序进行自动化测试的场景中,该步骤具体可以采集待测图标;目标图标通常是存储在数据库中,该步骤可以从数据库中获取得到。
上述待测图标和目标图标,可以待测试的应用程序的应用图标;还可以是应用程序内部的功能图标,例如,设置按钮的图标、搜索按钮的图标、返回按钮的图标等等。
可选地,为了提高后续得到的相似度精度,该实施例还可以包括如下步骤:
检测待测图标和目标图标的尺寸是否一致?
如果是,则直接执行S204;
如果否,则对待测图标或目标图标进行缩放处理,使得测待测图标和目标图标的尺寸一致,例如,像素尺寸均是512×512,然后再跳转至S204。
S204:计算(测待测图标和目标图标,后续类同)整体的像素相似度。
该步骤可以对测待测图标和目标图标中的像素逐一进行对比,每个像素有三个通道值(RGB)。
可选地,在对两个对应的像素(任意一个)进行对比时,容忍RGB三个值有一定的偏差,例如,R1-R2、G1-G2和B1-B2的绝对值均小于上述容忍值时,则认为两个像素相同;若上述绝对值中有任意一个大于或等于上述容忍值,则认为两个像素不同。
S206:计算整体的边缘轮廓相似度。
可选地,该步骤包括如下子步骤:
a.对待测图标和目标图标分别进行灰度处理;
b.对待测图标和目标图标分别进行高斯模糊处理,以去除一些小的噪声;
c.分别获取待测图标和目标图标的中心区域。
可选地,假设待测图标和目标图标的宽高分别为W和H,该步骤中提到的中心区域起点为W*0.1,H*0.1,宽高分别为W*0.8,H*0.8。
d.取待测图标中心区域所有像素中最大值和最小值,并求平均,利用该平均值对待测图标进行二值化处理,得到待测图标整体的二值化图像;
取目标图标中心区域所有像素中最大值和最小值,并求平均,利用该平均值对目标图标进行二值化处理,得到目标图标整体的二值化图像。
可选地,该步骤在进行二值化处理时,还可以采用双峰法、p参数法、大律法(Otsu法)、最大熵阈值法、迭代法等。
e.对步骤d得到的二值化图像进行边缘检测,得到待测图标和目标图标的边缘图像。
f.对两个边缘图像进行膨胀化处理,得到较粗的边缘图像。
该步骤通过膨胀化处理,可以使边缘图像的表面更加平滑,避免因之前的步骤造成的图标边缘的锯齿,便于提高后续步骤得到的相似度的精度。
g.计算待测图标和目标图标整体的边缘轮廓相似度。
可选地,考虑到图标的特征分布,该步骤在计算时可以忽略纯黑色的像素(即像素值为0),因为黑色的像素区域通常是图标的背景区域,背景区域的相似度相对于前景区域的相似度而言不是特别重要。该步骤通过忽略纯黑色的像素的处理,可以提高计算速度,节约资源消耗。
可选地,在一些特殊情况下,如果待测图标和目标图标的边缘图像都是黑色,则S206计算出的相似度值后续不参与加权计算。
S208:计算中心区域的边缘轮廓相似度。
基于S206的步骤f得到边缘图像,该步骤可以分别获取待测图标和目标图标的中心区域。
可选地,该步骤中提到的中心区域起点为W*0.25,H*0.25,宽高分别为W*0.5,H*0.5(参见图3),后续计算图标中心区域的边缘轮廓相似度。
可选地,针对图标的特征分布,该步骤在计算时可以忽略纯黑色的像素(即像素值为0),因为黑色的像素区域通常是图标的背景区域,背景区域的相似度相对于前景区域的相似度而言不是特别重要。该步骤通过忽略纯黑色的像素的处理,可以提高计算速度,节约资源消耗。
可选地,在一些特殊情况下,如果待测图标和目标图标的边缘图像都是黑色,则S206计算出的相似度值后续不参与加权计算。
S210:计算中心区域的颜色相似度。
可选地,该步骤包括如下子步骤:
a.分别取待测图标和目标图标的中心区域图像(彩色),该中心区域的起点为W*0.2,H*0.2,宽高为W*0.6,H*0.6。
b.对两个中心区域图像进行高斯模糊处理,以去除一些小的噪声;
c.取一个预设阈值,分别对两个中心区域图标的三个通道(RGB)进行二值化处理,即大于这个阈值取值255,小于这个阈值取值0,这样三个通道,每个通道会取两个值,则图标中心区域的颜色数量为2*2*2,共8种颜色。
d.计算这两张8值化图像的像素级相似度。
可选地,该实施例可以采用如下方法得到步骤c中的预设阈值:
从50到250,以步长为10,遍历取不同的8值化阈值,计算每个8值化处理后的图像的像素值标准差,取标准差最大的阈值作为这个图像的最佳8值化阈值。该实施例考虑到了标准差反映了图像像素值与均值的离散程度,标准差越大说明图像的质量越好。
S212:计算边界区域的边缘轮廓相似度。
该步骤中提到的图标边界区域如图3所示,包括图像四个角以及每条边中间的1%总体面积的方块区域。
该步骤可以基于S206的步骤f得到边缘图像,分别计算各个边界区域的边缘轮廓图相似度,最终取这8个边界区域中相似度最低的结果作为边界相似度结果。
可选地,该步骤在计算时可以忽略纯黑色的边界区域,以提高计算速度,节约资源消耗。
S214:计算最终相似度。
将前文各个步骤得到的相似度,按如下加权比例计算:
通过S204计算出的整体的像素相似度占10%;
通过S206计算出的整体的边缘轮廓相似度占30%;
通过S208计算出的中心区域的边缘轮廓相似度占40%;
通过S210计算出的图标中心区域的颜色相似度占10%;
通过S212计算出的边界区域的边缘轮廓相似度占10%。
可选地,对于不参与加权计算的结果所占份额,可以平分给其他相似度值。
本说明书实施例提供的图标相似度的确定方法,基于至少两种相似度算法分别确定待测图标和目标图标的至少两种相似度,并基于确定出的相似度以及上述至少两种相似度算法对应的权重,确定待测图标和目标图标的最终相似度,由于结合了多种相似度算法的计算结果,相对于采用一种相似度算法而言,便于提高的到的最终相似度的精度。
本说明书实施例兼顾了图标图像的轮廓、颜色、和一些关键的局部特征,可以提高得到的相似度的精度,较好的区分正负样例。
本说明书实施例中,为了解决图像噪声干扰问题,对图标的中心区域取像素中值,作为整体图标二值化的阈值,对图标进行二值化处理后再做边缘检测;同时为了解决图像细微的位移,导致边缘难以匹配的问题,对边缘进行膨胀处理后再做相似度匹配。
另外,在计算颜色相似度计算时,同样为了解决图像噪声干扰问题,对图像进行颜色压缩,压缩成8种颜色,然后再做颜色相似度对比,便于高得到的相似度的精度。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上说明书部分详细介绍了图标相似度的确定方法实施例,如图4所示,本说明书还提供了一种电子设备,如图4所示,该电子设备400包括:
图标确定模块402,可以用于确定待测图标;
相似度确定模块404,可以用于基于至少两种相似度算法,分别确定所述待测图标和目标图标的至少两种相似度;其中,所述至少两种相似度算法分别对应有权重;
所述相似度确定模块404,还可以用于基于确定出的相似度以及所述至少两种相似度算法对应的权重,确定所述待测图标和所述目标图标的最终相似度。
本说明书实施例提供的电子设备,基于至少两种相似度算法分别确定待测图标和目标图标的至少两种相似度,并基于确定出的相似度以及上述至少两种相似度算法对应的权重,确定待测图标和目标图标的最终相似度,由于结合了多种相似度算法的计算结果,相对于采用一种相似度算法而言,便于提高的到的最终相似度的精度。
可选地,作为一个实施例,所述相似度确所述定模块404,具体可以用于确定所述至少两种相似度算法在所述待测图标和目标图标中分别对应的图标区域;其中,所述至少两种相似度算法分别对应有图标区域;基于所述至少两种相似度算法,确定所述待测图标和所述目标图标在确定出的图标区域的至少两种相似度。
可选地,作为一个实施例,所述至少两种相似度算法及分别对应的图标区域包括下述至少三种:
像素相似度对应的图标整体;
边缘轮廓相似度对应的图标整体;
边缘轮廓相似度对应的图标中心区域;
颜色相似度对应的图标中心区域;
边缘轮廓相似度对应的图标边界区域。
可选地,作为一个实施例,所述至少两种相似度算法及对应的图标区域包括颜色相似度对应的图标中心区域,所述相似度确所述定模块404,具体可以用于基于预设阈值,对所述待测图标和目标图标的RGB三通道进行二值化处理;计算二值化处理后的所述待测图标和所述目标图标在图标中心区域的颜色相似度。
可选地,作为一个实施例,所述电子设备还包括阈值确定模块,可以用于基于如下方法确定所述预设阈值:在预设区间中以预设步长遍历不同的阈值,并分别对所述待测图标和所述目标图标的RGB三通道进行二值化处理;计算二值化处理后的所述待测图标和所述目标图标的像素标准差;将像素标准差最大值所对应的阈值作为所述预设阈值。
可选地,作为一个实施例,所述至少两种相似度算法及对应的图标区域包括边缘轮廓相似度对应的图标边界区域,所述相似度确所述定模块404,具体可以用于确定所述待测图标和所述目标图标的在多个图标边界区域的边缘轮廓相似度;将确定出的多个边缘轮廓相似度的最小值,作为所述待测图标和所述目标图标在图标边界区域的边缘轮廓相似度。
可选地,作为一个实施例,所述至少两种相似度算法及分别对应有权重包括:
图标整体对应的像素相似度的权重是10%;
图标整体对应的边缘轮廓相似度的权重是30%;
图标中心区域对应的边缘轮廓相似度的权重是40%;
图标中心区域对应的颜色相似度的权重是10%;
图标边界区域对应的边缘轮廓相似度的权重是10%。
根据本说明书实施例的上述电子设备400可以参照对应前文本说明书实施例的图标相似度的确定方法100的流程,并且,该电子设备400中的各个单元/模块和上述其他操作和/或功能分别为了实现图标相似度的确定方法100中的相应流程,并且能够达到相同或等同的技术效果,为了简洁,在此不再赘述。
下面将结合图5详细描述根据本说明书实施例的电子设备。参考图5,在硬件层面,电子设备包括处理器,可选地,包括内部总线、网络接口、存储器。其中,如图5所示,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括实现其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成电子设备400。处理器,执行存储器所存放的程序,并具体用于执行本说明书前文所述的方法实施例的操作。
上述图1至图4所示实施例揭示的方法、装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(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。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。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。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
图5所示的电子设备还可执行图1至图3的方法,并实现图标相似度的确定方法在图1至图3所示实施例的功能,本说明书实施例在此不再赘述。
当然,除了软件实现方式之外,本文件的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本说明书实施例还提供一种计算机可读存储介质,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上述各个方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白,本文件的实施例可提供为方法、系统、或计算机程序产品。因此,本文件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,本文件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。
本文件是参照根据本说明书实施例的方法、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设备上,使得在计算机或其他可编程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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (10)
1.一种图标相似度的确定方法,其特征在于,包括:
确定待测图标;
基于至少两种相似度算法,分别确定所述待测图标和目标图标的至少两种相似度;其中,所述至少两种相似度算法分别对应有权重;
基于确定出的相似度以及所述至少两种相似度算法对应的权重,确定所述待测图标和所述目标图标的最终相似度。
2.根据权利要求1所述的方法,其特征在于,所述基于至少两种相似度算法,分别确定所述待测图标和目标图标的至少两种相似度包括:
确定所述至少两种相似度算法在所述待测图标和目标图标中分别对应的图标区域;其中,所述至少两种相似度算法分别对应有图标区域;
基于所述至少两种相似度算法,确定所述待测图标和所述目标图标在确定出的图标区域的至少两种相似度。
3.根据权利要求2所述的方法,其特征在于,所述至少两种相似度算法及分别对应的图标区域包括下述至少三种:
像素相似度对应的图标整体;
边缘轮廓相似度对应的图标整体;
边缘轮廓相似度对应的图标中心区域;
颜色相似度对应的图标中心区域;
边缘轮廓相似度对应的图标边界区域。
4.根据权利要求3所述的方法,其特征在于,所述至少两种相似度算法及对应的图标区域包括颜色相似度对应的图标中心区域,所述确定所述待测图标和目标图标的至少两种相似度包括:
基于预设阈值,对所述待测图标和所述目标图标的RGB三通道进行二值化处理;
计算二值化处理后的所述待测图标和所述目标图标在图标中心区域的颜色相似度。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:基于如下方法确定所述预设阈值:
在预设区间中以预设步长遍历不同的阈值,并分别对所述待测图标和所述目标图标的RGB三通道进行二值化处理;
计算二值化处理后的所述待测图标和所述目标图标的像素标准差;
将像素标准差最大值所对应的阈值作为所述预设阈值。
6.根据权利要求3所述的方法,其特征在于,所述至少两种相似度算法及对应的图标区域包括边缘轮廓相似度对应的图标边界区域,所述确定所述待测图标和目标图标的至少两种相似度包括:
确定所述待测图标和所述目标图标的在多个图标边界区域的边缘轮廓相似度;
将确定出的多个边缘轮廓相似度的最小值,作为所述待测图标和所述目标图标在图标边界区域的边缘轮廓相似度。
7.根据权利要求3所述的方法,其特征在于,所述至少两种相似度算法及分别对应有权重包括:
图标整体对应的像素相似度的权重是10%;
图标整体对应的边缘轮廓相似度的权重是30%;
图标中心区域对应的边缘轮廓相似度的权重是40%;
图标中心区域对应的颜色相似度的权重是10%;
图标边界区域对应的边缘轮廓相似度的权重是10%。
8.一种电子设备,其特征在于,包括:
图标确定模块,用于确定待测图标;
相似度确定模块,用于基于至少两种相似度算法,分别确定所述待测图标和目标图标的至少两种相似度;其中,所述至少两种相似度算法分别对应有权重;
所述相似度确定模块,还用于基于确定出的相似度以及所述至少两种相似度算法对应的权重,确定所述待测图标和所述目标图标的最终相似度。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的图标相似度的确定方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图标相似度的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146024.7A CN111079793A (zh) | 2019-11-21 | 2019-11-21 | 图标相似度的确定方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146024.7A CN111079793A (zh) | 2019-11-21 | 2019-11-21 | 图标相似度的确定方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079793A true CN111079793A (zh) | 2020-04-28 |
Family
ID=70311425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911146024.7A Pending CN111079793A (zh) | 2019-11-21 | 2019-11-21 | 图标相似度的确定方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079793A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985441A (zh) * | 2020-08-31 | 2020-11-24 | 上海汉图科技有限公司 | 一种绘画评分方法、装置和计算机设备 |
CN113420307A (zh) * | 2021-06-28 | 2021-09-21 | 未鲲(上海)科技服务有限公司 | 密文数据的评估方法、装置、计算机设备和存储介质 |
CN113750440A (zh) * | 2021-09-24 | 2021-12-07 | 苏宁智能终端有限公司 | 一种识别计数跳绳数据的方法及系统 |
CN113963305A (zh) * | 2021-12-21 | 2022-01-21 | 网思科技股份有限公司 | 一种视频关键帧和特写片段提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6373979B1 (en) * | 1999-01-29 | 2002-04-16 | Lg Electronics, Inc. | System and method for determining a level of similarity among more than one image and a segmented data structure for enabling such determination |
CN1926575A (zh) * | 2004-03-03 | 2007-03-07 | 日本电气株式会社 | 图像相似度计算系统、图像搜索系统、图像相似度计算方法和图像相似度计算程序 |
CN105488150A (zh) * | 2015-11-26 | 2016-04-13 | 小米科技有限责任公司 | 图像显示方法及装置 |
CN106021108A (zh) * | 2016-05-19 | 2016-10-12 | 努比亚技术有限公司 | 应用程序测试装置、移动终端及方法 |
CN108734556A (zh) * | 2018-05-18 | 2018-11-02 | 广州优视网络科技有限公司 | 推荐应用的方法及装置 |
CN109493367A (zh) * | 2018-10-29 | 2019-03-19 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
CN109598299A (zh) * | 2018-11-29 | 2019-04-09 | 微梦创科网络科技(中国)有限公司 | 一种图像相似度确定方法、装置及电子设备 |
CN109918291A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 软件界面检测方法、装置、计算机设备及存储介质 |
CN110413824A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技(深圳)有限公司 | 一种相似图片的检索方法及装置 |
-
2019
- 2019-11-21 CN CN201911146024.7A patent/CN111079793A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6373979B1 (en) * | 1999-01-29 | 2002-04-16 | Lg Electronics, Inc. | System and method for determining a level of similarity among more than one image and a segmented data structure for enabling such determination |
CN1926575A (zh) * | 2004-03-03 | 2007-03-07 | 日本电气株式会社 | 图像相似度计算系统、图像搜索系统、图像相似度计算方法和图像相似度计算程序 |
CN105488150A (zh) * | 2015-11-26 | 2016-04-13 | 小米科技有限责任公司 | 图像显示方法及装置 |
CN106021108A (zh) * | 2016-05-19 | 2016-10-12 | 努比亚技术有限公司 | 应用程序测试装置、移动终端及方法 |
CN108734556A (zh) * | 2018-05-18 | 2018-11-02 | 广州优视网络科技有限公司 | 推荐应用的方法及装置 |
CN109493367A (zh) * | 2018-10-29 | 2019-03-19 | 浙江大华技术股份有限公司 | 一种对目标对象进行跟踪的方法和设备 |
CN109598299A (zh) * | 2018-11-29 | 2019-04-09 | 微梦创科网络科技(中国)有限公司 | 一种图像相似度确定方法、装置及电子设备 |
CN109918291A (zh) * | 2019-01-17 | 2019-06-21 | 深圳壹账通智能科技有限公司 | 软件界面检测方法、装置、计算机设备及存储介质 |
CN110413824A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技(深圳)有限公司 | 一种相似图片的检索方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985441A (zh) * | 2020-08-31 | 2020-11-24 | 上海汉图科技有限公司 | 一种绘画评分方法、装置和计算机设备 |
CN113420307A (zh) * | 2021-06-28 | 2021-09-21 | 未鲲(上海)科技服务有限公司 | 密文数据的评估方法、装置、计算机设备和存储介质 |
CN113750440A (zh) * | 2021-09-24 | 2021-12-07 | 苏宁智能终端有限公司 | 一种识别计数跳绳数据的方法及系统 |
CN113963305A (zh) * | 2021-12-21 | 2022-01-21 | 网思科技股份有限公司 | 一种视频关键帧和特写片段提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079793A (zh) | 图标相似度的确定方法和电子设备 | |
CN111627009B (zh) | 一种屏幕检测方法、装置及头戴显示设备 | |
CN111612781B (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
CN107729790B (zh) | 二维码定位方法及装置 | |
WO2019196542A1 (zh) | 一种图像处理的方法及装置 | |
CN105740876B (zh) | 一种图像预处理方法及装置 | |
US10748023B2 (en) | Region-of-interest detection apparatus, region-of-interest detection method, and recording medium | |
RU2721188C2 (ru) | Улучшение контраста и снижение шума на изображениях, полученных с камер | |
CN112085682B (zh) | 图像降噪方法、装置、电子设备及存储介质 | |
CN109086734B (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
CN109509166B (zh) | 印刷电路板图像检测方法和装置 | |
CN114359665B (zh) | 全任务人脸识别模型的训练方法及装置、人脸识别方法 | |
EP3812956A1 (en) | Comparison method based on multiple facial images, apparatus and electronic device | |
CN109102026B (zh) | 一种车辆图像检测方法、装置及系统 | |
CN112215856A (zh) | 图像分割的阈值确定方法、装置、终端及存储介质 | |
CN111882520A (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
US20120320433A1 (en) | Image processing method, image processing device and scanner | |
US20150220804A1 (en) | Image processor with edge selection functionality | |
CN109447023B (zh) | 确定图像相似度的方法、视频场景切换识别方法及装置 | |
CN111489344A (zh) | 一种图像清晰度的确定方法、系统及相关装置 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN113129298B (zh) | 文本图像的清晰度识别方法 | |
JP6106808B2 (ja) | 文書内バーコード配置特定 | |
CN110751156A (zh) | 用于表格线大块干扰去除方法、系统、设备及介质 | |
CN111738272A (zh) | 一种目标特征提取方法、装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |