CN115330279B - 一种基于股票走势图相似性检测的公司选取方法 - Google Patents

Abstract

本发明提出了一种基于股票走势图相似性检测的公司选取方法，涉及股票数据技术领域，包括：选取基准图像；对待评估股票走势图和基准图像进行表征；将表征后的待评估股票走势图和基准图像进行缩放；将基准图像和待评估股票走势图进行重建；分别计算原来尺度、缩放后的尺度以及重建后的尺度下的每个基准图像和待评估股票走势图的相似度；判断多个尺度下每个基准图像和待评估股票走势图的相似度；根据相似度选取目标公司；本发明一种基于股票走势图相似性检测的公司选取方法通过多尺度计算股票走势图的相似度，提升了股票走势图相似性检测的精准度，为业绩优良公司的选取提供了更加准确的参考，方法简单方便，无需消耗更多的计算资源。

Description

一种基于股票走势图相似性检测的公司选取方法

技术领域

本发明涉及股票数据技术领域，具体而言，涉及一种基于股票走势图相似性检测的公司选取方法。

背景技术

随着股票市场的高速发展以及逐步健全，越来越多的机构、公司和个人都将资金投入到股市中，股票市场已经成为了一种重要的投资市场。事实上，股票的走势图不仅仅可以作为投资的参考，也可以用于公司业绩的判断。公司业绩的精准判断可以让政府机构、其它公司乃至个人都能够对该公司有更加准确的评估。

然而，对股票走势图的主观判断容易出现视觉疲劳，且有着显著的随机性，无法保持较高的判断精准度；随着计算机视觉、图像处理领域技术的不断更新，很多研究人员都利用图像相似度检测的方式对股票走势图进行了分析，虽然取得了一定的成果，能够为公司经营状况分析提供一定的参考，但较低的精准度往往限制了图像相似度检测在公司业绩判断方面的应用。

因此，如何建立一种优良的基于股票走势图相似性检测方法，从而对上市公司经营状况进行分析，是一个亟待解决且非常有实际应用价值的问题。

发明内容

本发明的目的在于提供一种基于股票走势图相似性检测的公司选取方法，其能够解决上述问题。

本发明的实施例是这样实现的：

第一方面，本申请实施例提供一种基于股票走势图相似性检测的公司选取方法，其包括：

选取基准图像；

对待评估股票走势图和基准图像进行表征；

将表征后的待评估股票走势图和基准图像进行缩放；

将基准图像和待评估股票走势图进行重建；

分别计算原来尺度、缩放后的尺度以及重建后的尺度下的每个基准图像和待评估股票走势图的相似度；

判断多个尺度下每个基准图像和待评估股票走势图的相似度；

根据相似度选取目标公司。

在本发明的一些实施例中，选取所述基准图像的步骤包括：

选取多张股票走势图像；

将股票走势图像等分为多个区域，并对每个区域的股票走势图像进行表征；

计算所有股票走势图像两两之间的相似度，并分别计算多个区域的相似度；

判断任意两张图像在多个区域的相似度，若该相似度超过预设值，则将其认定为重复性图像，并保留任意一个作为基准图像。

在本发明的一些实施例中，上述对每个区域进行表征的方法为采用HOG特征算子。

在本发明的一些实施例中，选取上述目标公司的方法包括：

统计所有基准图像与待评估股票走势图相似的数值，若该数值达到预定值，则将待评估股票走势图对应的公司认定为目标公司。

在本发明的一些实施例中，上述对待评估股票走势图和基准图像进行表征的方法为哈希编码方法。

在本发明的一些实施例中，判断每个基准图像和待评估股票走势图的相似度前，还包括分别对每个基准图像和待评估股票走势图进行高低点的相似性检测。

在本发明的一些实施例中，判断每个基准图像和待评估股票走势图的相似度的方法包括：

若超过3个尺度下的同一基准图像和待评估股票走势图的相似度大于预定数值，则认定该基准图像和待评估股票走势图相似。

在本发明的一些实施例中，上述缩放采用拉普拉斯金字塔方法完成。

在本发明的一些实施例中，上述重建采用图像超分辨率重建方法完成。

第二方面，本申请实施例提供一种电子设备，其特征在于，包括：

存储器，用于存储一个或多个程序；

处理器；

当上述一个或多个程序被所述处理器执行时，实现如上述第一方面的方法。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

本发明的实施例提供一种基于股票走势图相似性检测的公司选取方法，其包括：选取基准图像；对待评估股票走势图和基准图像进行表征；将表征后的待评估股票走势图和基准图像进行缩放；将基准图像和待评估股票走势图进行重建；分别计算原来尺度、缩放后的尺度以及重建后的尺度下的每个基准图像和待评估股票走势图的相似度；判断多个尺度下每个基准图像和待评估股票走势图的相似度；根据相似度选取目标公司。

本发明一种基于股票走势图相似性检测的公司选取方法，通过选取更加优良的股票走势图作为基准图像，降低了基准图像不准确带来的干扰，在多个尺度下；同时通过计算待评估股票走势图和基准股票图的相似度，提升了股票走势图相似性检测的精准度，为业绩优良公司选取提供了更加准确的参考。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例1的一种基于股票走势图相似性检测的公司选取方法的步骤图；

图2为本发明实施例4的一种电子设备的示意性结构框图。

图标：101、存储器；102、处理器；103、通信接口。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，在本文中，术语“包括”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、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

实施例1

请参阅图1，图1所示为本申请实施例提供的一种基于股票走势图相似性检测的公司选取方法的步骤图。

本发明一种基于股票走势图相似性检测的公司选取方法，包括：

选取基准图像；

对待评估股票走势图和基准图像进行表征；

将表征后的待评估股票走势图和基准图像进行缩放；

将基准图像和待评估股票走势图进行重建；

分别计算原来尺度、缩放后的尺度以及重建后的尺度下的每个基准图像和待评估股票走势图的相似度；

判断多个尺度下每个基准图像和待评估股票走势图的相似度；

根据相似度选取目标公司。

需要说明的是，选取的基准图像主要为针对业绩表现突出的公司，选择其中一定数量的公司的股票走势图像来当作基准图像，再与待评估股票走势图进行对比；目标公司为根据相似度检测出的业绩优良的公司。

作为一种优选的实施方式，在将表征后的待评估股票走势图和基准图像进行缩放时，缩放为原先图像尺度的1/4倍和1/16倍，再利用图像超分辨率将基准图像和待评估股票走势图进行重建时，一般重建为原图像尺度的4倍和16倍，然后在原来尺度、1/4倍、1/16倍、4倍、16倍下分别计算每个基准图像和待评估股票走势图的相似度。若在多个尺度下有超过3个尺度的相似度较高，则此时可以认定该基准图像和待评估股票走势图相似。进一步地，判断多个尺度下每个基准图像和待评估股票走势图的相似度，即可得到待评估股票走势图与所有基准图像的相似度对比数据，若此时超过2/3的基准图像与待评估股票走势图都保持了较高的相似度，则可将该待评估股票走势图对应的公司认定为业绩优良公司，否则，则认定为非业绩优良公司。

作为一种优选的实施方式，选取所述基准图像的步骤包括：

选取多张股票走势图像；

将股票走势图像等分为多个区域，并对每个区域的股票走势图像进行表征；

计算所有股票走势图像两两之间的相似度，并分别计算多个区域的相似度；

判断任意两张图像在多个区域的相似度，若该相似度超过预设值，则将其认定为重复性图像，并保留任意一个作为基准图像。

其中，选取的多张股票走势图像通常对应多个不同的公司。

作为一种优选的实施方式，股票走势图像等分为4个区域，对每个区域进行表征，计算所有股票走势图像中的两两之间的相似度，同时分别计算4个区域的相似度，若其中任意两张股票走势图像在4个区域的相似度全部较高，即可认定这两个股票走势图像为重复性图像，即可保留其中一个股票走势图像，并删除另一个股票走势图像。

作为一种优选的实施方式，对每个区域进行表征的方法为采用HOG特征算子。

通过HOG特征算子计算和统计图像局部区域的梯度方向直方图来构成特征，从而可以对每个区域更好的进行表征。

作为一种优选的实施方式，选取目标公司的方法包括：

统计所有基准图像与待评估股票走势图相似的数值，若该数值达到预定值，则将待评估股票走势图对应的公司认定为目标公司。

由此，通过统计所有基准图像与待评估股票走势图相似的数值，并设置预定的数值，如所有基准图像的2/3的数值，当超过2/3的数值的基准图像与待评估股票走势图都保持了较高的相似度，则可将该待评估股票走势图对应的公司认定为目标公司，即业绩优良公司，若与待评估股票走势图保持较高相似度的基准图像的数量未达到其总数的2/3的数值，则认定为非业绩优良公司。

作为一种优选的实施方式，判断每个基准图像和待评估股票走势图的相似度前，还包括分别对每个基准图像和待评估股票走势图进行高低点的相似性检测。

由此，通过在判断每个基准图像和待评估股票走势图的相似度前对每个基准图像和待评估股票走势图进行高低点的相似性检测，可以根据股票走势图的高低点来结合股票走势图的整体趋势进行分析，从而更清晰分析每个基准图像和待评估股票走势图的相似度。

作为一种优选的实施方式，判断每个基准图像和待评估股票走势图的相似度的方法包括：

若超过3个尺度下的同一基准图像和待评估股票走势图的相似度大于预定数值，则认定该基准图像和待评估股票走势图相似。

作为一种优选的实施方式，缩放采用拉普拉斯金字塔方法完成。

由此，通过拉普拉斯金字塔方法从金字塔低层图像重建上层未采样股票走势图像，在数字图像处理中可以预测残差，从而可以对股票走势图像进行最大程度的还原。

可以理解，图1所示的步骤仅为示意，一种基于股票走势图相似性检测的公司选取方法还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

实施例2

作为一种优选的实施方式，对待评估股票走势图和基准图像进行表征的方法为哈希编码方法。

在本实施例2当中，基于哈希编码的图像检索技术按步骤可以分为特征提取、哈希编码、汉明距离排序以及重排四个步骤：

（1）特征提取。对业绩表现突出的公司的股票走势图像建立图像数据库，对图像数据库中的图像逐一进行特征提取，并将其以图像文件名和图像特征一一对应的方式添加到特征库中。

（2）哈希编码。对特征进行编码前，通过哈希函数学习阶段和将特征库分成训练集和测试集，在训练库上对构造的哈希函数集进行训练学习；在正式的哈希编码阶段时，分别将原来的特征代入到学习得到的哈希函数集中，从而得到相应的哈希编码。

（3）汉明距离排序。在汉明距离排序阶段，对于给定的查询的待评估股票走势图，逐一计算待评估股票走势图对应的哈希编码到其他各个哈希编码之间的汉明距离，然后从小到大的顺序进行相似性排序，从而得到检索结果。

（4）重排。针对步骤（3）汉明距离排序后的结果，可以选择对汉明距离小于某一设置的汉明距离的结果进行重排。一般地，在重排的时候采用欧氏距离作为相似性度量得到重排后的结果。

由此，通过哈希编码方法，使得待评估股票走势图和基准图像在哈希函数集上映射后，在汉明空间其数据间的相似性能够得到较好的保持或增强，从而可以使得待评估股票走势图和基准图像进行快速的相似检索查找，进而可以检验股票走势图像的数据的完整性。

实施例3

作为一种优选的实施方式，重建采用图像超分辨率重建方法完成。

在本实施例3中，提供一种图像超分辨率重建方法如下：

（1）对低分辨率股票走势图像进行预处理，得到低分辨率放大图像。

实施时，通过对低分辨率股票走势图像进行简单预处理，可以使低分辨率股票走势图像放大，使得得到的低分辨率放大图像的图像大小与原始高分辨率图像的图像大小一致。

其中，简单预处理时，可采用双三次插值方法将低分辨率股票走势图像放大到至原始高分辨率图像的大小，从而得到低分辨率放大图像，其中插值函数为三次多项式曲线函数。

在插值过程中，待插值点通过图像网格中最近的16个临近像素点计算得到，与邻近插值和双线性插值相比，双三次插值算法复杂度较高，但插值后得到的图像视觉效果最好，可以有效提高图像重建质量。

（2）将低分辨率放大图像输入到预先构建的网络结构中进行图像重建处理；其中，网络结构为添加了激活函数的卷积神经网络。

其中，在对初始网络结构进行优化训练，得到网络结构时，可以利用前向运算和反向传播的网络训练方法，对初始网络结构进行训练，得到各层最优化参数；继而根据初始网络结构和各层最优化参数，得到网络结构。

在卷积神经网络中，激活函数在优化网络性能方面起到了核心关键作用。它们非线性的将输入信号转换成输出信号，将非线性特性引入到卷积神经网络中，增加网络的非线性表达能力，在输入信号和输出信号之间建立非线性映射。为了提高卷积神经网络识别图像的准确率，可以结合ReLU函数和Softplus函数构造一种既具有稀疏性有接近生物学激活特性的激活函数。该激活函数的表达式如下：

f(x)＝max(lge(1+ex)-lge2,x)；

其中，f(x)表示输出的特征图的对应点的权重值，x表示输入的特征图的对应点的权重值。

（3）输出低分辨率图像的高分辨率重建图像。

实际应用中，在将低分辨率图像输入到预先构建的网络结构中后，网络结构的第一层卷积层可以使用64(n1)个9*9(f1*f1)大小的卷积核对输入的图像进行卷积运算，得到各种特征的图像；第二层卷积使用32(n2)个1*1(f2*f2)大小的卷积核对上一层输出的64张特征图进行卷积，并输出32正特征图，并在第二层结束后，添加激活函数，通过激活函数的计算可以提高卷积神经网络识别图像的准确率；第三层实现高分辨率图像重建，使用1(n3)个5*5(f3*f3)大小的卷积核对上一层输出的32张特征图进行卷积，最终输出1张总体结构图，即低分辨率图像的高分辨率重建图像。

由此，通过采用图像超分辨率重建方法，利用计算机可以将一幅低分辨率股票走势图像进行处理，可以恢复出高分辨率股票走势图像，使得股票走势图像具有高像素密度，可以提供更多的细节，从而可以在相似度分析中起到关键作用。

实施例4

请参阅图2，图2为本申请实施例4提供的一种电子设备的一种示意性结构框图。

一种电子设备，包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器（RandomAccessMemory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（CentralProcessingUnit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，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。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种基于股票走势图相似性检测的公司选取方法，通过选取更加优良的股票走势图作为基准图像，降低了基准图像不准确带来的干扰，在多个尺度下，计算待评估股票走势图和基准股票图的相似度，提升了股票走势图相似性检测的精准度，为业绩优良公司选取提供了更加准确的参考，方法简单实用，无需消耗较多的计算资源。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于股票走势图相似性检测的公司选取方法，其特征在于，包括：

选取多张股票走势图像；

将股票走势图像等分为多个区域，并对每个区域的股票走势图像进行表征；

计算所有股票走势图像两两之间的相似度，并分别计算多个区域的相似度；

判断任意两张图像在多个区域的相似度，若该相似度超过预设值，则将其认定为重复性图像，并保留任意一个作为基准图像；

对待评估股票走势图和基准图像进行表征；

将表征后的待评估股票走势图和基准图像进行缩放，缩放为原来图像尺度的1/4倍和1/16倍；

将基准图像和待评估股票走势图进行重建，重建为原来图像尺度的4倍和16倍；

在原来尺度、1/4倍、1/16倍、4倍、16倍下分别计算每个基准图像和待评估股票走势图的相似度；

若在多个尺度下有超过3个尺度的相似度较高，则此时认定该基准图像和待评估股票走势图相似；

根据相似度选取目标公司；

所述重建采用图像超分辨率重建方法完成，包括以下步骤：

（1）对低分辨率股票走势图像进行预处理，得到低分辨率放大图像；

通过对低分辨率股票走势图像进行预处理，使低分辨率股票走势图像放大，使得得到的低分辨率放大图像的图像大小与原始高分辨率图像的图像大小一致；

其中，预处理时，采用双三次插值方法将低分辨率股票走势图像放大到至原始高分辨率图像的大小，从而得到低分辨率放大图像，其中插值函数为三次多项式曲线函数；

在插值过程中，待插值点通过图像网格中最近的16个临近像素点计算得到；

（2）将低分辨率放大图像输入到预先构建的网络结构中进行图像重建处理；其中，网络结构为添加了激活函数的卷积神经网络；

其中，在对初始网络结构进行优化训练，得到网络结构时，利用前向运算和反向传播的网络训练方法，对初始网络结构进行训练，得到各层最优化参数；继而根据初始网络结构和各层最优化参数，得到网络结构；

在卷积神经网络中，激活函数在优化网络性能方面起到了核心关键作用，它们非线性的将输入信号转换成输出信号，将非线性特性引入到卷积神经网络中，增加网络的非线性表达能力，在输入信号和输出信号之间建立非线性映射，结合ReLU函数和Softplus函数构造一种既具有稀疏性有接近生物学激活特性的激活函数，该激活函数的表达式如下：

其中，f(x)表示输出的特征图的对应点的权重值，x表示输入的特征图的对应点的权重值；

（3）输出低分辨率图像的高分辨率重建图像；

实际应用中，在将低分辨率图像输入到预先构建的网络结构中后，网络结构的第一层卷积层使用64个9*9(f1*f1)大小的卷积核对输入的图像进行卷积运算，得到各种特征的图像；第二层卷积使用32个1*1(f2*f2)大小的卷积核对上一层输出的64张特征图进行卷积，并输出32个特征图，并在第二层结束后，添加激活函数，通过激活函数的计算提高卷积神经网络识别图像的准确率；第三层实现高分辨率图像重建，使用1个5*5(f3*f3)大小的卷积核对上一层输出的32张特征图进行卷积，最终输出1张总体结构图，即低分辨率图像的高分辨率重建图像。

2.如权利要求1所述的一种基于股票走势图相似性检测的公司选取方法，其特征在于，所述对每个区域进行表征的方法为采用HOG特征算子。

3.如权利要求1所述的一种基于股票走势图相似性检测的公司选取方法，其特征在于，选取所述目标公司的方法包括：

统计所有基准图像与待评估股票走势图相似的数值，若该数值达到预定值，则将待评估股票走势图对应的公司认定为目标公司。

4.如权利要求1所述的一种基于股票走势图相似性检测的公司选取方法，其特征在于，所述对待评估股票走势图和基准图像进行表征的方法为哈希编码方法。

5.如权利要求1所述的一种基于股票走势图相似性检测的公司选取方法，其特征在于，判断每个基准图像和待评估股票走势图的相似度前，还包括分别对每个基准图像和待评估股票走势图进行高低点的相似性检测。

6.如权利要求1所述的一种基于股票走势图相似性检测的公司选取方法，其特征在于，判断每个基准图像和待评估股票走势图的相似度的方法包括：

若超过3个尺度下的同一基准图像和待评估股票走势图的相似度大于预定数值，则认定该基准图像和待评估股票走势图相似。

7.如权利要求1所述的一种基于股票走势图相似性检测的公司选取方法，其特征在于，所述缩放采用拉普拉斯金字塔方法完成。

8.如权利要求1所述的一种基于股票走势图相似性检测的公司选取方法，其特征在于，所述重建采用图像超分辨率重建方法完成。

9.一种电子设备，其特征在于，包括：

存储器，用于存储一个或多个程序；

处理器；

当所述一个或多个程序被所述处理器执行时，实现如权利要求1-8中任一项所述的方法。

Images