CN111444363B - 一种图片检索方法、装置、终端设备及存储介质 - Google Patents
一种图片检索方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111444363B CN111444363B CN202010134572.4A CN202010134572A CN111444363B CN 111444363 B CN111444363 B CN 111444363B CN 202010134572 A CN202010134572 A CN 202010134572A CN 111444363 B CN111444363 B CN 111444363B
- Authority
- CN
- China
- Prior art keywords
- cluster
- picture
- feature vector
- preset
- preset number
- 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
Images
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
- G06F16/55—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
- G06F16/53—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
- G06F16/58—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及一种图片检索方法、装置、终端设备及存储介质,该方法包括:获取待检索图片;获取待检索特征向量;获取图片样本集及与其对应的特征向量集;以第一预设数目作为类簇数对特征向量集进行聚类,得到第一聚类簇集合;基于预设的分配规则,将第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素分配至其余的聚类簇内,得到更新后的第一聚类簇集合;在更新后的第一聚类簇集合中,选取中心点与待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;在第二聚类簇集合中,检索出与待检索特征向量之间的距离最小的第三预设数目个元素,并将图片样本集中对应的图片作为图片检索结果。采用本发明能准确地实现图片检索。
Description
技术领域
本发明涉及图像检索技术领域,尤其涉及一种图片检索方法、装置、终端设备及存储介质。
背景技术
随着信息技术的发展,图片检索已经深入应用到社会和生活的许多方面。
目前,一般是通过聚类算法将预设的图片数据库中的全量图片对应的特征向量聚为多个聚类簇,再将待检索图片的特征向量与多个聚类中心进行比较,以找出距离最近的一个聚类簇,然后将待检索图片的特征向量与该聚类簇内的元素进行比较,找出最相似的若干条元素,再将与最相似的若干条元素对应的图片作为图片检索结果,从而实现图片检索。然而,发明人在实施本发明的过程中发现,由于在将预设的图片数据库中的全量图片对应的特征向量聚类的过程中,产生过小类(包含的数据量很小的聚类簇)的概率非常大,如果与待检索图片的特征向量的距离最近的聚类簇为过小类,并在其中进行图片检索,会因数据量较小而容易导致得到错误的图片检索结果,但目前在进行图片检索时并未对聚类得到的过小类进行处理,因此存在图片检索准确率低的问题。
发明内容
本发明实施例提供一种图片检索方法、装置、终端设备及存储介质,能够对图片检索过程中产生的数据量过小的聚类簇进行处理,从而准确地实现图片检索。
为了实现上述目的,第一方面,本发明实施例提供一种图片检索方法,包括:
获取待检索图片;
对所述待检索图片进行特征提取,得到待检索特征向量;
获取图片样本集及与其相对应的特征向量集;
以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;
基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;
在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;
在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果。
作为上述方案的改进,所述获取图片样本集及与其相对应的特征向量集,具体包括:
计算预设的图片数据库中各个图片集之间的分离度;其中,所述图片数据库中包含若干个图片集,每两个图片集之间的分离度等于该两个图片集的采集时间之差的绝对值和采集地点的距离之和;
分别以采集时间和采集地点作为分层维度,对所述图片数据库中分离度最高的两个图片集中的图片进行分层抽样,抽取出第四预设数目张图片作为图片样本集;
获取所述图片样本集中各图片的特征向量,建立特征向量集。
作为上述方案的改进,所述对所述特征向量集进行聚类,得到第一预设数目个聚类簇,具体包括:
S1:初始化第一预设数目个中心点;其中,每个中心点对应一个聚类簇;
S2:计算所述特征向量集中的每个元素与各个中心点之间的距离,并将所述特征向量集中的每个元素分配至与其距离最近的中心点对应的聚类簇中,得到第一预设数目个聚类簇;
S3:更新各个聚类簇的中心点;
S4:判断各个聚类簇的更新后的中心点与更新前的中心点之间的位置变化值是否均小于预设的第二阈值;若是,则结束;若否,则返回步骤S2。
作为上述方案的改进,所述初始化第一预设数目个中心点,具体包括:
S11:从所述特征向量集中随机选取一个元素,作为第1个中心点,并设置m=1;
S12:计算第m个中心点到所述特征向量集中的每个元素的距离,并生成距离向量;
S13:计算所述距离向量的元素和以及累计和向量;
S14:生成一个预设长度的随机向量;
S15:将所述随机向量与所述距离向量的元素和相乘,得到第一向量;
S16:获取所述第一向量的各元素被按顺序插入至所述累计和向量的位置,并生成第二向量;
S17:计算所述特征向量集中被所述第二向量所指向的各个元素对应的距离和,并将对应的距离和最小的元素作为第m+1个中心点;其中,每个元素对应的距离和等于该元素与所述特征向量集中的所有元素之间的距离之和;
S18:将m的值修改为m+1,并判断m是否等于所述第一预设数目;若是,则结束;若否,则返回步骤S12。
作为上述方案的改进,所述基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合之前,还包括步骤:
以第五预设数目作为类簇数,分别对所述第一聚类簇集合中的每个数据量大于预设的第三阈值的聚类簇进行聚类,以更新所述第一聚类簇集合。
作为上述方案的改进,在所述以第五预设数目作为类簇数,分别对所述第一聚类簇集合中的每个数据量大于预设的第三阈值的聚类簇进行聚类,以更新所述第一聚类簇集合之前,还包括步骤:
在接收到用户新增图片样本的指令时,获取新增的图片样本及其对应的特征向量;
获取上一次检索得到的图片检索结果,并计算其准确率;
当判断到所述上一次检索得到的图片检索结果的准确率小于预设的第四阈值时,分别将所述新增的图片样本及其对应的特征向量加入至所述图片样本集和所述特征向量集中,并返回至所述以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合的步骤;
当判断到所述上一次检索得到的图片检索结果的准确率大于或等于所述第四阈值时,将所述新增的图片样本加入至所述图片样本集,并基于所述分配规则,将所述新增的图片样本对应的特征向量分配至所述第一聚类簇集合中的各聚类簇内,并更新所述第一聚类簇集合中各聚类簇的中心点。
作为上述方案的改进,所述第二预设数目的取值范围具体为:1≤s≤int(k/3);
其中,s表示所述第二预设数目,k表示所述更新后的第一聚类簇集合的聚类簇个数,k≥3,int()表示取整函数。
另一方面,本发明实施例提供了一种图片检索装置,包括:
第一获取模块,用于获取待检索图片;
特征提取模块,用于对所述待检索图片进行特征提取,得到待检索特征向量;
第二获取模块,用于获取图片样本集及与其相对应的特征向量集;
聚类模块,用于以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;
数据处理模块,用于基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;
集合建立模块,用于在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;
图片检索模块,用于在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的图片检索方法。
本发明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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的图片检索方法。
与现有技术相比,本发明实施例提供的图片检索方法、装置、终端设备及存储介质,首先获取待检索图片;再对所述待检索图片进行特征提取,得到待检索特征向量;接着获取图片样本集及与其相对应的特征向量集;再接着以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;然后基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;再然后在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;最后在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果,从而实现图片检索。由于本发明实施例在进行图片检索时,将第一聚类簇集合中过小类的数据分配至了该第一聚类簇集合的其余聚类簇中,能够消除第一聚类簇集合中的过小类,解决了现有技术中因与待检索图片的距离最近的聚类簇为过小类而导致的容易得到错误的图片检索结果的问题,从而能准确地实现图片检索。
附图说明
图1是本发明实施例1提供的一种图片检索方法的流程示意图。
图2是本发明实施例2提供的一种图片检索装置的结构示意图。
图3是本发明实施例3提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例1提供的一种图片检索方法的流程示意图。
本发明实施例1提供的图片检索方法,包括步骤S101至步骤S107,具体如下:
S101:获取待检索图片。
S102:对所述待检索图片进行特征提取,得到待检索特征向量。
可选的,所述步骤S102具体包括:
S1021:提取所述待检索图片的特征数据;其中,所述特征数据的数据格式为字符串;
S1022:将所述特征数据转换为向量格式,得到待检索特征向量。
其中,可以是通过人工智能算法对待检索图片进行各维度的特征提取,从而得到待检索图片的特征数据。
S103:获取图片样本集及与其相对应的特征向量集。
其中,图片样本集的组成元素为若干张图片,特征向量集的组成元素为与图片样本集中的每张图片对应的图片特征向量。从预设的图片数据库中获取图片样本集,并获取与图片样本集中各图片对应的特征向量,以建立特征向量集。
S104:以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合。
其中,第一聚类簇集合,即为对特征向量集进行聚类得到的第一预设数目个聚类簇的集合。当特征向量集的数据量较大时,若是将待检索特征向量与特征向量集中的元素进行逐个比对,再找出其中与待检索特征向量最相似的若干个元素,需要消耗大量计算机内存,对计算机配置要求非常高,并且需要耗费大量的检索时间,大大降低用户对图片检索的满意度,因此,本实施例中以第一预设数目作为类簇数,对特征向量集进行聚类,得到第一预设数目个聚类簇,以得到第一聚类簇集合,以后续用于从中选取出相应的聚类簇进行图片检索,从而降低内存的消耗,提高检索效率。可以理解的,在本实施例中,第一预设数目至少大于1,在具体实施时,第一预设数目可以是根据实际情况进行设定,在此不做限定,可选的,可以是对特征向量集通过改变预设值K进行聚类,再计算聚类结果的轮廓系数,然后取轮廓系数最大时对应的K值作为第一预设数目。
其中,对特征向量集进行聚类的方法有多种,例如是K-Means聚类方法或是基于密度的聚类方法等,在此不做限定。由于K-Means聚类方法可以在很大程度上提高聚类结果的质量和效率,因此,优选的,采用K-Means聚类方法对特征向量集进行聚类,从而提高图片检索效率。
S105:基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合。
其中,将第一聚类簇集合中每个聚类簇的数据量与预设的第一阈值进行比较,若存在数据量小于第一阈值的聚类簇,则基于预设的分配规则,分别将第一聚类簇集合中数据量小于第一阈值的聚类簇中的元素分配至第一聚类簇集合中的其余聚类簇中,使得第一聚类簇集合中不存在较小类,从而得到更新后的第一聚类簇集合,使得后续能够得到准确的图片检索结果,从而提升图片检索精度。可以理解的,每对一个数据量小于第一阈值的聚类簇进行处理后,更新后的第一聚类簇集合中的聚类簇个数相应地减少一个。
在具体实施时,第一阈值可以是根据实际情况进行设置,在此不做限定,可选的,第一阈值minc=n/k1*0.1,其中n表示第一聚类簇集合中的数据量(也即元素总量),k1表示第一聚类簇集合中的聚类簇个数。
可选的,预设的分配规则为最近邻原则,最近邻原则为:
式中,n表示待处理的聚类簇中的样本总数,k1表示第一聚类簇集合中的聚类簇个数,xi表示待处理的聚类簇中的第i个元素,Ca表示第一聚类簇集合中的第a个聚类簇,1≤a≤k1,1≤i≤n。
S106:在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合。
其中,先计算更新后的第一聚类簇集合中各个聚类簇的中心点与待检索特征向量之间的距离,再从中选取距离最小的第二预设数目个聚类簇,建立第二聚类簇集合。可以理解的,各个聚类簇的中心点与待检索特征向量之间的距离可以反映各个聚类簇与待检索特征向量之间的相似度。需要说明的是,第二预设数目至少等于1,在具体实施时,第二预设数目可以是根据实际情况进行设定,在此不做限定。
可选的,计算各聚类簇的中心点与待检索特征向量之间的距离的算法为归一化之后的余弦相似度算法,归一化之后的余弦相似度算法具体如下:
S107:在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果。
其中,每个元素与待检索特征向量之间的距离可以反映该元素与待检索特征向量之间的相似度,因此,在第二聚类簇集合中检索出与待检索特征向量之间的距离最小的第三预设数目个元素后,图片样本集中的与第三预设数目个元素对应的图片,即为与待检索图片最相似的图片,将这些图片作为图片检索结果。在具体实施时,计算第二聚类簇集合中各个元素与待检索特征向量之间的距离的方法有多种,在此不做限定,可选的,可以是采用归一化之后的余弦相似度算法进行计算。可以理解的,第三预设数目至少等于1,在具体实施时,第三预设数目可以是根据实际情况进行设定,在此不做限定。
本发明实施例提供的图片检索方法,先获取待检索图片;再对所述待检索图片进行特征提取,得到待检索特征向量;接着获取图片样本集及与其相对应的特征向量集;再接着以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;然后基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;再然后在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;最后在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果,从而实现图片检索。由于本发明实施例在进行图片检索时,将第一聚类簇集合中过小类的数据分配至了该第一聚类簇集合的其余聚类簇中,能够消除第一聚类簇集合中的过小类,解决了现有技术中因与待检索图片的距离最近的聚类簇为过小类而导致的容易得到错误的图片检索结果的问题,从而能准确地实现图片检索。
在上述实施例1的基础上,作为优选实施方式,所述步骤S103具体包括:
S1031:计算预设的图片数据库中各个图片集之间的分离度;其中,所述图片数据库中包含若干个图片集,每两个图片集之间的分离度等于该两个图片集的采集时间之差的绝对值和采集地点的距离之和;
S1032:分别以采集时间和采集地点作为分层维度,对所述图片数据库中分离度最高的两个图片集中的图片进行分层抽样,抽取出第四预设数目张图片作为图片样本集;
S1033:获取所述图片样本集中各图片的特征向量,建立特征向量集。
其中,两个图片集的采集时间之差等于一个图片集的采集时间减去另一个图片集的采集时间,两个图片集的采集地点的距离等于一个图片集对应的经纬度与另一个图片集对应的经纬度之间的距离。
需要说明的是,在一具体实施方式中,可以是预先计算与预设的图片数据库中各个图片相对应的特征向量,从而预先建立特征向量库,则在步骤S1033中可以是从预先建立的特征向量库中获取图片样本集中各图片的特征向量,从而建立特征向量集。在另一具体实施方式中,可以是在获取到图片样本集后,实时计算图片样本集中各图片的特征向量,从而建立特征向量集。
在本优选实施方式中,通过采集时间和采集地点两个维度去进行分层抽样,从预设的图片数据库中两个维度分离度最大的图片集中去抽取出第四预设数目张图片,从而抽取出覆盖面广、代表性强的样本数据,作为图片样本集,以后续在此图片样本集对应的特征向量集的基础上进行聚类,能有效降低参与聚类运算的数据量,使聚类运算能在较短时间内完成,并且规避了因对过大量的数据进行聚类运算产生的内存溢出风险。在具体实施时,第四预设数目可以是根据实际情况进行设定,在此不做限定,可选的,当预设的图片数据库中的总数据量小于1亿条时,第四预设数目为总数据量的十分之一,当预设的图片数据库中的总数据量大于1亿条时,第四预设数目为总数据量的百分之一。
在上述实施例1的基础上,作为优选实施方式,所述步骤S104具体包括:
S1:初始化第一预设数目个中心点,并进入步骤S2;其中,每个中心点对应一个聚类簇;
S2:计算所述特征向量集中的每个元素与各个中心点之间的距离,并将所述特征向量集中的每个元素分配至与其距离最近的中心点对应的聚类簇中,得到第一预设数目个聚类簇,并进入步骤S3;
S3:更新各个聚类簇的中心点,并进入步骤S4;
S4:判断各个聚类簇的更新后的中心点与更新前的中心点之间的位置变化值是否均小于预设的第二阈值;若是,则结束;若否,则返回步骤S2。
其中,元素到各个聚类簇的中心点之间的距离的计算算法有多种,在此不做限定,可选的,可以是采用归一化之后的余弦相似度算法。
在具体实施时,第二阈值可以是根据实际情况进行设定,在此不做限定,可选的,第二阈值等于0.0001。
进一步地,所述步骤S1具体包括:
S11:从所述特征向量集中随机选取一个元素,作为第1个中心点,并设置m=1,进入步骤S12;
S12:计算第m个中心点到所述特征向量集中的每个元素的距离,并生成距离向量,进入步骤S13;
S13:计算所述距离向量的元素和以及累计和向量,进入步骤S14;
S14:生成一个预设长度的随机向量,进入步骤S15;
S15:将所述随机向量与所述距离向量的元素和相乘,得到第一向量,进入步骤S16;
S16:获取所述第一向量的各元素被按顺序插入至所述累计和向量的位置,并生成第二向量,进入步骤S17;
S17:计算所述特征向量集中被所述第二向量所指向的各个元素对应的距离和,并将对应的距离和最小的元素作为第m+1个中心点;其中,每个元素对应的距离和等于该元素与所述特征向量集中的所有元素之间的距离之和,进入步骤S18;
S18:将m的值修改为m+1,并判断m是否等于所述第一预设数目;若是,则结束;若否,则返回步骤S12。
具体的,随机向量的预设长度等于2+int(log(a)),int()表示向下取整函数,a表示第一预设数目。
其中,距离向量的元素和可以是通过求和函数sum()计算得到,距离向量的累计和向量可以是通过累加和函数cumsum()计算得到。
其中,元素到特征向量集中的所有元素的距离的计算算法有多种,在此不做限定,可选的,可以是采用归一化之后的余弦相似度算法。
为了更好地对步骤S16进行说明,以某个距离向量的累计和向量为cumsum(d)=[1,5,12,14,23,28]、某个第一向量rv=[8.4,16.8]为例,步骤S16中获取到的第一向量rv的各元素被按顺序插入至累计和向量的位置分别为2和4,则生成第二向量cads=[2,4]。
在本优选实施方式中,优化了对特征向量集进行聚类的过程,能够更加快速地得到更准确的聚类结果,从而进一步提高了图片检索的效率和准确度。
在上述实施例1的基础上,作为优选实施方式,在步骤S105之前,还包括步骤:
S108:以第五预设数目作为类簇数,分别对所述第一聚类簇集合中的每个数据量大于预设的第三阈值的聚类簇进行聚类,以更新所述第一聚类簇集合。
其中,聚类的方法有多种,例如是K-Means聚类方法或是基于密度的聚类方法等,在此不做限定。优选的,由于K-Means聚类方法可以在很大程度上提高聚类结果的质量和效率,因此可以是采用K-Means聚类方法进行聚类,从而提高图片检索效率。
在本优选实施方式中,以第五预设数目作为类簇数,分别对第一聚类簇集合中数据量大于第三阈值的每个聚类簇进行再次聚类,从而减少第一聚类簇集合中每个聚类簇所包含的数据量,能有效地提升检索精度,使得后续得到准确的图片检索结果,并提高检索效率。可以理解的,第五预设数目至少大于1,在具体实施时,第三阈值和第五预设数目均可以是根据实际情况进行设置,在此不做限定,可选的,第五预设数目为2,第三阈值maxc=n/(k1*0.4),其中n表示第一聚类簇集合中的数据总量(也即元素总量),k1表示第一聚类簇集合中的聚类簇个数。
在上述实施例1的基础上,作为优选实施方式,在所述步骤S107之前,还包括步骤:
S109:在接收到用户新增图片样本的指令时,获取新增的图片样本及其对应的特征向量;
S110:获取上一次检索得到的图片检索结果,并计算其准确率;
S111:当判断到所述上一次检索得到的图片检索结果的准确率小于预设的第四阈值时,分别将所述新增的图片样本及其对应的特征向量加入至所述图片样本集和所述特征向量集中,并返回至所述以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合的步骤;
S112:当判断到所述上一次检索得到的图片检索结果的准确率大于或等于所述第四阈值时,将所述新增的图片样本加入至所述图片样本集,并基于所述分配规则,将所述新增的图片样本对应的特征向量分配至所述第一聚类簇集合中的各聚类簇内,并更新所述第一聚类簇集合中各聚类簇的中心点。
具体的,聚类簇的中心点的更新公式为:
式中,ci为聚类簇的更新后的中心点,oci为该聚类簇的更新前的中心点,occi为该聚类簇的更新前的数据量,nx为新分入该聚类簇的样本,ncci为新增的图片样本的总量。通过上述聚类簇中心点的更新公式对聚类簇的中心点进行更新时,利用了每个聚类簇的元素个数和原始中心点,因此只需要对新增数据做一次均值运算,无需计算全量数据的均值,能有效降低计算复杂,从而提高图片检索的效率。
在一具体实施方式中,上一次检索得到的图片检索结果的准确率的计算方法,具体为:获取上一次检索得到的图片检索结果对应的特征向量,建立向量集AR1;通过与预设的图片数据库中的全量数据对应的特征向量比对,检索出与其最相似的K个特征向量,建立向量集AR2;若AR1与AR2相同位置的元素相等的个数为M(0≤M≤K),则准确率为M/K。
在本优选实施方式中,在已经得到第一聚类簇集合的情况下,若用户需要新增图片样本,则获取用户输入的新增的图片样本及其对应的特征向量,并获取上一次检索得到的图片检索结果,计算上一次检索得到的图片检索结果的准确率,然后根据该准确率与预设的第四阈值间的大小关系选择相应的处理方式来更新第一聚类簇集合,使得在图片检索准确率较高的情况下,可以是采用将新增的图片样本对应的特征向量,按预设的分配规则分配至第一聚类簇集合的各聚类簇内的方式,从而更新第一聚类簇集合,无需进行重新聚类,可以有效地提高图片检索效率。
在上述实施例1的基础上,作为优选实施方式,所述第二预设数目的取值范围具体为:1≤s≤int(k/3);
其中,s表示所述第二预设数目,k表示所述更新后的第一聚类簇集合的聚类簇个数,k≥3,int()表示取整函数。
在本优选实施方式中,通过设定第二预设数目的取值范围,从而设定第二聚类簇集合中的聚类簇个数。优选地,当设定第二预设数目大于或等于2时,由于第二聚类簇集合中的聚类簇个数大于1,因此能有效避免因只选取一个与待检索图片最相似的聚类簇进行比对,而导致的因聚类效果的影响从而直接影响检索精度的问题,能有效提升检索精度,使得能在图片检索的性能提升和精度保障上找到一个平衡点。
需要说明的是,上述的优选实施方式可以任意结合,以作为本发明实施例的更优选实施方式。
本发明实施例还提供了一种图片检索装置,能够实施上述图片检索方法的所有流程。
参见图2,是本发明实施例2提供的一种图片检索装置的结构示意图。
本发明实施例提供的图片检索装置,包括:
第一获取模块21,用于获取待检索图片;
特征提取模块22,用于对所述待检索图片进行特征提取,得到待检索特征向量;
第二获取模块23,用于获取图片样本集及与其相对应的特征向量集;
聚类模块24,用于以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;
数据处理模块25,用于基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;
集合建立模块26,用于在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;
图片检索模块27,用于在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果。
本发明实施例提供的图片检索装置,先获取待检索图片;再对所述待检索图片进行特征提取,得到待检索特征向量;接着获取图片样本集及与其相对应的特征向量集;再接着以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;然后基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;再然后在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;最后在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果,从而实现图片检索。由于本发明实施例在进行图片检索时,将第一聚类簇集合中过小类的数据分配至了该第一聚类簇集合的其余聚类簇中,能够消除第一聚类簇集合中的过小类,解决了现有技术中因与待检索图片的距离最近的聚类簇为过小类而导致的容易得到错误的图片检索结果的问题,从而能准确地实现图片检索。
参见图3,是本发明实施例3提供的一种终端设备的结构示意图。
本发明实施例提供的一种终端设备,包括处理器31、存储器32以及存储在所述存储器中且被配置为由所述处理器31执行的计算机程序,所述处理器31执行所述计算机程序时实现如上任一实施例所述的图片检索方法。
另外,本发明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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的图片检索方法。
所述处理器31执行所述计算机程序时实现上述图片检索方法实施例中的步骤,例如图1所示的图片检索方法的所有步骤。或者,所述处理器31执行所述计算机程序时实现上述图片检索装置实施例中各模块/单元的功能,例如图2所示的图片检索装置的各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器32中,并由所述处理器31执行,以完成本发明。所述一个或多个模块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在所述终端设备中的执行过程。例如,所述计算机程序可以被分割成第一获取模块、特征提取模块、第二获取模块、聚类模块、数据处理模块、集合建立模块和图片检索模块,各模块具体功能如下:第一获取模块,用于获取待检索图片;特征提取模块,用于对所述待检索图片进行特征提取,得到待检索特征向量;第二获取模块,用于获取图片样本集及与其相对应的特征向量集;聚类模块,用于以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;数据处理模块,用于基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;集合建立模块,用于在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;图片检索模块,用于在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果。
所述终端设备可包括,但不仅限于,处理器31、存储器32。本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,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31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)、现成可编程门阵列(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,所述处理器31是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器32可用于存储所述计算机程序和/或模块,所述处理器31通过运行或执行存储在所述存储器32内的计算机程序和/或模块,以及调用存储在存储器32内的数据,实现所述终端设备的各种功能。所述存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/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,本发明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。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种图片检索方法,其特征在于,包括:
获取待检索图片;
对所述待检索图片进行特征提取,得到待检索特征向量;
获取图片样本集及与其相对应的特征向量集;
以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;
基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;
在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;
在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果。
2.如权利要求1所述的图片检索方法,其特征在于,所述获取图片样本集及与其相对应的特征向量集,具体包括:
计算预设的图片数据库中各个图片集之间的分离度;其中,所述图片数据库中包含若干个图片集,每两个图片集之间的分离度等于该两个图片集的采集时间之差的绝对值和采集地点的距离之和;
分别以采集时间和采集地点作为分层维度,对所述图片数据库中分离度最高的两个图片集中的图片进行分层抽样,抽取出第四预设数目张图片作为图片样本集;
获取所述图片样本集中各图片的特征向量,建立特征向量集。
3.如权利要求1所述的图片检索方法,其特征在于,所述对所述特征向量集进行聚类,得到第一预设数目个聚类簇,具体包括:
S1:初始化第一预设数目个中心点;其中,每个中心点对应一个聚类簇;
S2:计算所述特征向量集中的每个元素与各个中心点之间的距离,并将所述特征向量集中的每个元素分配至与其距离最近的中心点对应的聚类簇中,得到第一预设数目个聚类簇;
S3:更新各个聚类簇的中心点;
S4:判断各个聚类簇的更新后的中心点与更新前的中心点之间的位置变化值是否均小于预设的第二阈值;若是,则结束;若否,则返回步骤S2。
4.如权利要求3所述的图片检索方法,其特征在于,所述初始化第一预设数目个中心点,具体包括:
S11:从所述特征向量集中随机选取一个元素,作为第1个中心点,并设置m=1;
S12:计算第m个中心点到所述特征向量集中的每个元素的距离,并生成距离向量;
S13:计算所述距离向量的元素和以及累计和向量;
S14:生成一个预设长度的随机向量;
S15:将所述随机向量与所述距离向量的元素和相乘,得到第一向量;
S16:获取所述第一向量的各元素被按顺序插入至所述累计和向量的位置,并生成第二向量;
S17:计算所述特征向量集中被所述第二向量所指向的各个元素对应的距离和,并将对应的距离和最小的元素作为第m+1个中心点;其中,每个元素对应的距离和等于该元素与所述特征向量集中的所有元素之间的距离之和;
S18:将m的值修改为m+1,并判断m是否等于所述第一预设数目;若是,则结束;若否,则返回步骤S12。
5.如权利要求1所述的图片检索方法,其特征在于,所述基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合之前,还包括步骤:
以第五预设数目作为类簇数,分别对所述第一聚类簇集合中的每个数据量大于预设的第三阈值的聚类簇进行聚类,以更新所述第一聚类簇集合。
6.如权利要求5所述的图片检索方法,其特征在于,在所述以第五预设数目作为类簇数,分别对所述第一聚类簇集合中的每个数据量大于预设的第三阈值的聚类簇进行聚类,以更新所述第一聚类簇集合之前,还包括步骤:
在接收到用户新增图片样本的指令时,获取新增的图片样本及其对应的特征向量;
获取上一次检索得到的图片检索结果,并计算其准确率;
当判断到所述上一次检索得到的图片检索结果的准确率小于预设的第四阈值时,分别将所述新增的图片样本及其对应的特征向量加入至所述图片样本集和所述特征向量集中,并返回至所述以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合的步骤;
当判断到所述上一次检索得到的图片检索结果的准确率大于或等于所述第四阈值时,将所述新增的图片样本加入至所述图片样本集,并基于所述分配规则,将所述新增的图片样本对应的特征向量分配至所述第一聚类簇集合中的各聚类簇内,并更新所述第一聚类簇集合中各聚类簇的中心点。
7.如权利要求1-6中任一项所述的图片检索方法,其特征在于,所述第二预设数目的取值范围具体为:1≤s≤int(k/3);
其中,s表示所述第二预设数目,k表示所述更新后的第一聚类簇集合的聚类簇个数,k≥3,int()表示取整函数。
8.一种图片检索装置,其特征在于,包括:
第一获取模块,用于获取待检索图片;
特征提取模块,用于对所述待检索图片进行特征提取,得到待检索特征向量;
第二获取模块,用于获取图片样本集及与其相对应的特征向量集;
聚类模块,用于以第一预设数目作为类簇数,对所述特征向量集进行聚类,得到第一聚类簇集合;
数据处理模块,用于基于预设的分配规则,将所述第一聚类簇集合中数据量小于预设的第一阈值的聚类簇内的元素,分配至其余的聚类簇内,得到更新后的第一聚类簇集合;
集合建立模块,用于在所述更新后的第一聚类簇集合中,选取中心点与所述待检索特征向量之间的距离最小的第二预设数目个聚类簇,建立第二聚类簇集合;
图片检索模块,用于在所述第二聚类簇集合中,检索出与所述待检索特征向量之间的距离最小的第三预设数目个元素,并将所述图片样本集中与所述第三预设数目个元素对应的图片,作为图片检索结果。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的图片检索方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-7中任意一项所述的图片检索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010134572.4A CN111444363B (zh) | 2020-03-02 | 2020-03-02 | 一种图片检索方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010134572.4A CN111444363B (zh) | 2020-03-02 | 2020-03-02 | 一种图片检索方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444363A CN111444363A (zh) | 2020-07-24 |
CN111444363B true CN111444363B (zh) | 2023-03-17 |
Family
ID=71627061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010134572.4A Active CN111444363B (zh) | 2020-03-02 | 2020-03-02 | 一种图片检索方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444363B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100412B (zh) * | 2020-09-01 | 2024-04-12 | 深圳市欢太科技有限公司 | 图片检索方法、装置、计算机设备和存储介质 |
CN113326388A (zh) * | 2021-05-20 | 2021-08-31 | 上海云从汇临人工智能科技有限公司 | 基于倒排表的数据检索方法、系统、介质及装置 |
CN113536020B (zh) * | 2021-07-23 | 2022-05-24 | 贝壳找房(北京)科技有限公司 | 数据查询的方法、存储介质和计算机程序产品 |
EP4160434A4 (en) | 2021-08-16 | 2023-12-13 | Baidu Online Network Technology (Beijing) Co., Ltd | METHOD AND DEVICE FOR CONSTRUCTING A SEARCH DATABASE AND DEVICE AND STORAGE MEDIUM |
CN113656373A (zh) * | 2021-08-16 | 2021-11-16 | 百度在线网络技术(北京)有限公司 | 构建检索数据库的方法、装置、设备以及存储介质 |
CN113743533B (zh) * | 2021-09-17 | 2023-08-01 | 重庆紫光华山智安科技有限公司 | 一种图片聚类方法、装置及存储介质 |
CN115495603B (zh) * | 2022-09-26 | 2023-11-24 | 江苏衫数科技集团有限公司 | 一种服装图像检索方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859326A (zh) * | 2010-06-09 | 2010-10-13 | 南京大学 | 一种图像检索方法 |
CN108171252A (zh) * | 2017-11-16 | 2018-06-15 | 柳州健鱼科技有限公司 | 一种基于分层聚类的均衡图像聚类方法 |
CN108595576A (zh) * | 2018-04-17 | 2018-09-28 | 高新兴科技集团股份有限公司 | 一种基于数据库的车辆以图搜图方法 |
CN110297935A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 图像检索方法、装置、介质及电子设备 |
CN110825894A (zh) * | 2019-09-18 | 2020-02-21 | 平安科技(深圳)有限公司 | 数据索引建立、数据检索方法、装置、设备和存储介质 |
-
2020
- 2020-03-02 CN CN202010134572.4A patent/CN111444363B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859326A (zh) * | 2010-06-09 | 2010-10-13 | 南京大学 | 一种图像检索方法 |
CN108171252A (zh) * | 2017-11-16 | 2018-06-15 | 柳州健鱼科技有限公司 | 一种基于分层聚类的均衡图像聚类方法 |
CN108595576A (zh) * | 2018-04-17 | 2018-09-28 | 高新兴科技集团股份有限公司 | 一种基于数据库的车辆以图搜图方法 |
CN110297935A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 图像检索方法、装置、介质及电子设备 |
CN110825894A (zh) * | 2019-09-18 | 2020-02-21 | 平安科技(深圳)有限公司 | 数据索引建立、数据检索方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111444363A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444363B (zh) | 一种图片检索方法、装置、终端设备及存储介质 | |
CN110019891B (zh) | 图像存储方法、图像检索方法及装置 | |
CN112257801B (zh) | 图像的增量聚类方法、装置、电子设备及存储介质 | |
CN111143597A (zh) | 图像检索方法、终端及存储装置 | |
CN110825894A (zh) | 数据索引建立、数据检索方法、装置、设备和存储介质 | |
CN111599346B (zh) | 一种说话人聚类方法、装置、设备及存储介质 | |
CN110928957A (zh) | 数据聚类方法及装置 | |
CN112364014B (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN114238329A (zh) | 向量相似度计算方法、装置、设备及存储介质 | |
CN113536020B (zh) | 数据查询的方法、存储介质和计算机程序产品 | |
CN110414569B (zh) | 聚类实现方法及装置 | |
CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
CN113821657A (zh) | 基于人工智能的图像处理模型训练方法及图像处理方法 | |
CN113157962A (zh) | 图像检索方法、电子装置和存储介质 | |
CN110209895B (zh) | 向量检索方法、装置和设备 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN108170664B (zh) | 基于重点关键词的关键词拓展方法和装置 | |
US11295229B1 (en) | Scalable generation of multidimensional features for machine learning | |
CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
CN110321435B (zh) | 一种数据源划分方法、装置、设备和存储介质 | |
CN109857859B (zh) | 新闻信息的处理方法、装置、设备以及存储介质 | |
CN108154177B (zh) | 业务识别方法、装置、终端设备及存储介质 | |
CN112149566A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN114867046B (zh) | 无线网络设备固件更新方法和无线网络设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |