CN112084366B - 用于检索图像的方法、装置、设备以及存储介质 - Google Patents
用于检索图像的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112084366B CN112084366B CN202010954811.0A CN202010954811A CN112084366B CN 112084366 B CN112084366 B CN 112084366B CN 202010954811 A CN202010954811 A CN 202010954811A CN 112084366 B CN112084366 B CN 112084366B
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- cluster
- matching
- cluster centroid
- 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 49
- 239000013598 vector Substances 0.000 claims abstract description 141
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06F16/538—Presentation of query results
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了用于检索图像的方法、装置、设备以及存储介质,涉及图像处理和云计算处理领域。具体实现方案为:获取目标图像;确定目标图像的目标特征向量;从预设的聚类质心向量集合中确定出与目标特征向量匹配的匹配聚类质心向量,其中,每个聚类质心向量对应一个图像聚类,每个图像聚类包括多个相似的图像;将目标特征向量发送给匹配聚类质心向量对应的匹配计算端,以使匹配计算端进行图像检索。本实现方式通过将图像检索的计算分配给分布式计算端,提高了图像检索的计算效率,也提高了稳定性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及图像处理和云计算领域,尤其涉及用于检索图像的方法、装置、设备以及存储介质。
背景技术
随着近几年互联网在视觉技术领域上的突破和飞速发展,超大规模、高维度的图像数据在图片搜索引擎中越来越普遍,加上智能手机拍照功能的日益进步和完善,用户拍照成为最常见的行为,图片量级呈现指数的增长,如何让图片检索系统能够存储超大规模图片特征数据,同时保证计算效率和搜索质量是一个重要的课题。
发明内容
提供了一种用于检索图像的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于检索图像的方法,包括:获取目标图像;确定目标图像的目标特征向量;从预设的聚类质心向量集合中确定出与目标特征向量匹配的匹配聚类质心向量,其中,每个聚类质心向量对应一个图像聚类,每个图像聚类包括多个相似的图像;将目标特征向量发送给匹配聚类质心向量对应的匹配计算端,以使匹配计算端进行图像检索。
根据第二方面,提供了一种用于检索图像的装置,包括:图像获取单元,被配置成获取目标图像;特征提取单元,被配置成确定目标图像的目标特征向量;聚类匹配单元,被配置成从预设的聚类质心向量集合中确定出与目标特征向量匹配的匹配聚类质心向量,其中,每个聚类质心向量对应一个图像聚类,每个图像聚类包括多个相似的图像;向量发送单元,被配置成将目标特征向量发送给匹配聚类质心向量对应的匹配计算端,以使匹配计算端进行图像检索。
根据第三方面,提供了一种用于检索图像的电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据本申请的技术解决了现有的图像检索方法保证计算效率和搜索质量的问题,通过将图像检索的计算分配给分布式计算端,提高了图像检索的计算效率,也提高了稳定性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于检索图像的方法的一个实施例的流程图;
图3是根据本申请的用于检索图像的方法的一个应用场景的示意图;
图4是根据本申请的用于检索图像的方法的另一个实施例的流程图;
图5是根据本申请的用于检索图像的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于检索图像的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检索图像的方法或用于检索图像的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101,服务器102和分布式计算端103、104、105。网络用以在终端设备101和服务器102之间、服务器102和分布式计算端103、104、105之间提供通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络与服务器102交互,以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用,例如图像浏览类应用、社交平台类应用等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器102可以是提供各种服务的服务器,例如对终端设备101发送的图像进行检索的后台服务器。后台服务器可以对图像进行检索,并将检索得到的图像反馈给终端设备101。
分布式计算端103、104、105可以是进行具体检索计算的服务器,例如,对图像的特征向量进行相似度计算,并将检索结果反馈给服务器102。
需要说明的是,服务器102和分布式计算端103、104、105可以是硬件,也可以是软件。当服务器102和分布式计算端103、104、105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于检索图像的方法一般由服务器102执行。相应地,用于检索图像的装置一般设置于服务器102中。
应该理解,图1中的终端设备、服务器和分布式计算端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、服务器和分布式计算端。
继续参考图2,示出了根据本申请的用于检索图像的方法的一个实施例的流程200。本实施例的用于检索图像的方法,包括以下步骤:
步骤201,获取目标图像。
本实施例中,用于检索图像的方法的执行主体(例如图1所示的服务器102)可以通过各种有线或无线方式获取目标图像。例如,执行主体可以通过网络爬取的方式获取目标图像,或者,可以通过社交平台获取目标图像。这里,目标图像可以是各种类型、各种尺寸的图像。
步骤202,确定目标图像的目标特征向量。
本实施例中,执行主体还可以提取目标图像的目标特征向量。特征向量可以是用于表征图像的特征的向量,例如,用于表征图像中颜色分布的向量,或者是用于表征图像中线条分布的向量。其可以以矩阵的形式存在。本实施例中,目标特征向量是表征目标图像的特征的向量。这里,目标特征向量可以表征目标图像的全局特征。具体的,执行主体可以利用已训练的神经网络来提取目标图像的全局特征向量,得到目标特征向量。
步骤203,从预设的聚类质心向量集合中确定出与目标特征向量匹配的匹配聚类质心向量。
在得到目标特征向量后,执行主体可以从预设的聚类质心向量集合中确定出与目标特征向量匹配的匹配聚类质心向量。预设的聚类质心向量集合中可以包括多个聚类质心向量。每个聚类质心向量是一个图像聚类的质心向量,用于表示一个图像聚类的质心,即每个聚类质心对应一个图像聚类。每个图像聚类可以包括多个图像。聚类质心向量可以通过对应的图像聚类中各图像的特征向量来计算,例如是各图像的特征向量的平均值。执行主体可以计算目标特征向量与聚类质心向量集合中至少一个聚类质心向量之间的距离。然后,可以将小于距离阈值的聚类质心向量作为匹配聚类质心向量,或者,可以将距离最小的聚类质心向量作为匹配聚类质心向量。
步骤204,将目标特征向量发送给匹配聚类质心向量对应的匹配计算端,以使匹配计算端进行图像检索。
执行主体在确定匹配聚类质心向量后,可以确定匹配聚类质心向量对应的匹配计算端。本实施例中,每个聚类质心向量可以对应至少一个计算端。计算端可以是用于进行数据计算的服务器。不同计算端可以具有不同的计算力。执行主体可以将目标特征向量发送给匹配计算端,匹配计算端可以计算目标特征向量与该匹配计算端对应的图像聚类中各图像的特征向量之间的相似度。然后,根据相似度确定检索结果。例如,可以将相似度按照由大到小进行排序,将排序中的前M个图像作为图像检索结果。
继续参见图3,其示出了根据本申请的用于检索图像的方法的一个应用场景的示意图。在图3的应用场景中,用户通过终端301的搜索引擎输入目标图像,搜索引擎的服务器302接收到上述目标图像后,确定出目标特征向量。然后从聚类质心向量集合中确定出于目标特征向量匹配的匹配聚类质心向量。然后,服务器302可以将目标特征向量发送给匹配聚类质心向量对应的计算端303。计算端303可以从对应的图像聚类中选取出与目标图像相似的图像。
本申请的上述实施例提供的用于检索图像的方法,通过将图像检索的计算分配给分布式计算端,提高了图像检索的计算效率,也提高了稳定性。
继续参见图4,其示出了根据本申请的用于检索图像的方法的另一个实施例的流程400。如图4所示,本实施例的用于检索图像的方法可以包括以下步骤:
步骤401,获取预设的图像集合;确定图像集合中每张图像的特征向量;基于各图像的特征向量,对各图像进行聚类,得到多个图像聚类。
本实施例中,执行主体可以获取预设的图像集合。这里,图像集合中可以包括海量的图像。执行主体可以确定图像集合中每张图像的特征向量。具体的,执行主体可以利用与步骤202中所利用的特征提取算法相同的算法来计算各图像的特征向量。然后,执行主体可以基于各图像的特征向量,对各图像进行聚类,得到多个图像聚类。具体的,执行主体可以利用各种现有的聚类算法对各图像进行聚类。得到的每个图像聚类中可以包括多个图像,这些图像的相似度较大。
在本实施例的一些可选的实现方式中,执行主体可以通过图4中未示出的以下步骤来对各图像进行聚类:确定计算端的数量;根据各图像的特征向量以及计算端的数量,对各图像进行聚类。
本实现方式中,执行主体在聚类时,可以首先确定分布式计算端的数量。然后,执行主体可以根据各图像的特征向量以及计算端的数量,对各图像进行聚类。聚类后得到的聚类的数量与计算端的数量相同。这样,可以实现一个计算端对应一个图像聚类。
步骤402,获取目标图像。
步骤403,确定目标图像的目标特征向量。
步骤404,计算目标特征向量与预设的聚类质心向量集合中各聚类质心向量的相似度;根据相似度确定匹配聚类质心向量。
本实施例中,执行主体可以计算目标特征向量与聚类质心向量集合中各聚类质心向量的相似度。具体的,执行主体可以将目标特征向量与各聚类质心向量之间的欧式距离作为二者的相似度。然后,执行主体可以相似度确定匹配聚类质心向量。具体的,执行主体可以将相似度最小值对应的聚类质心向量作为匹配聚类质心向量。可以理解的是,匹配聚类质心向量对应的图像聚类中包括与目标图像最相似的图像。
步骤405,将目标特征向量发送给匹配聚类质心向量对应的匹配计算端,以使匹配计算端进行图像检索。
步骤406,接收匹配计算端返回的检索结果;输出检索结果。
匹配计算端对图像进行检索后,可以得到检索结果。检索结果中可以包括M张与目标图像相似的图像的标识。执行主体可以接收匹配计算端返回的检索结果。然后,执行主体可以将检索结果输出。具体的,执行主体可以将M张图像的标识发送给终端,以供用户查看。
本申请的上述实施例提供的用于检索图像的方法,可以根据图像集合中的特征向量,对各图像进行聚类,得到多个图像聚类。然后将与目标图像的特征向量发送至与目标图像最相似的图像聚类中。这样,图像检索工作直接由一个计算端执行,并且计算量较小,检索效率提高。并且,由于各计算端之间没有必然的关联,如果单个机器异常,也不会造成检索工作无法进行。由于检索工作由分布式计算端来执行,提高了图像检索的并发度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于检索图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于检索图像的装置500包括:图像获取单元501、特征提取单元502、聚类匹配单元503和向量发送单元504。
图像获取单元501,被配置成获取目标图像。
特征提取单元502,被配置成确定目标图像的目标特征向量。
聚类匹配单元503,被配置成从预设的聚类质心向量集合中确定出与目标特征向量匹配的匹配聚类质心向量。其中,每个聚类质心向量对应一个图像聚类,每个图像聚类包括多张相似的图像。
向量发送单元504,被配置成将目标特征向量发送给匹配聚类质心向量对应的匹配计算端,以使匹配计算端进行图像检索。
在本实施例的一些可选的实现方式中,聚类匹配单元503可以进一步被配置成:计算目标特征向量与预设的聚类质心向量集合中各聚类质心向量的相似度;根据相似度确定匹配聚类质心向量。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的图像聚类单元,被配置成:获取预设的图像集合;确定图像集合中每张图像的特征向量;基于各图像的特征向量,对各图像进行聚类,得到多个图像聚类。
在本实施例的一些可选的实现方式中,图像聚类单元进一步被配置成:确定计算端的数量;根据各图像的特征向量以及计算端的数量,对各图像进行聚类。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的结果输出单元,被配置成:接收匹配计算端返回的检索结果;输出检索结果。
应当理解,用于检索图像的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于检索图像的方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的执行用于检索图像的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的执行用于检索图像的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的执行用于检索图像的方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的执行用于检索图像的方法对应的程序指令/模块(例如,附图5所示的图像获取单元501、特征提取单元502、聚类匹配单元503和向量发送单元504)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的执行用于检索图像的方法。
存储器602可以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、至少一个功能所需要的应用程序;存储数据区可存储根据执行用于检索图像的方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至执行用于检索图像的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行用于检索图像的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与执行用于检索图像的方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过将图像检索的计算分配给分布式计算端,提高了图像检索的计算效率,也提高了稳定性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (8)
1.一种用于检索图像的方法,包括:
获取目标图像;
确定所述目标图像的目标特征向量;
从预设的聚类质心向量集合中确定出与所述目标特征向量匹配的匹配聚类质心向量,其中,每个聚类质心向量对应一个图像聚类,每个图像聚类包括多个相似的图像;
将所述目标特征向量发送给所述匹配聚类质心向量对应的匹配计算端,以使所述匹配计算端进行图像检索;
其中,所述图像聚类通过以下步骤得到:
获取预设的图像集合;
确定所述图像集合中每张图像的特征向量;
确定计算端的数量;
根据各图像的特征向量以及所述计算端的数量,对各图像进行聚类,聚类后得到的聚类的数量与所述计算端的数量相同。
2.根据权利要求1所述的方法,其中,所述从预设的聚类质心向量集合中确定出与所述目标特征向量匹配的匹配聚类质心向量,包括:
计算所述目标特征向量与所述预设的聚类质心向量集合中各聚类质心向量的相似度;
根据所述相似度确定所述匹配聚类质心向量。
3.根据权利要求1所述的方法,其中,所述方法还包括:
接收所述匹配计算端返回的检索结果;
输出所述检索结果。
4.一种用于检索图像的装置,包括:
图像获取单元,被配置成获取目标图像;
特征提取单元,被配置成确定所述目标图像的目标特征向量;
聚类匹配单元,被配置成从预设的聚类质心向量集合中确定出与所述目标特征向量匹配的匹配聚类质心向量,其中,每个聚类质心向量对应一个图像聚类,每个图像聚类包括多个相似的图像;
向量发送单元,被配置成将所述目标特征向量发送给所述匹配聚类质心向量对应的匹配计算端,以使所述匹配计算端进行图像检索;
图像聚类单元,被配置成:获取预设的图像集合;确定所述图像集合中每张图像的特征向量;确定计算端的数量;根据各图像的特征向量以及所述计算端的数量,对各图像进行聚类,聚类后得到的聚类的数量与所述计算端的数量相同。
5.根据权利要求4所述的装置,其中,所述聚类匹配单元进一步被配置成:
计算所述目标特征向量与所述预设的聚类质心向量集合中各聚类质心向量的相似度;
根据所述相似度确定所述匹配聚类质心向量。
6.根据权利要求4所述的装置,其中,所述装置还包括结果输出单元,被配置成:
接收所述匹配计算端返回的检索结果;
输出所述检索结果。
7.一种用于检索图像的电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954811.0A CN112084366B (zh) | 2020-09-11 | 2020-09-11 | 用于检索图像的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010954811.0A CN112084366B (zh) | 2020-09-11 | 2020-09-11 | 用于检索图像的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084366A CN112084366A (zh) | 2020-12-15 |
CN112084366B true CN112084366B (zh) | 2024-04-09 |
Family
ID=73737476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010954811.0A Active CN112084366B (zh) | 2020-09-11 | 2020-09-11 | 用于检索图像的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084366B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784822A (zh) * | 2021-03-08 | 2021-05-11 | 口碑(上海)信息技术有限公司 | 对象识别方法、装置、电子设备、存储介质及程序产品 |
CN113065011B (zh) * | 2021-03-17 | 2024-01-16 | 北京沃东天骏信息技术有限公司 | 图片的确定方法和装置 |
CN112733969B (zh) * | 2021-03-31 | 2021-08-17 | 北京达佳互联信息技术有限公司 | 对象类别的识别方法和装置及服务器 |
CN113704534A (zh) * | 2021-04-13 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及计算机设备 |
CN113220927A (zh) * | 2021-05-08 | 2021-08-06 | 百度在线网络技术(北京)有限公司 | 图像检测方法、装置、设备及存储介质 |
CN113792171B (zh) * | 2021-11-15 | 2022-02-18 | 西安热工研究院有限公司 | 基于内存管理的图像检索方法、系统、设备及存储介质 |
CN114741544B (zh) * | 2022-04-29 | 2023-02-07 | 北京百度网讯科技有限公司 | 图像检索方法、检索库构建方法、装置、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880879A (zh) * | 2012-08-16 | 2013-01-16 | 北京理工大学 | 基于分布式和svm分类器的室外海量物体识别方法和系统 |
CN103235825A (zh) * | 2013-05-08 | 2013-08-07 | 重庆大学 | 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9317533B2 (en) * | 2010-11-02 | 2016-04-19 | Microsoft Technology Licensing, Inc. | Adaptive image retrieval database |
CN106021362B (zh) * | 2016-05-10 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 查询式的图片特征表示的生成、图片搜索方法和装置 |
-
2020
- 2020-09-11 CN CN202010954811.0A patent/CN112084366B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880879A (zh) * | 2012-08-16 | 2013-01-16 | 北京理工大学 | 基于分布式和svm分类器的室外海量物体识别方法和系统 |
CN103235825A (zh) * | 2013-05-08 | 2013-08-07 | 重庆大学 | 一种基于Hadoop云计算框架的海量人脸识别搜索引擎设计方法 |
Non-Patent Citations (2)
Title |
---|
一种基于聚类的对等网络图像搜索机制;张全信;胡峰松;欧阳竟成;;计算机应用(03);全文 * |
基于Ontology的跨媒体检索技术;胡涛;武港山;任桐炜;吉亮;;计算机工程(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112084366A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084366B (zh) | 用于检索图像的方法、装置、设备以及存储介质 | |
EP3916630A1 (en) | Method and apparatus for identifying video | |
CN111553428B (zh) | 用于训练判别模型的方法、装置、设备及可读存储介质 | |
US20210264197A1 (en) | Point cloud data processing method, apparatus, electronic device and computer readable storage medium | |
CN112241764A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111241234B (zh) | 文本分类方法及装置 | |
CN111104514A (zh) | 文档标签模型的训练方法及装置 | |
CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
CN111782785B (zh) | 自动问答方法、装置、设备以及存储介质 | |
CN111756832B (zh) | 推送信息的方法、装置、电子设备及计算机可读存储介质 | |
CN111652354B (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
CN111967304A (zh) | 基于边缘计算的获取物品信息方法、装置和结算台 | |
CN111640103A (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
CN110517079B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN112579897A (zh) | 信息搜索方法和装置 | |
CN111340222B (zh) | 神经网络模型搜索方法、装置以及电子设备 | |
CN113656689B (zh) | 模型生成方法和网络信息的推送方法 | |
CN111339344B (zh) | 室内图像检索方法、装置及电子设备 | |
CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN113870428A (zh) | 场景地图生成方法、相关装置及计算机程序产品 | |
CN111582480A (zh) | 用于对模型剪枝的方法和装置 | |
CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN112507158A (zh) | 图像处理方法和装置 |
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 |