CN113537392B - 相似图像的识别方法、装置、计算设备及计算机存储介质 - Google Patents
相似图像的识别方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113537392B CN113537392B CN202110902880.1A CN202110902880A CN113537392B CN 113537392 B CN113537392 B CN 113537392B CN 202110902880 A CN202110902880 A CN 202110902880A CN 113537392 B CN113537392 B CN 113537392B
- Authority
- CN
- China
- Prior art keywords
- pixel
- gray level
- pixel point
- image
- images
- 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
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
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种相似图像的识别方法、装置、计算设备及计算机存储介质。该方法包括:针对至少两个待识别图像中的任一待识别图像,从待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点;根据第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息;计算至少两个图像身份标识信息的匹配度,若匹配度大于或等于预设阈值,则确定至少两个待识别图像为相似图像,有效地降低了计算量,降低资源消耗,节省了各方面成本,而且还提高了识别效率,同时也保证了识别准确率。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种相似图像的识别方法、装置、计算设备及计算机存储介质。
背景技术
相似图像识别是当下AI图像识别领域的热门话题,各大AI公司都在该领域积累了一定的技术储备,模式识别,C4.5算法,K-Means聚类算法,SVM支持向量机等技术手段和算法,虽能上述技术手段和算法能够一定程度的实现较高准确度的图像识别,但是缺点和问题也是十分严重,那就是对算力的要求相当大,单个图像识别消耗的计算资源和电力较大,严重制约了相似图识别领域的技术提升和产业升级,部分企业不堪重负,不断试图在其他方面压缩成本,而且所需时间长。因此,亟需一种运算量小、资源消耗小、识别效率高的相似图像识别方案。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的相似图像的识别方法、装置、计算设备及计算机存储介质。
根据本发明的一个方面,提供了一种相似图像的识别方法,包括:
针对至少两个待识别图像中的任一待识别图像,从待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点;
根据第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息;
计算至少两个图像身份标识信息的匹配度,若匹配度大于或等于预设阈值,则确定至少两个待识别图像为相似图像。
根据本发明的另一方面,提供了一种相似图像的识别装置,包括:
选取模块,适于针对至少两个待识别图像中的任一待识别图像,从待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点;
生成模块,适于根据第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息;
计算模块,适于计算至少两个图像身份标识信息的匹配度;
识别模块,适于若匹配度大于或等于预设阈值,则确定至少两个待识别图像为相似图像。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述相似图像的识别方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述相似图像的识别方法对应的操作。
根据本发明提供的方案,有效地降低了计算量,降低资源消耗,节省了各方面成本,而且还提高了识别效率,同时也保证了识别准确率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1A示出了根据本发明一个实施例的相似图像的识别方法的流程示意图;
图1B为从待识别图像选取的像素点的示意图;
图1C为生成图像身份标识信息的示意图;
图2示出了根据本发明一个实施例的相似图像的识别装置的结构示意图;
图3示出了根据本发明一个实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1A示出了根据本发明一个实施例的相似图像的识别方法的流程示意图。如图1A所示,该方法包括以下步骤:
步骤S101,针对至少两个待识别图像中的任一待识别图像,从待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点。
本实施例提供的方法能够用于判断至少两个图像是否为相似图像,其中,相似图像指至少两个图像存在部分内容相同的情况,在识别至少两个图像是否为相似图像时,具体是为各图像生成图像身份标识信息,基于所生成的图像身份标识信息来进行识别。
具体地,可以提供图像上传功能,用户可以利用该功能上传需要进行识别的至少两个图像,这里将用户所上传的至少两个图像称为待识别图像,为了便于后续描述,这里做了如下定义:规定图像的左下角的像素点为坐标原点,像素点坐标为(0,0),相对应的右上角的像素点则为图像中具有最大像素点坐标值的点。
针对任一待识别图像,对该待识别图像进行图像逐行扫描,分别记录各个像素点的像素点坐标值及灰度级数,然后,从待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点。N为整数,例如,N的取值为10,当然还可以是其它数值,这里不做具体限定。例如,可以根据灰度级数对图像中的各像素点进行排序,然后,选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点。
步骤S102,根据第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息。
在利用步骤S101选取了N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及最大像素点坐标值的第三像素点后,可以执行图像身份标识信息生成逻辑,例如,根据第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,来生成待识别图像对应的图像身份标识信息,图像身份标识信息唯一标识一个图像。
具体地,根据N个第一像素点的灰度级数及N个第二像素点的灰度级数,生成第一身份标识字符串;根据N个第一像素点的像素点坐标值及N个第二像素点的像素点坐标值,生成第二身份标识字符串;根据第三像素点的像素点坐标值、最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值,生成第三身份标识字符串;根据第一身份标识字符串、第二身份标识字符串和第三身份标识字符串生成待识别图像对应的图像身份标识信息,例如,将第一身份标识字符串、第二身份标识字符串和第三身份标识字符串拼接在一起,生成一个字符串,所生成的字符串即为图像身份标识信息。
其中,生成逻辑主要执行3个方面要素的身份标识字符串的生成和组装,分别是像素点的灰色级数的除法结果拼接;像素点之间像素点坐标值的除法结果拼接;最大像素点坐标值和2N个像素点居中的2个像素点的像素点坐标值的除法结果拼接。
3个方面要素的身份标识字符串的生成和组装具体体现为:
按照灰度级数由高至低或由低至高,对N个第一像素点的灰度级数进行排序,对N个第二像素点的灰度级数进行排序;例如,N个第一像素点按照灰度级数由高至低排序后的排序序号为1-N;N个第二像素点按照灰度级数由高至低排序后的排序序号为1-N;
将具有相同排序序号的第一像素点的灰度级数与第二像素点的灰度级数相除,得到包含N个字符串的第一身份标识字符串,例如,利用排序序号为1的第一像素点的灰度级数除以排序序号为1的第二像素点的灰度级数,得到保留1位小数的整数,共进行N次相同处理,得到包含N个字符串的第一身份标识字符串。
将具有相同排序序号的第一像素点的像素点坐标值与第二像素点的像素点坐标值相除,得到包含2N个字符串的第二身份标识字符串,例如,利用排序序号为1的第一像素点的像素点坐标值除以排序序号为1的第二像素点的像素点坐标值,得到保留1位小数的整数,共进行N次相同处理,得到包含2N个字符串的第二身份标识字符串。
将第三像素点的像素点坐标值分别与最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值相除,得到包含4个字符串的第三身份标识字符串。
图1B为从待识别图像选取的像素点的示意图,图1C为生成图像身份标识信息的示意图,下面结合图1B-图1C进行说明:
从图1B所示的图像中选取灰度级数最低的10个像素点,编号1-10为灰度级数最低的第二像素点,选取灰度级数最高的10个像素点,编号11-20为灰度级数最高的第二像素点,记录20个像素点的灰度级数及像素点坐标值,例如,像素点1:741,(185,70),像素点2:741,(200,20),其中,741表示灰度级数,(185,70)、(200,20)表示像素点坐标值,这里仅是举例说明,不具有任何限定作用。
按照灰度级数由高至低,对10个第一像素点的灰度级数进行排序,对10个第二像素点的灰度级数进行排序,如图1C所示,利用编号11的第一像素点的灰度级数除以编号1的第二像素点的灰度级数,以此类推,利用编号20的第一像素点的灰度级数除以编号10的第二像素点的灰度级数形成10个保留1位小数的整数,10个整数按照得到顺序有序排列,数字和数字之间用冒号分割,生成包含10个数字的第一身份标识字符串,如“1.8:2.1:3.1:1.2:2.8:2.1:3.1:1.3:1.4:1.6”。
利用编号11的第一像素点的像素点坐标值除以编号1的第二像素点的像素点坐标值,以此类推,利用编号20的第一像素点的像素点坐标值除以编号10的第二像素点的像素点坐标值,形成20个保留1位小数的整数,20个整数按照得到顺序有序排列,数字和数字之间用冒号分割,生成包含20个数字的第二身份标识字符串,如“2.1:3.1:1.0:0.8:2.1:3.1:1.0:0.8:2.1:3.1:1.0:0.8:2.1:3.1:1.0:0.8:2.1:3.1:1.0:0.8”。
利用第三像素点的像素点坐标值(该像素点坐标值最大)分别除以编号20的第一像素点(10个第一像素点中灰度级数最低的像素点)的像素点坐标值、编号1的第二像素点(10个第二像素点中灰度级数最高的像素点)的像素点坐标值,形成4个保留1位小数的整数,4个整数按照得到顺序有序排列,数字和数字之间用冒号分割,生成包含4个数字的第三身份标识字符串,如“4.3:3.1:2.2:6.1”,将第一身份标识字符串、第二身份标识字符串和第三身份标识字符串拼接在一起,生成一个字符串,所生成的字符串即为图像身份标识信息。需要说明的是,上述字符串仅是举例说明,不具有任何限定作用。
针对任一待识别图像,均利用步骤S101-步骤S102生成待识别图像对应的图像身份标识信息。
步骤S103,计算至少两个图像身份标识信息的匹配度,若匹配度大于或等于预设阈值,则确定至少两个待识别图像为相似图像。
在利用步骤S102计算得到至少两个待识别图像对应的图像身份标识信息后,可以计算至少两个图像身份标识信息的匹配度,匹配度反映了图像身份标识重复情况,若匹配度大于或等于预设阈值,则确定至少两个待识别图像为相似图像,例如,预设阈值为50%。
具体地,可以利用如下方法来计算至少两个待识别图像的图像身份标识信息的匹配度:
针对任一图像身份标识信息,对图像身份标识信息进行切分处理,得到多个切分字符串;
按照切分顺序,将至少两个图像身份标识信息对应的多个切分字符串进行逐一匹配,统计切分字符串相匹配的匹配次数;
根据匹配次数和切分字符串的总匹配次数计算至少两个待识别图像的图像身份标识信息的匹配度。
下面结合具体实例进行说明,需要说明的是,这里仅是示意性说明匹配度计算过程,所列举地字符串仅是图像身份标识信息的部分,而不是完整的图像身份标识信息:
图像身份标识信息1的部分字符串如下:“1.8:2.1:3.1:1.2:2.8:2.1:3.1:1.3:1.4:1.6”,通过切分处理,得到如下几个切分字符串“1.8:2.1”、“2.1:3.1”、“3.1:1.2”、“1.2:2.8”、“2.8:2.1”、“2.1:3.1”、“3.1:1.3”、“1.3:1.4”、“1.4:1.6”;
图像身份标识信息2的部分字符串如下:“1.8:3.1:3.1:1.2:2.8:2.1:3.1:1.3:2.4:1.6”,通过切分处理,得到如下几个切分字符串“1.8:3.1”、“3.1:3.1”、“3.1:1.2”、“1.2:2.8”、“2.8:2.1”、“2.1:3.1”、“3.1:1.3”、“1.3:2.4”、“2.4:1.6”;
在对两个图像身份标识信息都进行上述切分处理之后,按照一一对应的关系,比较切分字符串的数据是否一致,例如,图像身份标识信息1中的切分字符串“1.8:2.1”与图像身份标识信息2中的切分字符串“1.8:3.1”进行比较,图像身份标识信息1中的切分字符串“2.1:3.1”与图像身份标识信息2中的切分字符串“3.1:3.1”进行比较,图像身份标识信息1中的切分字符串“3.1:1.2”与图像身份标识信息2中的切分字符串“3.1:1.2”进行比较,图像身份标识信息1中的切分字符串“1.2:2.8”与图像身份标识信息2中的切分字符串“1.2:2.8”进行比较,图像身份标识信息1中的切分字符串“2.8:2.1”与图像身份标识信息2中的切分字符串“2.8:2.1”进行比较,图像身份标识信息1中的切分字符串“2.1:3.1”与图像身份标识信息2中的切分字符串“2.1:3.1”进行比较,图像身份标识信息1中的切分字符串“3.1:1.3”与图像身份标识信息2中的切分字符串“3.1:1.3”进行比较,图像身份标识信息1中的切分字符串“1.3:1.4”与图像身份标识信息2中的切分字符串“1.3:2.4”进行比较,图像身份标识信息1中的切分字符串“1.4:1.6”与图像身份标识信息2中的切分字符串“2.4:1.6”进行比较,统计切分字符串的数据一致的匹配次数为5,切分字符串的总匹配次数为9,匹配度=5/9=55.5%
设定预设阈值为50%,匹配度55.5%大于50%,确定两个图像为相似图像。
本发明提供的方案,通过在图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点,并利用上述像素点的灰度级数和像素点坐标值来生成有序的图像身份标识信息,图像身份标识信息一方面对图像做了一个数字层面的唯一定性,另一方面因为唯一的图像身份标识信息代表的各类参数元素是有序排列的,也极大地为图像相似性识别提供了基础支撑,而且基于图像身份标识信息来识别至少两个待识别图像是否为相似图像,有效地降低了计算量,降低资源消耗,节省了各方面成本,而且还提高了识别效率,同时也保证了识别准确率。
图2示出了根据本发明一个实施例的相似图像的识别装置的结构示意图。如图2所示,该装置包括:选取模块201、生成模块202、计算模块203、识别模块204。
选取模块201,适于针对至少两个待识别图像中的任一待识别图像,从待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点;
生成模块202,适于根据第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息;
计算模块203,适于计算至少两个图像身份标识信息的匹配度;
识别模块204,适于若匹配度大于或等于预设阈值,则确定至少两个待识别图像为相似图像。
可选地,生成模块进一步适于:根据N个第一像素点的灰度级数及N个第二像素点的灰度级数,生成第一身份标识字符串;
根据N个第一像素点的像素点坐标值及N个第二像素点的像素点坐标值,生成第二身份标识字符串;
根据第三像素点的像素点坐标值、最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值,生成第三身份标识字符串;
根据第一身份标识字符串、第二身份标识字符串和第三身份标识字符串生成待识别图像对应的图像身份标识信息。
可选地,装置还包括:排序模块,适于按照灰度级数由高至低或由低至高,对N个第一像素点的灰度级数进行排序,对N个第二像素点的灰度级数进行排序;
生成模块进一步适于:将具有相同排序序号的第一像素点的灰度级数与第二像素点的灰度级数相除,得到包含N个字符串的第一身份标识字符串。
可选地,生成模块进一步适于:将具有相同排序序号的第一像素点的像素点坐标值与第二像素点的像素点坐标值相除,得到包含2N个字符串的第二身份标识字符串。
可选地,生成模块进一步适于:将第三像素点的像素点坐标值分别与最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值相除,得到包含4个字符串的第三身份标识字符串。
可选地,计算模块进一步适于:针对任一图像身份标识信息,对图像身份标识信息进行切分处理,得到多个切分字符串;
按照切分顺序,将至少两个图像身份标识信息对应的多个切分字符串进行逐一匹配,统计切分字符串相匹配的匹配次数;
根据匹配次数和切分字符串的总匹配次数计算至少两个待识别图像的图像身份标识信息的匹配度。
本发明提供的方案,通过在图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点,并利用上述像素点的灰度级数和像素点坐标值来生成有序的图像身份标识信息,图像身份标识信息一方面对图像做了一个数字层面的唯一定性,另一方面因为唯一的图像身份标识信息代表的各类参数元素是有序排列的,也极大地为图像相似性识别提供了基础支撑,而且基于图像身份标识信息来识别至少两个待识别图像是否为相似图像,有效地降低了计算量,降低资源消耗,节省了各方面成本,而且还提高了识别效率,同时也保证了识别准确率。
本申请实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的相似图像的识别方法。
图3示出了根据本发明一个实施例的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示,该计算设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:
处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302,用于执行程序310,具体可以执行上述相似图像的识别方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行上述任意方法实施例中的相似图像的识别方法。程序310中各步骤的具体实现可以参见上述相似图像的识别实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (8)
1.一种相似图像的识别方法,包括:
针对至少两个待识别图像中的任一待识别图像,从所述待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点;
根据所述第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息;
计算至少两个图像身份标识信息的匹配度,若匹配度大于或等于预设阈值,则确定所述至少两个待识别图像为相似图像;
其中,所述根据所述第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息进一步包括:
根据N个第一像素点的灰度级数及N个第二像素点的灰度级数,生成第一身份标识字符串;
根据N个第一像素点的像素点坐标值及N个第二像素点的像素点坐标值,生成第二身份标识字符串;
根据所述第三像素点的像素点坐标值、最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值,生成第三身份标识字符串;
根据所述第一身份标识字符串、第二身份标识字符串和第三身份标识字符串生成待识别图像对应的图像身份标识信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:按照灰度级数由高至低或由低至高,对N个第一像素点的灰度级数进行排序,对N个第二像素点的灰度级数进行排序;
所述根据N个第一像素点的灰度级数及N个第二像素点的灰度级数,生成第一身份标识字符串进一步包括:
将具有相同排序序号的第一像素点的灰度级数与第二像素点的灰度级数相除,得到包含N个字符串的第一身份标识字符串。
3.根据权利要求2所述的方法,其中,所述根据N个第一像素点的像素点坐标值及N个第二像素点的像素点坐标值,生成第二身份标识字符串进一步包括:
将具有相同排序序号的第一像素点的像素点坐标值与第二像素点的像素点坐标值相除,得到包含2N个字符串的第二身份标识字符串。
4.根据权利要求1-3中任一项所述的方法,其中,根据所述第三像素点的像素点坐标值、最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值,生成第三身份标识字符串进一步包括:
将所述第三像素点的像素点坐标值分别与最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值相除,得到包含4个字符串的第三身份标识字符串。
5.根据权利要求1-3中任一项所述的方法,其中,所述计算至少两个待识别图像的图像身份标识信息的匹配度进一步包括:
针对任一图像身份标识信息,对所述图像身份标识信息进行切分处理,得到多个切分字符串;
按照切分顺序,将至少两个图像身份标识信息对应的多个切分字符串进行逐一匹配,统计切分字符串相匹配的匹配次数;
根据匹配次数和切分字符串的总匹配次数计算至少两个待识别图像的图像身份标识信息的匹配度。
6.一种相似图像的识别装置,包括:
选取模块,适于针对至少两个待识别图像中的任一待识别图像,从所述待识别图像中选取N个最高灰度级数的第一像素点和N个最低灰度级数的第二像素点,以及选取最大像素点坐标值的第三像素点;
生成模块,适于根据所述第三像素点的像素点坐标值、N个第一像素点的灰度级数及像素点坐标值以及N个第二像素点的灰度级数及像素点坐标值,生成待识别图像对应的图像身份标识信息;
计算模块,适于计算至少两个图像身份标识信息的匹配度;
识别模块,适于若匹配度大于或等于预设阈值,则确定所述至少两个待识别图像为相似图像;
其中,所述生成模块进一步适于:根据N个第一像素点的灰度级数及N个第二像素点的灰度级数,生成第一身份标识字符串;
根据N个第一像素点的像素点坐标值及N个第二像素点的像素点坐标值,生成第二身份标识字符串;
根据所述第三像素点的像素点坐标值、最低灰度级数的第一像素点的像素点坐标值、最高灰度级数的第二像素点的像素点坐标值,生成第三身份标识字符串;
根据所述第一身份标识字符串、第二身份标识字符串和第三身份标识字符串生成待识别图像对应的图像身份标识信息。
7.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-5中任一项所述的相似图像的识别方法对应的操作。
8.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-5中任一项所述的相似图像的识别方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902880.1A CN113537392B (zh) | 2021-08-06 | 2021-08-06 | 相似图像的识别方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902880.1A CN113537392B (zh) | 2021-08-06 | 2021-08-06 | 相似图像的识别方法、装置、计算设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537392A CN113537392A (zh) | 2021-10-22 |
CN113537392B true CN113537392B (zh) | 2023-10-03 |
Family
ID=78122109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902880.1A Active CN113537392B (zh) | 2021-08-06 | 2021-08-06 | 相似图像的识别方法、装置、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537392B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547356B (zh) * | 2022-04-27 | 2022-07-12 | 深圳百里科技有限公司 | 模板图像存储方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5729625A (en) * | 1995-07-14 | 1998-03-17 | Canon Kabushiki Kaisha | Image processing method and apparatus which expand a pixel into multiple pixels, with a change in the number of gray levels |
JP2001268369A (ja) * | 2000-01-11 | 2001-09-28 | Minolta Co Ltd | 画像データ符号化装置、画像データ符号化方法、記録媒体及び画像形成装置 |
CN107239518A (zh) * | 2017-05-24 | 2017-10-10 | 福建中金在线信息科技有限公司 | 一种图像对比方法、对比装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7583839B2 (en) * | 2005-10-31 | 2009-09-01 | Yahoo! Inc. | Method and mechanism for analyzing the texture of a digital image |
CN101488129B (zh) * | 2008-01-14 | 2011-04-13 | 夏普株式会社 | 图像检索装置及图像检索方法 |
KR102528453B1 (ko) * | 2018-10-18 | 2023-05-02 | 삼성전자주식회사 | 영상 내의 특징 추출 방법, 이를 이용하는 영상 매칭 방법 및 영상 처리 방법 |
-
2021
- 2021-08-06 CN CN202110902880.1A patent/CN113537392B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5729625A (en) * | 1995-07-14 | 1998-03-17 | Canon Kabushiki Kaisha | Image processing method and apparatus which expand a pixel into multiple pixels, with a change in the number of gray levels |
JP2001268369A (ja) * | 2000-01-11 | 2001-09-28 | Minolta Co Ltd | 画像データ符号化装置、画像データ符号化方法、記録媒体及び画像形成装置 |
CN107239518A (zh) * | 2017-05-24 | 2017-10-10 | 福建中金在线信息科技有限公司 | 一种图像对比方法、对比装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
局部灰度极值模式及其局部描述符;陈方,许允喜;《中国图象图形学报》;第24卷(第3期);第0376-0388页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537392A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114741207B (zh) | 一种基于多维度组合并行的gpu资源调度方法和系统 | |
CN113377540A (zh) | 集群资源调度方法及装置、电子设备和存储介质 | |
US20130141448A1 (en) | Graphics Command Generation Device and Graphics Command Generation Method | |
CN113537392B (zh) | 相似图像的识别方法、装置、计算设备及计算机存储介质 | |
CN116263701A (zh) | 算力网络任务调度方法、装置、计算机设备及存储介质 | |
CN114138231B (zh) | 执行矩阵乘法运算的方法、电路及soc | |
CN114048816B (zh) | 一种图神经网络数据采样方法、装置、设备及存储介质 | |
WO2022007596A1 (zh) | 图像检索系统、方法和装置 | |
CN111914987A (zh) | 基于神经网络的数据处理方法及装置、设备和可读介质 | |
CN112433844B (zh) | 一种资源分配方法、系统、设备及计算机可读存储介质 | |
CN117271101A (zh) | 一种算子融合方法、装置、电子设备及存储介质 | |
CN112347101A (zh) | 标签数据存储方法、计算机装置和存储介质 | |
CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
CN112416301A (zh) | 深度学习模型开发方法及装置、计算机可读存储介质 | |
CN116820714A (zh) | 一种算力设备的调度方法、装置、设备和存储介质 | |
CN113010288B (zh) | 云资源的调度方法、装置及计算机存储介质 | |
CN112579280B (zh) | 云资源的调度方法、装置及计算机存储介质 | |
US20220343146A1 (en) | Method and system for temporal graph neural network acceleration | |
CN115033549A (zh) | 基于区块链的文件链接存储方法及装置 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN109003223B (zh) | 图片处理方法和装置 | |
CN116009792B (zh) | 一种图像处理中的数据读取、写入装置及方法、电子设备 | |
WO2024082692A1 (zh) | 执行任务的方法和异构服务器 | |
CN115659443B (zh) | 几何形状流数据处理方法和装置、计算设备和存储介质 | |
CN116433457A (zh) | 数据处理装置、方法、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |