CN111340109B - 图像匹配方法、装置、设备及存储介质 - Google Patents
图像匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111340109B CN111340109B CN202010116628.3A CN202010116628A CN111340109B CN 111340109 B CN111340109 B CN 111340109B CN 202010116628 A CN202010116628 A CN 202010116628A CN 111340109 B CN111340109 B CN 111340109B
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- feature
- hash value
- hash
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 101150060512 SPATA6 gene Proteins 0.000 claims abstract description 197
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000009466 transformation Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009795 derivation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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]
Abstract
本申请适用于图像处理技术领域,提供了图像匹配方法、装置、设备及存储介质,通过分别获取的待匹配图像和输入图像对特征点和特征描述子,根据特征描述子计算待匹配图像和输入之间匹配的特征点,并根据匹配的特征点的特征描述子对所述输入图像进行校准得到第一图像,再对第一图像进行处理得到目标部分第二图像,对待匹配图像进行处理得到目标部分的第三图像,并通过计算第二图像中各像素点的第一哈希值,和计算第三图像中各像素点的第二哈希值,求出输入图像与待匹配图像之间的相似度。实现通过获取输入图像中部分的图像的哈希值与待匹配图像中部分图像的哈希序列值计算图像之间的相似度,来降低图像误匹配率。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及图像匹配方法、装置、设备及存储介质。
背景技术
目前,对于是基于文本的图像检索还是基于内容的图像检索,主要在已经建立图像的索引数据库中,计算用户输入的图像与索引数据库中记录的图像之间相似度大小,提取出满足阈值的图像。在判断图像之间的相似度时,通常由人工对图像进行检测判断,或主要是根据图像的所有像素点的差异来生成哈希序列码,并通过比较哈希序列码的差异性来判断图像间的相似度。然而,通过像素点之间差异生成图像哈希序列码在比对时,其图像误匹配率过高。
综上所述,目前存在基于已有的方法获取数据库中的相似图像时,获取到的图像误匹配率高的问题。
发明内容
本申请实施例提供了图像匹配方法、装置、设备及存储介质,可以解决目前存在基于已有的方法获取数据库中的相似图像时,获取到的图像误匹配率高的问题。
第一方面,本申请实施例提供了一种图像匹配方法,包括:
获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子;
根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点;
根据各个所述目标第一特征点对应的第一描述子,与相互匹配的各个所述目标第二特征点的第二描述子,计算所述输入图像与所述待匹配图像的匹配关系,并根据匹配关系对所述输入图像进行校准得到第一图像;
计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列;
根据所述第一哈希值序列和所述第二哈希值序列计算所述输入图像与所述待匹配图像之间的相似度。
在一实施例中,在所述获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子之前,包括:
获取初始输入图像和初始待匹配图像;
对所述初始输入图像的像素值进行灰度化处理得到所述输入图像,和对所述初始待匹配图像的像素值进行灰度化处理得到所述待匹配图像。
在一实施例中,所述根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点,包括;
分别将各个所述第一特征描述子,依次与各个所述第二特征描述子进行初始匹配计算,获取每个所述第一特征点与每个所述第二特征点之间的误差值;
在所述误差值小于或等于误差阈值时,保留满足要求的第一特征点和对应匹配的第二特征点;
对所述满足要求的第一特征点和对应匹配的第二特征点进行过滤,得到过滤后的第一特征点和过滤后的第二特征点,所述过滤后的第一特征点和所述过滤后的第二特征点之间具有一一对应的关系。
在一实施例中,在所述对所述满足要求的第一特征点和对应匹配的第二特征点进行过滤,得到过滤后的第一特征点和过滤后的第二特征点,所述过滤后的第一特征点和所述过滤后的第二特征点之间具有一一对应的关系之后,包括:
通过各个所述过滤后的第一特征点和所述过滤后的第二特征点生成变换矩阵;所述变换矩阵为所述输入图像与所述待匹配图像之间的变换矩阵;
通过所述变换矩阵对所述输入图像进行变换,得到第一图像。
在一实施例中,所述计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列,包括:
缩小所述第一图像的尺寸至目标尺寸,得到缩小第一图像,并缩小所述待匹配图像中的尺寸至目标尺寸,得到缩小待匹配图像;
计算所述缩小第一图像中各个第一像素点的第一系数,所述第一系数用于表示各个第一像素点的图像信息,计算所述缩小待匹配图像中各个待匹配像素点的第二系数,所述第二系数用于表示各个待匹配像素点的图像信息;
获取所述缩小第一图像中的目标部分作为第二图像,并获取所述缩小待匹配图像的目标部分作为第三图像;
根据所述第二图像中的第一系数计算第一哈希值序列,并根据所述第三图像中的第二系数计算第二哈希值序列。
在一实施例中,所述第二图像和第三图像均各自包括多个像素点,每个所述像素点均各自对应一个哈希值;
所述根据所述第二图像中的第一系数计算第一哈希值序列,并根据所述第三图像中的第二系数计算第二哈希值序列,包括:
获取所有所述第二图像中所述第一系数的第一平均值,并获取所有所述第三图像中所述第二系数的第二平均值;
若所述第一系数大于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为1,若所述第一系数小于或等于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为0,生成所述第一哈希值序列;
若所述第二系数大于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为1,若所述第二系数小于或等于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为0,生成所述第二哈希值序列。
在一实施例中,所述根据所述第一哈希值序列和所述第二哈希值序列计算所述输入图像与所述待匹配图像之间的相似度,根据所述相似度获取所述待匹配图像,包括:
获取所述第一哈希序列与所述第二哈希序列之间,相同位置下的所述第一哈希值与所述第二哈希值相等时的个数;
根据所述相同位置下的所述第一哈希值与所述第二哈希值相等时的个数与所述第一哈希值序列中第一哈希值个数的比值,计算所述输入图像与所述待匹配图像之间的相似度。
第二方面,本申请实施例提供了一种图像匹配装置,包括:
第一获取模块,用于获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子;
第二获取模块,用于根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点;
第一计算模块,用于根据各个所述目标第一特征点对应的第一描述子,与相互匹配的各个所述目标第二特征点的第二描述子,计算所述输入图像与所述待匹配图像的匹配关系,并根据匹配关系对所述输入图像进行校准得到第一图像;
第二计算模块,用于计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列;
第三计算模块,用于根据所述第一哈希值和第二哈希值计算所述输入图像与所述待匹配图像之间的相似度。
第三方面,本申请实施例提供了一种终端设备,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如上述第一方面任一项所述的图像匹配方法。
第四方面,本申请实施例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上述第一方面任一项所述的图像匹配方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的图像匹配方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:通过分别获取的待匹配图像和输入图像对特征点和特征描述子,根据特征描述子计算待匹配图像和输入之间匹配的特征点,并根据匹配的特征点的特征描述子对所述输入图像进行校准得到第一图像,再对第一图像进行处理得到目标部分第二图像,对待匹配图像进行处理得到目标部分的第三图像,并通过计算第二图像中各像素点的第一哈希值,和计算第三图像中各像素点的第二哈希值,求出输入图像与待匹配图像之间的相似度。实现通过获取输入图像中部分的图像的哈希值与待匹配图像中部分图像的哈希序列值计算图像之间的相似度,来降低图像误匹配率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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是本申请实施例提供的图像匹配方法的一种实现流程示意图;
图2是本申请实施例提供的图像匹配方法的另一种实现流程示意图;
图3是本申请实施例提供的图像匹配方法的又一种实现流程示意图;
图4是本申请实施例提供的图像匹配方法的再一种实现流程示意图;
图5是本申请实施例提供的图像匹配装置的一种结构示意图;
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提供的图像匹配方法可以应用于平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
参照图1,图1示出了本发明实施例提供的图像匹配方法的实现流程图,详述如下:
S101、获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子。
在应用中,上述待匹配图像可以为预先储存在数据库中图像,上述输入图像为用户在终端设备选择的图像,终端设备可根据用户输入的图像与对数据库中记录的图像进行索引,与数据库中所有已存储的图像进行比对,进而可提取出相似度高的待匹配图像。
在应用中,上述第一特征点可通过局部特征检测(Speed-Up Robust Featuressurf)算法、尺度不变特征转换(Scale Invariant Feature Transform sift)算法进行提取,并计算该第一特征对应的第一特征描述子,对此不作限定。本申请实施例中,限定在特征提取方面,引入surf算子及其描述符提取第一特征和第一特征描述子,使得提取出来的第一特征具有旋转不变性、尺度变换不变性等特征。
在具体应用中,终端设备对输入的图像每个像素点构建黑塞(Hessian)矩阵,通过黑塞矩阵对输入图像中的每个像素点进行计算,提取相对稳定的特征点。其中,获取输入图像中的像素点a(x,y),将像素点输入黑塞矩阵H(x,σ),并根据像素点a在激活函数σ卷积进行确定。其中,像素点在Hessian矩阵H(x,σ)中的计算公式如下:
Lxx表示像素点a在高斯二阶导数g(σ)在x方向进行两次求导得到卷积参数,Lxy表示像素点a在高斯二阶导数g(σ)在x方向求导后,再在y方向求导后得到的卷积参数,Lyy表示像素点a在高斯二阶导数g(σ)在y方向进行两次求导得到卷积参数。而后根据卷积参数在图像上进行卷积操作,得到第一特征点对应的第一特征描述子。
在应用中,上述待匹配图像的各个第二特征点的获取方法可以与上述第一特征点的获取方法相同,对应的各个第二特征描述子的计算方法可以与第一特征描述子的计算方法相同,对此不作详细描述。
S102、根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点。
在应用中,上述提取的第一特征描述子用于表示第一特征点的图像信息,因此,可分别将第一特征描述子与其余各个第二特征描述子进行匹配,当匹配度高于匹配阈值时,可认为第一特征描述子对应的第一特征点,与第二特征描述子对应的第二特征点相互匹配。
示例性的,上述第一特征点的第一特征描述子其中n为第一特征描述子的个数,f为特征维度数,上述第二特征点的第二特征描述子其中,若其中的第一特征描述子A为“10101011”,若第二特征描述子B为“10101010”,可预先设定一个阈值,比如80%,在第一特征描述子A于第二特征描述子B之间,只有最后一位数字不同,因此,可认为其匹配度为87.5%,大于80%,可判定第一特征点与第二特征点相匹配。
在应用中,上述获取所有相互匹配的目标第一特征点和目标第二特征点,可以采取M估计抽样一致性(M-Estimate Sample Consensus,MSAC)算法去除错误的匹配点,保留相互匹配正确的特征点,也可以采用随机抽样一致性(Random Sample Consensus,简称RANSAC)算法,对此不作限定。本实施例中,限定采用M估计抽样一致性算法去除错误的匹配点,以达到减少干扰的噪点,去除个特征点相互间关系不大的误匹配点。
S103、根据各个所述目标第一特征点对应的第一描述子,与相互匹配的各个所述目标第二特征点的第二描述子,计算所述输入图像与所述待匹配图像的匹配关系,并根据匹配关系对所述输入图像进行校准得到第一图像。
在应用中,上述匹配关系包括但不限于旋转关系、缩放关系、平移关系等。图像的基本单位为像素,像素在空间以一定规律进行排列,图像中的每个像素均有一定的空间位置,对图像的坐标变换可通过对像素坐标的变换进行实现。上述第一描述子还可包括目标第一特征点在输入图像上的空间位置信息,第二描述子同样包括目标第二特征点在待匹配图像上的空间位置信息,根据相互匹配的特征点空间位置信息,计算匹配关系,进而根据匹配关系校准输入图像,得到第一图像。
S104、计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列。
在应用中,上述哈希值序列为根据第一图像的各个像素点的像素进行计算得到的。例如,获取第一图像中各个像素点的像素,并获取各个像素点的像素的平均值作为对比阈值,或以第一图像中的中心像素为对比阈值,将第一图像中的各个像素点的像素值与其进行比较,若像素值大于比对阈值,则该像素点的位置被标记为1,否则为0,进而形成表示第一图像的第一哈希序列。
在应用中,还可通过离散余弦变换(Discrete Cosine Transformatio DCT)方法计算第一图像中各个像素点的变换系数,根据各个像素点的变换系数的平均值作为对比阈值,或以第一图像中的中心像素对应的变换系数作为对比阈值,将第一图像中的各个像素点的变换系数与对比阈值进行比较,若变换系数大于比对阈值,则该像素点的位置被标记为1,否则为0,进而形成表示第一图像的第一哈希序列,对此不作限定。其中,图像经过DCT变换后,根据得到的各个像素点变换系数可以看出图像之间的信息分部情况,因此,可通过变换系数来计算第一图像对应的第一哈希值序列表示图像信息。
在应用中,上述待匹配图像对应的哈希值序列与第一哈希序列的计算方法一致,对此不做详细描述。
S105、根据所述第一哈希值序列和所述第二哈希值序列计算所述输入图像与所述待匹配图像之间的相似度。
在应用中,上述根据第一哈希值序列和第二哈希值序列计算相似度,可以为根据计算相同位置下的第一哈希值与第二哈希值相等时的个数与第一哈希值序列中第一哈希值个数的比值,确定输入图像与待匹配图像之间的相似度。示例性的,若第一哈希序列为“1001”,第二哈希序列为“1011”,其中,第一哈希序列与第二哈希序列之间,在相同位置下,只有第三数字不同。因此,可认为其哈希序列不同的个数为1个,第一哈希序列的第一哈希值的个数为4个,因此,可计算出其相似度为75%。其中,通过哈希序列获取图像之间的相似度方法,可为用户自行设置,对此不作限定。
在应用中,上述第一哈希序列与第二哈希序列可以为二进制数字组成的序列码,也可以为8进制组成的序列码,对此不作限定。
在本实施例中,通过分别获取的待匹配图像和输入图像对特征点和特征描述子,根据特征描述子计算待匹配图像和输入之间匹配的特征点,并根据匹配的特征点的特征描述子对所述输入图像进行校准得到第一图像,再对第一图像进行处理得到目标部分第二图像,对待匹配图像进行处理得到目标部分的第三图像,并通过计算第二图像中各像素点的第一哈希值,和计算第三图像中各像素点的第二哈希值,求出输入图像与待匹配图像之间的相似度。实现通过获取输入图像中部分的图像的哈希值与待匹配图像中部分图像的哈希序列值计算图像之间的相似度,来降低图像误匹配率。
参照图2,在一实施例中,S101之前包括:
S201、获取初始输入图像和初始待匹配图像。
S202、对所述初始输入图像的像素值进行灰度化处理得到所述输入图像,和对所述初始待匹配图像的像素值进行灰度化处理得到所述待匹配图像。
在应用中,上述初始输入图像和初始待匹配图像可以为彩色图像,也可以为灰度图像。其中,对于彩色图像,则需要将彩色图像转换为灰度图像。例如,图像灰度化就是使图像色彩的三种颜色分量R、G、B的值相同,由于颜色值的取值范围是[0,255],所以灰度的级别只有256种,即灰度图象仅能表现256种灰度颜色。可将像素点的颜色分量R、G、B中,数值最大的颜色分量作为该像素点的像素值,R=G=B=Max(R,G,B),该像素点的像素为(200,201,202),灰度化处理后,可将该像素点的像素表示为(202,202,202),即为输入图像中该像素点的像素;或者使用R、G、B颜色分量的平均值进行处理,R=G=B=(R+G+B)/3,对此不作限定。
在本实施例中,通过对初始输入图像和初始匹配图像进行灰度化处理,使处理后得到输入图像和待匹配图像的画质得到改善,使图像的显示效果更佳清晰,有利于后续对输入图像和待匹配图像之间的特征提取和计算。
参照图3,在一实施例中,S102包括:
S301、分别将各个所述第一特征描述子,依次与各个所述第二特征描述子进行初始匹配计算,获取每个所述第一特征点与每个所述第二特征点之间的误差值。
在应用中,上述在获取输入图像的第一特征点与待匹配图像的第二特征点时,均会获取到多个特征点,和多个特征点对应的特征描述子。因此,为确定各个第一特征点均对应的第二特征点,可依次将各个第一特征点的特征描述子,分别与各个第二特征点的第二特征描述子进行初始匹配计算。
在应用中,上述初始匹配计算可以为通过M估计抽样一致性(M-Estimate SampleConsensus,MSAC)算法去除错误的匹配点,例如,预先通过样本图像的样本数据迭代计算初始匹配算法的模型,并根据最终得到的计算模型,计算每个第一特征描述子与每个第二特征描述子之间的误差值。通过采用MSAC算法获取计算模型,根据计算模型对第一特征描述子和第二特征描述子进行计算,获取各个特征描述子之间的误差值,通过与误差阈值进行比对来去除在对图像处理过程中,因噪点产生的图像干扰,去除相互间匹配关系不大的误匹配点。
S302、在所述误差值小于或等于误差阈值时,保留满足要求的第一特征点和对应匹配的第二特征点。
在应用中,上述误差阈值可以为用户预先设置的阈值,也可以为终端设备设置的阈值,对此不作限定。通过将第一特征描述子h={hn}和第二特征描述子p={pm}进行配准,如将第一描述子h1依次与各个第二特征描述子P均进行误差值计算,并在误差值小于或等于误差阈值时,保留满足要求的第一特征点和对应匹配的第二特征点。其中,第一特征描述子的个数与第二特征描述子的个数可相等或不等,对此不作限定。
S303、对所述满足要求的第一特征点和对应匹配的第二特征点进行过滤,得到过滤后的第一特征点和过滤后的第二特征点,所述过滤后的第一特征点和所述过滤后的第二特征点之间具有一一对应的关系。
在应用中,通过上述计算得到的第一特征点与第二特征点可能存在一个第一特征点对应匹配多个第二特征点。即将第一描述子h1依次与各个第二特征描述子P均进行误差值计算时,h1与p1、p2之间计算的误差值均满足要求,因此,可选取h1与p1、p2之间误差值更小的第二特征描述子,作为与h1匹配的第一特征描述子,或者多次计算h1与p1、p2之间误差值,选取平均误差值更小的第二特征描述子,作为与h1匹配的第一特征描述子,对此不作限定。
在其他应用中,若过滤后的第一特征点和过滤后的第二特征点相互匹配的个数少于一定数值时,也可直接结束对输入图像还待匹配图像的后续处理过程。例如,若输入图像中只有一个第一特征点与一个第二特征点之间相互匹配,则可判定输入图像与待匹配图像之间的匹配度少,其输入图像与待匹配图像之间的相似度极低,若要选取相似度高的待匹配图像时,则可在此步骤判定输入图像与待匹配图像之间并不匹配。
在本实施例中,通过采用SAC算法对第一特征描述子和第二特征描述子进行计算,获取各个特征描述子之间的误差值,通过与误差阈值进行比对初步去除在对图像处理过程中,因噪点产生的图像干扰,去除相互间匹配关系不大的误匹配点,之后再对具有多个匹配关系特征描述子中,进一步地将误差较大的特征点进行过滤,提供图像匹配的准确率。
参照图4,在一实施例中,S303之后,包括:
S401、通过各个所述过滤后的第一特征点和所述过滤后的第二特征点生成变换矩阵;所述变换矩阵为所述输入图像与所述待匹配图像之间的变换矩阵。
S402、通过所述变换矩阵对所述输入图像进行变换,得到第一图像。
在应用中,上述变换矩阵为输入图像与待匹配图像之间变换关系的矩阵,用于校正输入图像,使输入图像与待匹配图像之间相互匹配的特征点处于同一表面的位置,可以更好地在对输入图像于待匹配图像同时进行分割、目标检测与识别等操作时,降低其误匹配率。
在应用中,可先对第一特征描述子h={hn}和第二特征描述子p={pm}中相互匹配的特征描述子赋予位置信息,之后根据位置信息计算变换矩阵。例如,h1与p1相互匹配时,若输入图像与待匹配图像为二维图像,可在输入图像与待匹配图像中均各自限定以图像中心部分为坐标原点,构建二维坐标系,h1在输入图像的位置信息则可以(x,y)表示,p1在待匹配图像中则可以(x′,y′)进行表示。若x'=xcosθ-ysinθ;y'=xsinθ+ycosθ,写成矩阵为:
则表明输入图像需绕坐标原点旋转θ角度,得到第一图像。
在本实施例中,通过对输入图像进行校准,得到校准后的第一图像,消除输入图像与待匹配图像之间相互匹配的特征点在图像中的位置信息误差,有利于对后续对第一图像与待匹配图像中的相似度计算。
在一实施例中,步骤S104包括:
缩小所述第一图像的尺寸至目标尺寸,得到缩小第一图像,并缩小所述待匹配图像中的尺寸至目标尺寸,得到缩小待匹配图像。
在应用中,上述目标尺寸为第一图像中的像素大小。例如,上述目标尺寸为32*32,即为第一图像中水平方向与竖直方向上的像素值均为32*32。终端设备在判定输入图像的尺寸不为32*32时,则修改输入图像的尺寸并保存,得到缩小第一图像。上述对待匹配图像的尺寸处理与第一图像的尺寸处理一致,均需得到目标尺寸的图像,对此不做详细描述。
计算所述缩小第一图像中各个第一像素点的第一系数,所述第一系数用于表示各个第一像素点的图像信息,计算所述缩小待匹配图像中各个待匹配像素点的第二系数,所述第二系数用于表示各个待匹配像素点的图像信息。
在应用中,上述第一系数为对缩小第一图像中进行DCT变换后,得到的各个像素点的变换系数,其中,根据每个像素点的变换系数可以看出图像之间高频系数分部情况和低频系数分部情况,用于表示图像信息。
在具体应用中,可以设定缩小第一图像和缩小待匹配图像的中心处为坐标原点,构建每个的像素点的二维空间坐标向量,上述离散余弦正变换的公式如下:上述离散余弦反变换的公式如下:/>其中,x,y表示各个像素点在二维空间域的坐标向量值;u,v表示各个像素点在二维频率域的坐标向量值,其中f(x,y)为二维空间域中的二维向量;F(u,v)为变换系数矩阵,即缩小第一图像中各个像素点的第一系数,及缩小待匹配图像中各个像素点的第二系数。
获取所述缩小第一图像中的目标部分作为第二图像,并获取所述缩小待匹配图像的目标部分作为第三图像。
在应用中,上述缩小第一图像在经过DCT变换后,根据变换系数可以看出图像之间高频系数分部情况和低频系数分部情况,而图像信息大部分保存在低频系数中,且在图像处理过程中因噪点干扰,而使得图像中被干扰的部分在经过DCT变换后的系数会处于高频系数,因此,需要避免噪点干扰的图像部分来进行相似度计算。
在具体应用中,在对缩小第一图像进行离散余弦变化后,其低频系数对应的低频部分一般处于图像的左上角区域。因此,可限定第二图像具体为32*32的缩小第一图像,将缩小第一图像分为16个8*8像素尺寸大小的图像,将缩小第一图像中左上角第一个8*8像素尺寸大小的图像作为目标部分的第二图像。即判定左上角第一个8*8像素尺寸中根据各个像素点计算后对应的系数即为低频系数,其余像素点计算后对应的系数即为高频系数。,
在应用中,上述获取缩小待匹配图像中第三图像的方法,与在缩小第一图像中获取第二图像的方法一致,对此不作详细描述。
在其他应用中,缩小第一图像的像素尺寸与缩小待匹配图像的像素尺寸,可根据实际应用场景进行设定,对此不作限定。上述将缩小第一图像中左上角第一个8*8像素尺寸大小的图像作为目标部分的第二图像,将缩小待匹配图像中左上角第一个8*8像素尺寸大小的图像作为目标部分的第三图像,可根据实际应用场景,对应限定缩小第一图像中的某一部分作为第二图像,或限定缩小输入图像中的某一部分作为第三图像,对此不作限定。
根据所述第二图像中的第一系数计算第一哈希值序列,并根据所述第三图像中的第二系数计算第二哈希值序列。
在应用中,上述第二图像为8*8像素尺寸的图像,即其中包括64个像素点,每个像素点均对应一个第一系数,可根据64个第一系数生成64位的第一哈希值序列。示例性的,可以获取第二图像中所有像素点对应的第一系数的平均值,依次从上往下、从左至右将各个像素点对应的第一系数与第一系数的平均值对进行比对,生成第一图像的第一哈希值序列。
在应用,上述根据第三图像的第二系数生成第二哈希值序列的方法,与根据第二图像中的第一系数生成第一哈希值序列的方法一种,对此不做详细描述。
在本实施例中,通过离散余弦变换生成缩小第一图像的第一系数来表示缩小第一图像的图像信息,和生成缩小输入图像生成第二系数来表示缩小待匹配图像的图像信息,并获取其中低频系数的部分图像生成哈希值序列,来进行相似度计算,提高输入图像和待匹配图像之间计算的相似度的准确性,降低图像匹配的误匹配率。
在一实施例中,所述第二图像和第三图像均各自包括多个像素点,每个所述像素点均各自对应一个哈希值;所述根据所述第二图像中的第一系数计算第一哈希值序列,并根据所述第三图像中的第二系数计算第二哈希值序列,包括:
获取所有所述第二图像中所述第一系数的第一平均值,并获取所有所述第三图像中所述第二系数的第二平均值。
若所述第一系数大于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为1,若所述第一系数小于或等于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为0,生成所述第一哈希值序列。
若所述第二系数大于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为1,若所述第二系数小于或等于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为0,生成所述第二哈希值序列。
在应用中,若上述第二图像为8*8像素尺寸的图像,可获取64个像素点对应的第一系数的平均值,依次从上往下、从左至右将各个像素点对应的第一系数与第一系数的平均值对进行比对,若第一系数大于第一平均值,则设置该第一系数对应的像素点的第一哈希值为1,若第一系数小于或等于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为0,依次从上往下、从左至右获取各个像素点对应的第一哈希值,生成第一哈希值序列。
在应用中,上述获取第二哈希值序列的方法与或第一哈希值序列的方法一致。例如,上述通过64个第一哈希值生成第一哈希序列,其组合的生成第一哈希序列的顺序可以更改,在通过64个第二哈希值生成第二哈希序列时,其组合生成第二哈希序列的顺序需与组合生成第一哈希序列的顺序一致。
在本实施例中,通过使用低频系数来生成哈希值序列进行相似度计算,去除高频系数对应的图像部分,减少图像在处理过程中产生的噪点干扰,提高输入图像和待匹配图像之间计算的相似度的准确性,降低图像匹配的误匹配率。
在一实施例中,S105包括:
获取所述第一哈希序列与所述第二哈希序列之间,相同位置下的所述第一哈希值与所述第二哈希值相等时的个数。
在应用中,上述第一哈希序列和第二哈希序列均为“0”和“1”组成的64位数字,即每个“0”和“1”均有个对应的顺序“1、2、...、64”,可根据顺序对比第一哈希序列和第二哈希序列中,计算在相同的顺序位置下有多少位数字是不一样的。例如,第一哈希序列为“1011...1011”,第二哈希序列为“1101...1011”,可知两组哈希序列中,只有第二位数字不同,可确定相同位置下的第一哈希值与第二哈希值相等时的个数为63。
根据所述相同位置下的所述第一哈希值与所述第二哈希值相等时的个数与所述第一哈希值序列中第一哈希值个数的比值,计算所述输入图像与所述待匹配图像之间的相似度。
在应用中,上述若确定相同位置下相等的个数,可计算相等的个数与第一哈希序列码的总个数的比值,作为图像之间的相似度。
在其他应用中,若所述待匹配图像具有多个,在输入图像依次与其余待匹配图像进行处理后,分别获取输入图像与各个待匹配图像之间到的相似度,并根据相似度的大小,先输出相似度最大的待匹配图像,并依次输出其余带匹配图像;或者,设置一个相似度阈值,只输出相似度大于相似度阈值的图像,并丢弃其余相似度小于或等于相似度阈值的待匹配图像,对此不作限定。
在本实施例中,通过计算相同位置下的第一哈希值与第二哈希值相等时的个数与第一哈希值序列中第一哈希值个数的比值,来计算输入图像与待匹配图像之间的相似度,减少图像之间相似度的计算量。
在其他实施例中,对于生成的输入图像的第一哈希序列,与待匹配图像的第二哈希序列,可对当前输入图像的第一哈希序列和待匹配图像的第二哈希序列均进行加密,而后建立输入图像与待匹配图像的关联关系并保存在数据库中。在下次终端设备获取到输入图像后,可根据关联关系直接获取到之前以计算过相似度的待匹配图像,并获取加密后的第二哈希序列,进行逆向置乱来得到原来的第一哈希序列,再次计算其相似度。在对保存大量图像数据的数据库中,可以减少输入图像待匹配图像之间的计算量,且可防止他人在窃取数据库中匹配图像加密后的第一哈希序列和待输入图像加密后的第二哈希序列,也无法对其进行解密,计算其正确的相似度。其中。加密方法包括但不限于选择逻辑(logistic)混沌序列、对称加密、非对称加密,对此不作限定。
如图5所示,本实施例还提供一种图像匹配装置100,包括:
第一获取模块10,用于获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子;
第二获取模块20,用于根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点。
第一计算模块30,用于根据各个所述目标第一特征点对应的第一描述子,与相互匹配的各个所述目标第二特征点的第二描述子,计算所述输入图像与所述待匹配图像的匹配关系,并根据匹配关系对所述输入图像进行校准得到第一图像。
第二计算模块40,用于计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列。
第三计算模块50,用于根据所述第一哈希值和第二哈希值计算所述输入图像与所述待匹配图像之间的相似度。
在一实施例中,图像匹配装置100还包括:
第三获取模块,用于获取初始输入图像和初始待匹配图像;
处理模块,用于对所述初始输入图像的像素值进行灰度化处理得到所述输入图像,和对所述初始待匹配图像的像素值进行灰度化处理得到所述待匹配图像。
在一实施例中,第二获取模块20还用于;
分别将各个所述第一特征描述子,依次与各个所述第二特征描述子进行初始匹配计算,获取每个所述第一特征点与每个所述第二特征点之间的误差值;
在所述误差值小于或等于误差阈值时,保留满足要求的第一特征点和对应匹配的第二特征点;
对所述满足要求的第一特征点和对应匹配的第二特征点进行过滤,得到过滤后的第一特征点和过滤后的第二特征点,所述过滤后的第一特征点和所述过滤后的第二特征点之间具有一一对应的关系。
在一实施例中,第二获取模块20还用于:
通过各个所述过滤后的第一特征点和所述过滤后的第二特征点生成变换矩阵;所述变换矩阵为所述输入图像与所述待匹配图像之间的变换矩阵;
通过所述变换矩阵对所述输入图像进行变换,得到第一图像。
在一实施例中,第二计算模块40还用于:
缩小所述第一图像的尺寸至目标尺寸,得到缩小第一图像,并缩小所述待匹配图像中的尺寸至目标尺寸,得到缩小待匹配图像;
计算所述缩小第一图像中各个第一像素点的第一系数,所述第一系数用于表示各个第一像素点的图像信息,计算所述缩小待匹配图像中各个待匹配像素点的第二系数,所述第二系数用于表示各个待匹配像素点的图像信息;
获取所述缩小第一图像中的目标部分作为第二图像,并获取所述缩小待匹配图像的目标部分作为第三图像;
根据所述第二图像中的第一系数计算第一哈希值序列,并根据所述第三图像中的第二系数计算第二哈希值序列。
在一实施例中,所述第二图像和第三图像均各自包括多个像素点,每个所述像素点均各自对应一个哈希值;第二计算模块40还用于:
获取所有所述第二图像中所述第一系数的第一平均值,并获取所有所述第三图像中所述第二系数的第二平均值;
若所述第一系数大于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为1,若所述第一系数小于或等于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为0,生成所述第一哈希值序列;
若所述第二系数大于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为1,若所述第二系数小于或等于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为0,生成所述第二哈希值序列。
在一实施例中,第三计算模块50用于:
获取所述第一哈希序列与所述第二哈希序列之间,相同位置下的所述第一哈希值与所述第二哈希值相等时的个数;
根据所述相同位置下的所述第一哈希值与所述第二哈希值相等时的个数与所述第一哈希值序列中第一哈希值个数的比值,计算所述输入图像与所述待匹配图像之间的相似度。
本申请实施例还提供了一种终端设备,该终端设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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任意各个方法实施例中的步骤。
本申请实施例还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存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时可实现上述各个方法实施例中的步骤。
图6是本申请一实施例提供的终端设备80的示意图。如图6所示,该实施例的终端设备80包括:处理器803、存储器801以及存储在所述存储器801中并可在所述处理器803上运行的计算机程序802。所述处理器803执行所述计算机程序802时实现上述各个方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器803执行所述计算机程序802时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序802可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器801中,并由所述处理器803执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序802在所述终端设备80中的执行过程。例如,所述计算机程序802可以被分割成第一获取模块、第二获取模块、第一计算模块、第二计算模块和第三计算模块,各模块具体功能如下:
第一获取模块,用于获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子。
第二获取模块,用于根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点。
第一计算模块,用于根据各个所述目标第一特征点对应的第一描述子,与相互匹配的各个所述目标第二特征点的第二描述子,计算所述输入图像与所述待匹配图像的匹配关系,并根据匹配关系对所述输入图像进行校准得到第一图像。
第二计算模块,用于计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列。
第三计算模块,用于根据所述第一哈希值和第二哈希值计算所述输入图像与所述待匹配图像之间的相似度。
所述终端设备80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。所述终端设备可包括,但不仅限于,处理器803、存储器801。本领域技术人员可以理解,图6仅仅是终端设备80的示例,并不构成对终端设备80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,例如所述终端设备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803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。
所述存储器801可以是所述终端设备80的内部存储单元,例如终端设备80的硬盘或内存。所述存储器801也可以是所述终端设备80的外部存储设备,例如所述终端设备80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。在一个实施例中,所述存储器801还可以既包括所述终端设备80的内部存储单元也包括外部存储设备。所述存储器801用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器801还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种图像匹配方法,其特征在于,包括:
获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子;其中,所述待匹配图像为预先储存在数据库中图像;
根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点;
根据各个所述目标第一特征点对应的第一描述子,与相互匹配的各个所述目标第二特征点的第二描述子,计算所述输入图像与所述待匹配图像的匹配关系,并根据匹配关系对所述输入图像进行校准得到第一图像;
计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列;
根据所述第一哈希值序列和所述第二哈希值序列计算所述输入图像与所述待匹配图像之间的相似度;
所述根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点,包括;
分别将各个所述第一特征描述子,依次与各个所述第二特征描述子进行初始匹配计算,获取每个所述第一特征点与每个所述第二特征点之间的误差值;在所述误差值小于或等于误差阈值时,保留满足要求的第一特征点和对应匹配的第二特征点;对所述满足要求的第一特征点和对应匹配的第二特征点进行过滤,得到过滤后的第一特征点和过滤后的第二特征点,所述过滤后的第一特征点和所述过滤后的第二特征点之间具有一一对应的关系;
在所述对所述满足要求的第一特征点和对应匹配的第二特征点进行过滤,得到过滤后的第一特征点和过滤后的第二特征点,所述过滤后的第一特征点和所述过滤后的第二特征点之间具有一一对应的关系之后,包括:
通过各个所述过滤后的第一特征点和所述过滤后的第二特征点生成变换矩阵;所述变换矩阵为所述输入图像与所述待匹配图像之间的变换矩阵;通过所述变换矩阵对所述输入图像进行变换,使输入图像与所述待匹配图像之间相互匹配的特征点处于同一表面的位置,得到第一图像:
所述图像匹配方法,还包括:对当前输入图像的第一哈希序列和待匹配图像的第二哈希序列均进行加密,并建立输入图像与待匹配图像的关联关系并保存在数据库中,在新获取到输入图像后,根据所述关联关系直接获取到之前已计算过相似度的待匹配图像,并获取加密后的第二哈希序列,进行逆向置乱来得到原来的第一哈希序列,再次计算其相似度。
2.如权利要求1所述的图像匹配方法,其特征在于,在所述获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子之前,包括:
获取初始输入图像和初始待匹配图像;
对所述初始输入图像的像素值进行灰度化处理得到所述输入图像,和对所述初始待匹配图像的像素值进行灰度化处理得到所述待匹配图像。
3.如权利要求1所述的图像匹配方法,其特征在于,所述计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列,包括:
缩小所述第一图像的尺寸至目标尺寸,得到缩小第一图像,并缩小所述待匹配图像中的尺寸至目标尺寸,得到缩小待匹配图像;
计算所述缩小第一图像中各个第一像素点的第一系数,所述第一系数用于表示各个第一像素点的图像信息,计算所述缩小待匹配图像中各个待匹配像素点的第二系数,所述第二系数用于表示各个待匹配像素点的图像信息;
获取所述缩小第一图像中的目标部分作为第二图像,并获取所述缩小待匹配图像的目标部分作为第三图像;
根据所述第二图像中的第一系数计算第一哈希值序列,并根据所述第三图像中的第二系数计算第二哈希值序列。
4.如权利要求3所述的图像匹配方法,其特征在于,所述第二图像和第三图像均各自包括多个像素点,每个所述像素点均各自对应一个哈希值;
所述根据所述第二图像中的第一系数计算第一哈希值序列,并根据所述第三图像中的第二系数计算第二哈希值序列,包括:
获取所有所述第二图像中所述第一系数的第一平均值,并获取所有所述第三图像中所述第二系数的第二平均值;
若所述第一系数大于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为1,若所述第一系数小于或等于第一平均值,则设置该所述第一系数对应的像素点的第一哈希值为0,生成所述第一哈希值序列;
若所述第二系数大于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为1,若所述第二系数小于或等于第二平均值,则设置该所述第二系数对应的像素点的第二哈希值为0,生成所述第二哈希值序列。
5.如权利要求3所述的图像匹配方法,其特征在于,所述根据所述第一哈希值序列和所述第二哈希值序列计算所述输入图像与所述待匹配图像之间的相似度,根据所述相似度获取所述待匹配图像,包括:
获取所述第一哈希值序列与所述第二哈希值序列之间,相同位置下的所述第一哈希值与所述第二哈希值相等时的个数;
根据所述相同位置下的所述第一哈希值与所述第二哈希值相等时的个数与所述第一哈希值序列中第一哈希值个数的比值,计算所述输入图像与所述待匹配图像之间的相似度。
6.一种图像匹配装置,其特征在于,包括:
第一获取模块,用于获取输入图像的各个第一特征点对应的各个第一特征描述子,并获取待匹配图像的各个第二特征点对应的各个第二特征描述子;其中,所述待匹配图像为预先储存在数据库中图像;
第二获取模块,用于根据各个所述第一特征描述子与各个所述第二特征描述子,获取所有相互匹配的目标第一特征点和目标第二特征点;
第一计算模块,用于根据各个所述目标第一特征点对应的第一描述子,与相互匹配的各个所述目标第二特征点的第二描述子,计算所述输入图像与所述待匹配图像的匹配关系,并根据匹配关系对所述输入图像进行校准得到第一图像;
第二计算模块,用于计算与所述第一图像对应的第一哈希值序列,并计算与所述待匹配图像对应的第二哈希值序列;
第三计算模块,用于根据所述第一哈希值和第二哈希值计算所述输入图像与所述待匹配图像之间的相似度;
所述第二获取模块,还用于:
分别将各个所述第一特征描述子,依次与各个所述第二特征描述子进行初始匹配计算,获取每个所述第一特征点与每个所述第二特征点之间的误差值;在所述误差值小于或等于误差阈值时,保留满足要求的第一特征点和对应匹配的第二特征点;对所述满足要求的第一特征点和对应匹配的第二特征点进行过滤,得到过滤后的第一特征点和过滤后的第二特征点,所述过滤后的第一特征点和所述过滤后的第二特征点之间具有一一对应的关系;
所述第二获取模块,还用于:
通过各个所述过滤后的第一特征点和所述过滤后的第二特征点生成变换矩阵;所述变换矩阵为所述输入图像与所述待匹配图像之间的变换矩阵;通过所述变换矩阵对所述输入图像进行变换,使输入图像与所述待匹配图像之间相互匹配的特征点处于同一表面的位置,得到第一图像;
所述图像匹配装置,还用于:对当前输入图像的第一哈希序列和待匹配图像的第二哈希序列均进行加密,并建立输入图像与待匹配图像的关联关系并保存在数据库中,在新获取到输入图像后,根据所述关联关系直接获取到之前已计算过相似度的待匹配图像,并获取加密后的第二哈希序列,进行逆向置乱来得到原来的第一哈希序列,再次计算其相似度。
7.一种终端设备,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任一项所述的方法。
8.一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任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116628.3A CN111340109B (zh) | 2020-02-25 | 2020-02-25 | 图像匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116628.3A CN111340109B (zh) | 2020-02-25 | 2020-02-25 | 图像匹配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340109A CN111340109A (zh) | 2020-06-26 |
CN111340109B true CN111340109B (zh) | 2024-01-26 |
Family
ID=71185617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010116628.3A Active CN111340109B (zh) | 2020-02-25 | 2020-02-25 | 图像匹配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340109B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115295A (zh) * | 2020-08-27 | 2020-12-22 | 广州华多网络科技有限公司 | 视频图像检测方法、装置、及电子设备 |
CN112215302A (zh) * | 2020-10-30 | 2021-01-12 | Oppo广东移动通信有限公司 | 图像的标识方法、标识装置及终端设备 |
CN113704532B (zh) * | 2020-11-25 | 2024-04-26 | 天翼数字生活科技有限公司 | 一种提升图片检索召回率的方法和系统 |
CN112766264A (zh) * | 2021-01-25 | 2021-05-07 | 广州互联网法院 | 图片比对方法及电子设备、计算机可读存储介质 |
CN112990228B (zh) * | 2021-03-05 | 2024-03-29 | 浙江商汤科技开发有限公司 | 图像特征匹配方法和相关装置、设备及存储介质 |
CN113538606B (zh) * | 2021-08-17 | 2022-07-22 | 数坤(北京)网络科技股份有限公司 | 图像关联方法、装置、计算机可读存储介质及电子设备 |
CN113963179A (zh) * | 2021-12-21 | 2022-01-21 | 深圳视觉航空科技有限公司 | 一种基于sift的图像特征纹理追踪识别算法 |
CN114492681B (zh) * | 2022-04-19 | 2022-06-28 | 南通人民彩印有限公司 | 应用电子设备识别彩印包装图案方法及其计算机视觉系统 |
CN116824183B (zh) * | 2023-07-10 | 2024-03-12 | 北京大学 | 基于多重特征描述符的图像特征匹配方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239792A (zh) * | 2017-05-12 | 2017-10-10 | 大连理工大学 | 一种基于二进制描述子的工件识别方法及装置 |
CN107423768A (zh) * | 2017-08-02 | 2017-12-01 | 上海应用技术大学 | 基于surf和pca结合的图像哈希序列生成方法 |
CN107492091A (zh) * | 2017-07-06 | 2017-12-19 | 东莞理工学院 | 基于机器视觉的标签外观检测方法及终端设备 |
CN108446627A (zh) * | 2018-03-19 | 2018-08-24 | 南京信息工程大学 | 一种基于局部深度哈希的航拍图像匹配方法 |
CN108594816A (zh) * | 2018-04-23 | 2018-09-28 | 长沙学院 | 一种通过改进orb-slam算法实现定位与构图的方法和系统 |
WO2018184255A1 (zh) * | 2017-04-06 | 2018-10-11 | 华为技术有限公司 | 图像校正的方法和装置 |
WO2019019595A1 (zh) * | 2017-07-27 | 2019-01-31 | 平安科技(深圳)有限公司 | 图片匹配方法及电子设备方法、装置、电子设备及介质 |
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
CN110738236A (zh) * | 2019-09-16 | 2020-01-31 | 深圳市国信合成科技有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2680223A1 (en) * | 2011-02-23 | 2014-01-01 | Nec Corporation | Feature point matching device, feature point matching method, and non-temporary computer-readable medium having feature point matching program stored thereon |
-
2020
- 2020-02-25 CN CN202010116628.3A patent/CN111340109B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018184255A1 (zh) * | 2017-04-06 | 2018-10-11 | 华为技术有限公司 | 图像校正的方法和装置 |
CN107239792A (zh) * | 2017-05-12 | 2017-10-10 | 大连理工大学 | 一种基于二进制描述子的工件识别方法及装置 |
CN107492091A (zh) * | 2017-07-06 | 2017-12-19 | 东莞理工学院 | 基于机器视觉的标签外观检测方法及终端设备 |
WO2019019595A1 (zh) * | 2017-07-27 | 2019-01-31 | 平安科技(深圳)有限公司 | 图片匹配方法及电子设备方法、装置、电子设备及介质 |
CN107423768A (zh) * | 2017-08-02 | 2017-12-01 | 上海应用技术大学 | 基于surf和pca结合的图像哈希序列生成方法 |
CN108446627A (zh) * | 2018-03-19 | 2018-08-24 | 南京信息工程大学 | 一种基于局部深度哈希的航拍图像匹配方法 |
CN108594816A (zh) * | 2018-04-23 | 2018-09-28 | 长沙学院 | 一种通过改进orb-slam算法实现定位与构图的方法和系统 |
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
CN110738236A (zh) * | 2019-09-16 | 2020-01-31 | 深圳市国信合成科技有限公司 | 图像匹配方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111340109A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340109B (zh) | 图像匹配方法、装置、设备及存储介质 | |
CN108334879B (zh) | 一种区域提取方法、系统及终端设备 | |
CN108269274B (zh) | 基于傅里叶变换和Hough变换的图像配准方法 | |
CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
CN111311497B (zh) | 一种条形码图像角度校正方法和装置 | |
CN111311593B (zh) | 一种多椭圆检测和评估算法、装置及终端 | |
CN114187333A (zh) | 一种图像对齐方法、图像对齐装置及终端设备 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN111199197A (zh) | 一种人脸识别的图像提取方法及处理设备 | |
WO2022199395A1 (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
Ghafoor et al. | Robust image matching algorithm | |
CN111161348A (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
Guil et al. | Bidimensional shape detection using an invariant approach | |
CN112435283A (zh) | 图像的配准方法、电子设备以及计算机可读存储介质 | |
CN110827334B (zh) | 形变场确定方法、确定装置、终端设备及可读存储介质 | |
CN108629219B (zh) | 一种识别一维码的方法及装置 | |
CN111488811A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN111275622A (zh) | 图像拼接方法、装置及终端设备 | |
Zuo et al. | Rotation invariant similarity measure for non-local self-similarity based image denoising | |
CN112200004B (zh) | 图像检测模型的训练方法、装置及终端设备 | |
Du et al. | Image hashing for tamper detection with multiview embedding and perceptual saliency | |
CN113554035A (zh) | 基于光流的特征匹配方法、智能终端及计算机存储介质 | |
CN113674130A (zh) | 图像处理方法及装置、存储介质、终端 |
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 |