KR20170092631A

KR20170092631A - 유사 물품 검출

Info

Publication number: KR20170092631A
Application number: KR1020177018125A
Authority: KR
Inventors: 밍 류; 수미트 보라르; 수리야 칼루마다이
Original assignee: 이베이 인크.
Priority date: 2014-12-30
Filing date: 2015-11-13
Publication date: 2017-08-11
Also published as: US9454713B2; WO2016109034A1; US9767382B2; EP3241167A1; US20160189003A1; US20160314376A1; CN107408264A

Abstract

이미지 유사도들을 결정하기 위한 방법. 이 방법은 제1 이미지 및 제2 이미지를 취득하는 것 및 제1 이미지의 제1 이산 변환과 제2 이미지의 제2 이산 변환 사이의 이산 변환 차이를 결정하는 것을 포함할 수 있다. 이 방법은 또한 제1 이미지에 대한 다수의 제1 강도 벡터들을 결정하는 것 및 제2 이미지에 대한 다수의 제2 강도 벡터들을 결정하는 것을 포함할 수 있다. 이 방법은 또한 다수의 제1 강도 벡터들과 다수의 제2 강도 벡터들 사이의 강도 벡터 차이를 결정하는 것 및 제1 이미지의 제1 컬러 히스토그램과 제2 이미지의 제2 컬러 히스토그램 사이의 컬러 차이를 결정하는 것을 포함할 수 있다. 이 방법은 또한 이산 변환 차이, 강도 벡터 차이 및 컬러 차이에 기초하여 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것을 포함할 수 있다.

Description

유사 물품 검출{SIMILAR ITEM DETECTION}

관련 출원 참조

본 출원은 그 전문이 본 명세서에 참조로 통합되어 있는 발명의 명칭이 "유사 물품 검출(SIMILAR ITEM DETECTION)"인 2014년 12월 30일자로 출원된 미국 실용 특허 출원 제14/586,318호에 대한 우선권과 혜택을 주장한다.

기술 분야

본 명세서에 개시된 실시예들은 유사 물품 검출에 관련한다.

다수의 시장들은 판매자들이 그들이 판매 중인 상품의 이미지들을 포스팅할 수 있게 한다. 일부 환경들에서, 판매자들은 동일 물품에 대한 다수의 리스팅들을 생성하고 각 리스팅을 위해 동일한 이미지를 사용하여 판매자가 해당 물품을 판매할 기회들을 증가시키기를 시도할 수 있다. 다수의 리스팅들의 결과로서, 해당 물품과 유사한 상품을 검색하는 시장의 구매자들은 동일 물품들에 대한 다수의 리스팅들을 포함하는 검색 결과들을 수신할 수 있다. 동일 물품에 대하여 다수의 리스팅들을 반환하는 것은 구매자의 구매 체험을 감소시킬 수 있고 그리고/또는 구매자가 시장으로부터 물품들을 구매하도록 하는 유인(incentive)들을 감소시킬 수 있다.

본원에 청구된 발명 대상은 임의의 단점들을 해결하거나 전술한 것들 같은 환경들에서만 동작하는 실시예들에 한정되지 않는다. 대신, 본 배경설명은 단지 본원에 설명된 일부 실시예들이 실시될 수 있는 하나의 예시적 기술 영역을 예시하기 위해서 제공된다.

예시적 실시예들이 첨부 도면의 사용을 통해 더 명료하고 상세하게 설명 및 기술될 것이다:
도 1은 이미지 유사도들을 결정하기 위한 예시적 시스템을 예시한다;
도 2a는 이미지 유사도 결정 프로세스의 일부를 예시한다;
도 2b는 이미지 유사도 결정 프로세스의 일부를 예시한다;
도 2c는 이미지 유사도 결정 프로세스의 일부를 예시한다;
도 2d는 이미지 유사도 결정 프로세스의 일부를 예시한다;
도 3은 화소 어레이를 예시한다;
도 4는 이미지 유사도들을 결정하기 위한 예시적 시스템을 예시한다;
도 5는 이미지 유사도들을 결정하기 위한 예시적 방법의 흐름도이다; 그리고
도 6a 및 도 6b는 이미지 유사도들을 결정하기 위한 다른 예시적 방법의 흐름도이다.

온라인 시장에서의 일부 실시예들에서, 상품의 판매자는 중복 또는 근사 중복 이미지들을 사용하여 동일 상품들의 다수의 리스팅들을 제공할 수 있다. 이들 및 다른 실시예들에서, 온라인 시장은 이미지들의 유사도들을 결정함으로써 중복 또는 근사 중복 이미지들을 식별할 수 있다. 이들 및 다른 실시예들에서, 데이터베이스 및 컴퓨팅 시스템을 포함하는 시스템이 설명될 수 있다. 데이터베이스는 판매를 위해 제공된 제1 제품과 연계된 제1 이미지 및 판매를 위해 제공된 제2 제품과 연계된 제2 이미지를 저장하도록 구성될 수 있다. 컴퓨팅 시스템은 데이터베이스에 통신적으로 결합될 수 있다.

컴퓨팅 시스템은 제1 이미지와 제2 이미지 사이의 유사도를 결정하고 이러한 결정의 결과에 기초하여 구매자에 대한 제2 이미지의 제시를 변경하도록 구성될 수 있다. 일부 실시예들에서, 제1 이미지와 제2 이미지 사이의 유사도의 결정은 다양한 단계들을 포함할 수 있다. 이 단계들은 제1 이미지의 제1 이산 변환 및 제2 이미지의 제2 이산 변환 사이의 이산 변환 차이를 결정하는 것 및 제1 이미지에 대한 다수의 제1 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제1 강도 벡터들 각각은 제1 이미지의 다수의 제1 화소들 중 상이한 하나에 대응할 수 있다. 단계들은 또한 제2 이미지에 대한 다수의 제2 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제2 강도 벡터들 각각은 제2 이미지의 다수의 제2 화소들 중 상이한 하나에 대응할 수 있다. 단계들은 또한 다수의 제1 강도 벡터들과 다수의 제2 강도 벡터들 사이의 강도 벡터 차이를 결정하는 것 및 제1 이미지의 제1 컬러 히스토그램과 제2 이미지의 제2 컬러 히스토그램 사이의 컬러 차이를 결정하는 것을 포함할 수 있다. 단계들은 또한 이산 변환 차이, 강도 벡터 차이 및 컬러 차이에 기초하여 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것을 포함할 수 있다.

대안적으로 또는 추가적으로, 본원의 일부 실시예들은 이미지 유사도들을 결정하기 위한 방법을 설명할 수 있다. 이미지 유사도들을 결정하기 위한 이 방법은 이미지 유사도들을 결정하기 위해 온라인 시장 또는 몇몇 다른 시스템에 의해 사용될 수 있다. 이 방법은 제1 이미지 및 제2 이미지를 취득하는 것 및 제1 이미지의 제1 이산 변환과 제2 이미지의 제2 이산 변환 사이의 이산 변환 차이를 결정하는 것을 포함할 수 있다. 이 방법은 또한 제1 이미지에 대한 다수의 제1 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제1 강도 벡터들 각각은 제1 이미지의 다수의 제1 화소들 중 상이한 하나에 대응할 수 있다.

이 방법은 또한 제2 이미지에 대한 다수의 제2 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제2 강도 벡터들 각각은 제2 이미지의 다수의 제2 화소들 중 상이한 하나에 대응할 수 있다. 이 방법은 또한 다수의 제1 강도 벡터들과 다수의 제2 강도 벡터들 사이의 강도 벡터 차이를 결정하는 것 및 제1 이미지의 제1 컬러 히스토그램과 제2 이미지의 제2 컬러 히스토그램 사이의 컬러 차이를 결정하는 것을 포함할 수 있다. 이 방법은 또한 이산 변환 차이, 강도 벡터 차이 및 컬러 차이에 기초하여 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것을 포함할 수 있다.

대안적으로 또는 추가적으로, 본원의 일부 실시예들은 이미지 유사도들을 결정하기 위한 다른 방법을 설명할 수 있다. 이미지 유사도들을 결정하기 위한 이 방법은 이미지 유사도들을 결정하기 위해 온라인 시장 또는 몇몇 다른 시스템에 의해 사용될 수 있다. 이 방법은 제1 이미지와 제2 이미지를 취득하는 것 및 제1 이미지에 대한 다수의 제1 유의(value) 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제1 유의 강도 벡터들 각각은 제1 이미지의 다수의 제1 유의 화소들 중 상이한 하나에 대응할 수 있다. 이 방법은 또한 제2 이미지에 대한 다수의 제2 유의 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제2 유의 강도 벡터들 각각은 제2 이미지의 다수의 제2 유의 화소들 중 상이한 하나에 대응할 수 있다.

이 방법은 또한 다수의 제1 유의 강도 벡터들과 다수의 제2 유의 강도 벡터들 사이의 유의 강도 벡터 차이를 결정하는 것 및 제1 이미지에 대한 다수의 제1 설정 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제1 설정 강도 벡터들 각각은 제1 이미지의 다수의 제1 설정 화소들 중 상이한 하나에 대응할 수 있다. 이 방법은 또한 제2 이미지에 대한 다수의 제2 설정 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제2 설정 강도 벡터들 각각은 제2 이미지의 다수의 제2 설정 화소들 중 상이한 하나에 대응할 수 있다. 이 방법은 또한 다수의 제1 설정 강도 벡터들과 다수의 제2 설정 강도 벡터들 사이의 설정 강도 벡터 차이를 결정하는 것 및 제1 이미지에 대한 다수의 제1 랜덤 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제1 랜덤 강도 벡터들 각각은 제1 이미지의 다수의 제1 랜덤 화소들 중 상이한 하나에 대응할 수 있다.

이 방법은 또한 제2 이미지에 대한 다수의 제2 랜덤 강도 벡터들을 결정하는 것을 포함할 수 있다. 다수의 제2 랜덤 강도 벡터들 각각은 제2 이미지의 다수의 제2 랜덤 화소들 중 상이한 하나에 대응할 수 있다. 이 방법은 또한 다수의 제1 랜덤 강도 벡터들과 다수의 제2 랜덤 강도 벡터들 사이의 랜덤 강도 벡터 차이를 결정하는 것 및 유의 강도 벡터 차이, 설정 강도 벡터 차이 및 랜덤 강도 벡터 차이에 기초하여 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것을 포함할 수 있다.

도면으로 돌아가서, 도 1은 이미지 유사도들을 결정하기 위한 예시적 시스템(100)을 예시한다. 시스템(100)은 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 시스템(100)은 네트워크(110), 온라인 시장(112)-컴퓨팅 시스템(120)과 데이터베이스(130)를 포함함-, 제1 디바이스(140) 및 제2 디바이스(150)를 포함할 수 있다.

네트워크(110)는 제1 디바이스(140) 및 제2 디바이스(150)와 온라인 시장(112)을 통신적으로 결합하도록 구성될 수 있다. 일부 실시예들에서, 네트워크(110)는 디바이스들 사이에서 통신들을 송신 및 수신하도록 구성된 임의의 네트워크 또는 네트워크들의 구성일 수 있다. 일부 실시예들에서, 네트워크(110)는 종래의 유형의 네트워크, 유선 또는 무선 네트워크를 포함할 수 있으며, 다수의 상이한 구성들을 가질 수 있다. 또한, 네트워크(110)는 지역 네트워크(LAN), 광역 네트워크(WAN)(예를 들어, 인터넷) 또는 그를 거쳐 다수의 디바이스들 및/또는 엔티티들이 통신할 수 있는 다른 상호접속된 데이터 경로들을 포함할 수 있다. 일부 구현예들에서, 네트워크(110)는 피어-투-피어 네트워크를 포함할 수 있다. 네트워크(110)는 또한 다양한 상이한 통신 프로토콜들에서 데이터를 송신하기 위해 원격통신 네트워크의 부분들에 결합되거나 그를 포함할 수 있다. 일부 구현예들에서, 네트워크(110)는 단문 메시지 서비스(SMS), 멀티미디어 메시징 서비스(MMS), 하이퍼텍스트 전달 프로토콜(HTTP), 직접 데이터 접속, 무선 애플리케이션 프로토콜(WAP), 이메일 등을 경유하는 것을 포함하여, 통신들 및/또는 데이터를 송신 및 수신하기 위한 블루투스® 통신 네트워크 또는 셀룰러 통신 네트워크를 포함한다. 네트워크(110)는 또한 3세대(3G), 4세대(4G), 롱-텀 에볼루션(LTE), 롱-텀 에볼루션 어드벤스드(LTE-A), 보이스-오버-LTE("VoLTE")를 포함할 수 있는 모바일 데이터 네트워크 또는 임의의 다른 모바일 데이터 네트워크 또는 모바일 데이터 네트워크들의 조합을 포함할 수 있다. 또한, 네트워크(110)는 하나 이상의 IEEE 802.11 무선 네트워크들을 포함할 수 있다.

온라인 시장(112)은 판매자들이 상품들을 구매자들에게 판매하기 위해 온라인 시장에 제공하도록 구성되는 서버들 및 데이터베이스들 같은 임의의 구성의 하드웨어일 수 있다. 예로서, 온라인 시장(112)은 다수의 퍼블리싱, 리스팅 및 가격-설정 메커니즘들을 제공하도록 구성될 수 있고, 이에 의해, 판매자가 판매를 위한 상품들 또는 서비스들을 리스팅(또는 그에 관련한 정보를 퍼블리싱)할 수 있고, 구매자가 이런 상품들 또는 서비스들의 구매에 대한 관심을 표현하거나 그 구매에 대한 욕구를 나타낼 수 있으며, 상품들 또는 서비스들에 관한 거래를 위해 가격이 설정될 수 있다. 거래를 위해 설정된 가격들은 경매-형태의 리스팅 및 가격 설정 메커니즘들일 수 있다(예를 들어, 영국식 경매, 네덜란드식 경매, 중국식 경매, 쌍방향 경매, 역경매 등). 다른 유형의 가격 리스팅 형태들도 사용될 수 있다. 예로서, 정가 리스팅 형태(예를 들어, 전통적 분류식 광고형 리스팅(traditional classified advertisement-type listing) 또는 카달로그 리스팅) 또는 바이아웃형(buyout-type) 리스팅 형태가 사용될 수 있다. 이들 및 다른 실시예들에서, 바이아웃형 리스팅은 경매 형태 리스팅들과 연계하여 제공될 수 있고, 구매자가 통상적으로 물품을 위한 경매의 시작가보다 높은 정가로 상품들 또는 서비스들-역시 경매를 통해 판매하기 위해 제공됨-을 구매할 수 있게 한다.

판매를 위한 상품들의 리스팅의 일부로서, 판매자는 물품의 이미지를 제공할 수 있다. 물품의 이미지는 판매될 물품의 시각적 표현을 제공할 수 있다. 일부 실시예들에서, 판매자는 물품의 동일 또는 근사 중복 이미지들을 사용하여 동일 물품에 대해 다수의 리스팅들을 생성할 수 있다. 일부 환경들에서, 동일 물품에 대한 다수의 리스팅들을 생성하는 판매자는 구매자들에게 바람직하지 못할 수 있으며, 그 이유는 구매자가 상품의 유형들을 검색할 때 하나의 유형의 상품들의 다수의 중복 물품들이 구매자에게 제시될 수 있기 때문이다.

일부 실시예들에서, 온라인 시장(112)은 물품들의 이미지들 사이의 유사도에 기초하여 물품의 동일 또는 근사 중복 이미지들이 두 개의 상이한 리스팅들에 포스팅되는 경우를 결정하도록 구성될 수 있다. 이들 및 다른 실시예들에서, 온라인 시장(112)이 물품의 이미지들이 유사하다고 결정하는 것에 응답하여, 온라인 시장(112)은 물품의 동일 또는 근사 중복 이미지들을 갖는 리스팅들에 관하여 액션을 취할 수 있다. 일부 실시예들에서, 온라인 시장(112)에 의해 취해지는 액션은 유사 이미지를 갖는 리스팅을 제거하는 것 또는 구매자에게 제공되는 검색 결과들 내에서의 유사 이미지를 갖는 리스팅의 배치를 감소시키는 것을 포함할 수 있다.

리스팅들 내의 물품들의 이미지들은 이미지들이 중복 이미지들인 경우 유사한 이미지들인 것으로 결정될 수 있다. 예로서, 제1 리스팅은 제1 이미지를 포함할 수 있고, 제2 리스팅은 제2 이미지를 포함할 수 있다. 제1 및 제2 이미지가 중복 이미지들인 경우, 제2 이미지는 제1 이미지의 디지털 사본일 수 있다. 예로서, 판매자는 제1 및 제2 리스팅들 모두에 대해 동일한 이미지를 온라인 시장(112)에 업로드할 수 있다.

대안적으로 또는 추가적으로, 리스팅 내의 이미지들은 이미지들 중 하나가 이미지들 중 다른 것의 수정본인 경우 유사한 이미지들인 것으로 결정될 수 있다. 예로서, 제1 리스팅은 제1 이미지를 포함하고 제2 리스팅은 제1 이미지의 수정본인 제2 이미지를 포함할 수 있다. 제1 이미지의 수정본으로서 제2 이미지를 생성하기 위해 제1 이미지의 디지털 사본이 생성되고 디지털 처리를 통해 조작되어 제2 이미지를 생성할 수 있다. 예로서, 제1 이미지의 디지털 사본은 디지털 사본에 워터마크를 추가함으로써 디지털식으로 조작될 수 있다. 대안적으로 또는 추가적으로, 디지털 사본은 디지털 사본의 하나 이상의 화소들의 컬러 또는 휘도를 조정함으로써 디지털식으로 조작될 수 있다. 일부 실시예들에서, 디지털 처리 조작은 육안으로는 인지할 수 없지만 제1 및 제2 이미지들의 해시값 비교 같은 제1 및 제2 이미지들의 엄격한 비교에 의해서는 검출될 수 있는 제1 및 제2 이미지들 사이의 차이를 초래할 수 있다.

일부 실시예들에서, 온라인 시장(112)의 컴퓨팅 시스템(120)은 상이한 리스팅들의 제1 및 제2 이미지들 사이의 유사도를 결정하도록 구성될 수 있다. 이들 및 다른 실시예들에서, 상이한 리스팅들의 제1 및 제2 이미지들은 데이터베이스(130)에 저장될 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 서버나 몇몇 다른 컴퓨팅 시스템 같은 하나 이상의 프로세서들과 메모리를 포함하는 단일 컴퓨팅 시스템일 수 있다. 대안적으로 또는 추가적으로, 컴퓨팅 시스템(120)은 함께 네트워크 연결되어 태스크를 수행하도록 구성된 다수의 서버들 같은 다수의 컴퓨팅 시스템들을 포함할 수 있다. 데이터베이스(130)는 임의의 구성의 디지털 데이터 스토리지일 수 있다.

제1 및 제2 이미지들 사이의 유사도를 결정하기 위해, 컴퓨팅 시스템(120)은 데이터베이스(130)로부터 이미지들을 취득할 수 있고, 제1 및 제2 이미지들의 상이한 피처들을 취득할 수 있다. 예로서, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들의 매크로 피처들, 마이크로 피처들 및 컬러 피처들 중 적어도 하나를 결정하도록 구성될 수 있다. 컴퓨팅 시스템(120)은 이들 피처들에 기초하여 제1 및 제2 이미지들 사이의 유사도를 결정할 수 있다.

매크로 피처들, 마이크로 피처들 및 컬러 피처들 중 적어도 하나를 사용함으로써, 컴퓨팅 시스템(120)은 중복 이미지들인 이미지들 및 디지털 조작들을 한 중복 이미지들인 이미지들을 포함하는 유사한 이미지들을 구별할 수 있다. 예로서, 제1 및 제2 이미지 전체를 고려하기 위해 매크로 피처들을 사용하여, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들이 중복 이미지들인지를 결정할 수 있다. 일부 실시예들에서, 제1 및 제2 이미지들의 매크로 피처들은 제2 이미지가 제1 이미지의 디지털식으로 조작된 중복본인 경우 매크로 피처들이 워터마크들 같은 몇몇 디지털 조작들에 의해 영향을 받지 않을 수 있기 때문에 이미지들이 유사하다는 것을 나타낼 수 있다. 그러나, 일부 실시예들에서, 매크로 피처들은 미소한 차이를 갖는 제1 및 제2 이미지들 사이를 적절히 구별하지 못할 수 있으며, 따라서, 제1 및 제2 이미지들이 유사하지 않은 경우에(예를 들어, 제1 및 제2 이미지들이 중복본들도 인간이 볼 수 없는 디지털 조작을 한 중복본들도 아닌 경우에) 제1 및 제2 이미지들을 유사한 것으로 오분류할 수 있다.

제1 및 제2 이미지들의 마이크로 피처들은 제1 및 제2 이미지들의 작은 부분을 고려할 수 있고, 미소한 차이들을 갖는 제1 및 제2 이미지들 사이를 적절히 구별할 수 있다. 마이크로 피처들을 사용할 때 제1 및 제2 이미지들 사이의 중복 이미지의 디지털 조작 같은 미소한 차이들은 제1 및 제2 이미지들이 유사하지 않은 것으로 결정되게 할 수 있다. 마이크로 피처들 및 매크로 피처들 양자 모두로부터의 정보를 조합함으로써, 제1 및 제2 이미지들의 유사도의 더 양호한 결정이 취득될 수 있다.

일부 실시예들에서, 매크로 및 마이크로 피처들은 제1 및 제2 피처들의 컬러를 고려하지 않을 수 있다. 예로서, 매크로 및 마이크로 피처들은 제1 및 제2 이미지들의 그레이스케일을 사용할 수 있다. 이들 및 다른 실시예들에서, 컬러 피처들은 또한 제1 및 제2 이미지들 사이의 유사도에 대한 정보를 제공할 수 있다. 컬러 피처들의 작은 차이는 제1 및 제2 이미지들이 유사하다는 것을 나타낼 수 있다. 일부 실시예들에서, 매크로 및 마이크로 피처들의 작은 차이를 동반한 컬러 피처들의 큰 차이는 제1 및 제2 이미지들이 동일한 물품이지만 상이한 컬러들임을 나타낼 수 있다. 따라서, 제1 및 제2 이미지들은 유사하지 않을 수 있다.

예로서, 판매자가 카메라의 제1 및 제2 이미지들을 사용하여 제1 및 제2 리스팅들에서 판매를 위해 카메라를 리스팅하는 경우를 가정한다. 카메라의 제2 이미지는 리스팅의 관찰자들에 의해 이미지에서 인지되지 않는 작은 워터마크를 갖는 제1 이미지의 중복 이미지일 수 있다. 제1 및 제2 이미지들의 매크로 피처들은 제1 및 제2 이미지들이 동일하다는 것을 나타낼 수 있다. 제1 및 제2 이미지들의 마이크로 피처들은 마이크로 피처들 중 다수가 매우 유사하지만 미소한 차이들을 갖는다는 것을 나타낼 수 있다. 컬러 피처들은 제1 및 제2 이미지들이 유사하다는 것을 나타낼 수 있다. 결과적으로, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들이 유사하다고 결정할 수 있다.

다른 예로서, 판매자가 제1 및 제2 카메라들의 제1 및 제2 이미지들 각각을 사용하여 제1 리스팅에 판매를 위한 제1 카메라를 리스팅하고 제2 리스팅에 판매에 대한 제2 카메라를 리스팅하는 경우를 가정한다. 제1 및 제2 카메라들은 동일 모델의 카메라이지만 제1 및 제2 이미지들이 미소하게 상이한 각도들에서 촬상되었기 때문에 제1 및 제2 이미지들은 미소하게 상이할 수 있다. 제1 및 제2 이미지들의 매크로 피처들은 제1 및 제2 이미지들이 동일하지 않다는 것을 나타낼 수 있다. 제1 및 제2 이미지들의 마이크로 피처들은 마이크로 피처들이 유사하지만 대개 동일하지 않다는 것을 나타낼 수 있다. 컬러 피처들은 제1 및 제2 이미지들이 매우 유사하다는 것을 나타낼 수 있다. 결과적으로, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들이 유사하지 않다고 결정할 수 있다.

다른 예로서, 판매자가 제1 및 제2 카메라들의 제1 및 제2 이미지들 각각을 사용하여 제1 리스팅에 판매를 위한 제1 카메라를 리스팅하고 제2 리스팅에 판매에 대한 제2 카메라를 리스팅하는 경우를 가정한다. 제1 및 제2 카메라들은 동일한 모델, 그러나, 상이한 컬러들의 카메라일 수 있다. 제1 및 제2 이미지들의 그레이스케일 매크로 피처들은 제1 및 제2 이미지들이 동일하다는 것을 나타낼 수 있다. 제1 및 제2 이미지들의 그레이스케일 마이크로 피처들은 마이크로피처들이 동일하다는 것을 나타낼 수 있다. 컬러 피처들은 제1 및 제2 이미지들이 유사하지 않다는 것을 나타낼 수 있다. 결과적으로, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들이 유사하지 않다고 결정할 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들의 매크로 피처들, 마이크로 피처들 및 컬러 피처들 사이의 차이를 결정하고 유사도 모델에 이 차이들을 제공할 수 있다. 유사도 모델은 차이들에 기초하여 제1 및 제2 이미지들이 유사한지 여부의 표시를 생성할 수 있다. 일부 실시예들에서, 유사도 모델은 머신 러닝(machine learning)을 사용하여 생성될 수 있다. 결과적으로, 유사도 모델은 온라인 시장(112)의 운영자에게 적합한 유사도 레벨을 반영하는 트레이닝 이미지들에 기초하여 생성될 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들의 이산 변환에 기초하여 제1 및 제2 이미지들의 매크로 피처들을 결정할 수 있다. 예로서, 이산 변환은 이산 코사인 변환, 이산 사인 변환 또는 수정 이산 코사인 변환일 수 있다.

이들 및 다른 실시예들에서, 컴퓨팅 시스템(120)은 제1 이미지에 대한 제1 이산 변환 및 제2 이미지에 대한 제2 이산 변환을 결정할 수 있다. 컴퓨팅 시스템(120)은 제1 이산 변환과 제2 이산 변환 사이의 이산 변환 차이를 결정할 수 있다. 일부 실시예들에서, 이산 변환 차이는 제1 및 제2 이미지들 사이의 매크로-레벨 피처 차이를 나타낼 수 있다. 이산 변환 차이는 유사도 모델에 제공되고 제1 및 제2 이미지들 사이의 유사도를 결정하기 위해 유사도 모델에 의해 사용될 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들 각각을 위해 유도된 다수의 강도 벡터들을 사용하여 제1 및 제2 이미지들의 마이크로 피처들을 결정할 수 있다. 이들 및 다른 실시예들에서, 컴퓨팅 시스템(120)은 제1 이미지에 대한 다수의 제1 강도 벡터들 및 제2 이미지에 대한 다수의 제2 강도 벡터들을 결정할 수 있다. 다수의 제1 강도 벡터들 각각은 제1 이미지의 상이한 화소에 대응할 수 있다. 다수의 제2 강도 벡터들 각각은 제2 이미지의 상이한 화소에 대응할 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들 각각을 위한 다수의 강도 벡터들의 1개, 2개 또는 3개의 상이한 유형들을 결정할 수 있다. 다수의 강도 벡터들의 하나의 유형은 유의-화소 강도 벡터들일 수 있다. 다수의 강도 벡터들의 다른 유형은 설정-화소 강도 벡터들일 수 있다. 다수의 강도 벡터들의 다른 유형은 랜덤-화소 강도 벡터들일 수 있다. 선택된 강도 벡터들의 각 유형에 대하여, 컴퓨팅 시스템(120)은 다수의 강도 벡터들을 결정할 수 있다. 강도 벡터의 각 유형을 위한 다수의 강도 벡터들 각각은 제1 및 제2 이미지들이 상이한 화소에 대응할 수 있다.

단일 강도 벡터가 대응하는 화소는 강도 벡터 결정 시 사용되는 중심 화소일 수 있다. 강도 벡터는 강도 레벨과 중심 화소 주변의 다수의 화소의 배향에 기초하여 생성될 수 있다. 화소의 강도 레벨은 화소의 밝기를 나타내는 화소와 연계된 화소 값을 포함할 수 있다. 화소의 강도 배향은 화소 주변의 하나 이상의 화소들에 기초하여 계산된 강도 구배의 배향을 포함할 수 있다.

일반적으로, 강도 벡터의 크기는 화소들의 강도 배향들을 그룹화하기 위한 세분화(granularity)의 레벨에 기초할 수 있다. 일부 실시예들에서, 강도 벡터의 크기는 각 강도 벡터 유형에 대해 변할 수 있다. 대안적으로 또는 추가적으로, 강도 벡터를 계산하기 위해 사용되는 중심 화소 주변의 화소의 수는 또한 강도 벡터들의 상이한 유형들에 대하여 변할 수 있다.

일부 실시예들에서, 유의-화소 강도 벡터들이 대응하는 화소들은 조도 강도 최대치들을 갖는 화소들일 수 있다. 일부 실시예들에서, 조도 강도 최대치들을 갖는 화소들은 이미지 내의 에지들의 화소들일 수 있다. 일부 실시예들에서, 랜덤-화소 강도 벡터들이 대응하는 화소들은 그 사이에 적어도 최소 화소 거리를 갖는 이미지로부터 랜덤하게 선택된 화소들일 수 있다. 일부 실시예들에서, 설정-화소 강도 벡터들이 대응하는 화소들은 화소들의 특정 그리드로부터의 화소들일 수 있다. 이들 및 다른 실시예들에서, 화소들의 특정 그리드는 이미지 전반에 걸친 그리드 내에서 균등 이격된 화소들일 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 제1 이미지에 대한 다수의 제1 랜덤-화소 강도 벡터들 및 제2 이미지에 대한 다수의 제2 랜덤-화소 강도 벡터들을 결정할 수 있다. 컴퓨팅 시스템(120)은 랜덤 화소 강도 차이를 결정하기 위해 제1 랜덤-화소 강도 벡터들과 제2 랜덤-화소 강도 벡터들을 비교할 수 있다. 일부 실시예들에서, 랜덤 화소 강도 차이는 제1 및 제2 이미지들 사이의 마이크로-레벨 피처 차이를 나타낼 수 있다. 랜덤 화소 강도 차이는 유사도 모델에 제공될 수 있고, 제1 및 제2 이미지들 사이의 유사도를 결정하기 위해 유사도 모델에 의해 사용될 수 있다.

대안적으로 또는 추가적으로, 컴퓨팅 시스템(120)은 제1 이미지에 대한 다수의 제1 설정-화소 강도 벡터들 및 제2 이미지에 대한 다수의 제2 설정-화소 강도 벡터들을 결정할 수 있다. 컴퓨팅 시스템(120)은 설정-화소 강도 차이를 결정하기 위해 제1 설정-화소 강도 벡터들과 제2 설정-화소 강도 벡터들을 비교할 수 있다. 일부 실시예들에서, 설정-화소 강도 차이는 제1 및 제2 이미지들 사이의 마이크로-레벨 피처 차이를 나타낼 수 있다. 설정-화소 강도 차이는 유사도 모델에 제공될 수 있고, 제1 및 제2 이미지들 사이의 유사도를 결정하기 위해 유사도 모델에 의해 사용될 수 있다.

대안적으로 또는 추가적으로, 컴퓨팅 시스템(120)은 제1 이미지에 대한 다수의 제1 유의-화소 강도 벡터들 및 제2 이미지에 대한 다수의 제2 유의-화소 강도 벡터들을 결정할 수 있다. 컴퓨팅 시스템(120)은 유의-화소 강도 차이를 결정하기 위해 제1 유의-화소 강도 벡터들과 제2 유의-화소 강도 벡터들을 비교할 수 있다. 일부 실시예들에서, 유의-화소 강도 차이는 제1 및 제2 이미지들 사이의 마이크로-레벨 피처 차이를 나타낼 수 있다. 유의-화소 강도 차이는 유사도 모델에 제공될 수 있고, 제1 및 제2 이미지들 사이의 유사도를 결정하기 위해 유사도 모델에 의해 사용될 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 제1 및 제2 이미지들의 포화도 및 색조 특성들에 기초하여 제1 및 제2 이미지들의 컬러 피처들을 결정할 수 있다. 제1 및 제2 이미지들의 포화도 및 색조 특성들을 사용하여, 컴퓨팅 시스템(120)은 제1 이미지에 대한 제1 컬러 히스토그램 및 제2 이미지에 대한 제2 컬러 히스토그램을 생성할 수 있다. 컴퓨팅 시스템(120)은 또한 제1 컬러 히스토그램 및 제2 컬러 히스토그램 사이의 컬러 차이를 결정할 수 있다. 일부 실시예들에서, 컬러 차이는 제1 및 제2 이미지들 사이의 컬러 레벨 피처 차이를 나타낼 수 있다. 컬러 차이는 유사도 모델에 제공되고 제1 및 제2 이미지들 사이의 유사도를 결정하기 위해 유사도 모델에 의해 사용될 수 있다.

컴퓨팅 시스템(120)은 온라인 시장(112)의 이미지들에 관하여 발생하는 임의의 이벤트에서 이미지들 사이의 유사도들을 결정하도록 구성될 수 있다. 예로서, 일부 실시예들에서, 이미지가 데이터베이스(130)에 업로드될 때, 컴퓨팅 시스템(120)은 데이터베이스 내의 다른 이미지들에 액세스할 수 있고 데이터베이스 내의 최근 업로드된 이미지와 다른 이미지들 사이의 유사도들을 결정한다. 대안적으로 또는 추가적으로, 컴퓨팅 시스템(120)은 다른 이벤트들 사이에서 일별, 주별 등 같은 특정 스케쥴, 랜덤 스케쥴 또는 업로드된 이미지들의 수에 기초하여 이미지들 사이의 유사도들을 결정할 수 있다.

이미지들이 유사하다고 결정하는 것에 응답하여, 컴퓨팅 시스템(120)은 다른 액션들 중에서 이미지들 중 하나를 제거하거나, 이미지들 중 하나를 제거하기 위해 이미지들 중 하나를 업로드한 판매자에게 요청을 송신하거나 해당 이미지들이 검색 결과들에 함께 나타나지 않도록 이미지들 중 하나를 태깅할 수 있다.

일부 실시예들에서, 컴퓨팅 시스템(120)은 최근에 수신된 이미지와 데이터베이스(130) 내의 모든 다른 이미지들 또는 상품의 유사 분류의 이미지들 같은 데이터베이스(130) 내의 이미지들의 일부 특정 세트 사이의 유사도들을 결정할 수 있다. 예로서, 컴퓨팅 시스템(120)은 특정 판매자로부터 최근에 수신된 이미지를 특정 판매자에 의해 업로드된 다른 이미지들에 비교할 수 있다. 대안적으로 또는 추가적으로, 컴퓨팅 시스템(120)은 특정 판매자로부터 최근에 수신된 이미지를 특정 판매자와 연계된 하나 이상의 판매자들에 의해 업로드된 다른 이미지들에 비교할 수 있다.

대안적으로 또는 추가적으로, 컴퓨팅 시스템(120)은 구매자에 의해 수행된 상품에 대한 검색으로부터 반환된 이미지들 사이의 유사도들을 결정할 수 있다. 예로서, 구매자는 특정 상품에 대한 검색을 제출할 수 있다. 온라인 시장(112)은 특정 상품을 위한 검색을 수행하고 구매자에게 디스플레이하기 위해 리스팅들을 선택할 수 있다. 구매자에게 디스플레이하기 위한 리스팅들을 컴파일링한 이후, 그러나, 네트워크(110)를 통해 구매자에게 리스팅들을 송신하기 이전에, 컴퓨팅 시스템(120)은 선택된 리스팅들 상의 이미지들 사이의 유사도를 결정할 수 있다. 리스팅들 중 2개의 이미지들 사이의 유사도 차이를 결정하는 것에 응답하여, 컴퓨팅 시스템(120) 및/또는 온라인 시장(112)은 구매자에게 디스플레이하기 위해 리스팅들로부터 유사 이미지들을 갖는 리스팅들 중 하나를 제거할 수 있다. 대안적으로 또는 추가적으로, 리스팅들 중 2개의 이미지들 사이의 유사도 차이를 결정하는 것에 응답하여, 컴퓨팅 시스템(120) 및/또는 온라인 시장(112)은 구매자에게 디스플레이하기 위해 리스팅들 내의 유사 이미지들을 갖는 리스팅들 중 하나의 위치를 조정할 수 있다. 예로서, 유사 이미지들을 갖는 리스팅들 중 하나의 위치는 리스팅들 중 하나가 제2 또는 후속 페이지 상에 배치되게 함으로써 강등될 수 있다.

시스템(100)의 동작의 예가 후속된다. 온라인 시장(112)의 판매자는 제1 디바이스(140)를 사용하여 온라인 시장(112)과 상호작용할 수 있다. 예로서, 판매자는 제1 디바이스(140) 상에서 동작하는 인터넷 브라우저를 사용하여 온라인 시장(112)과 상호작용할 수 있다. 판매자는 카메라를 판매하기 위해 제1 리스팅을 생성하고 네트워크(110)를 통해 카메라의 제1 이미지를 온라인 시장(112)에 업로드할 수 있다. 온라인 시장(112)은 데이터베이스(130) 내에 제1 이미지를 저장할 수 있다.

판매자는 또한 카메라를 판매하기 위해 제2 리스팅을 생성하고 카메라의 제2 이미지를 온라인 시장(112)에 업로드할 수 있다. 제2 이미지가 제1 이미지의 디지털 사본 또는 처리 조작들을 한 제1 이미지의 디지털 사본일 수 있다는 점에서 제2 이미지는 제1 이미지와 유사할 수 있다.

일부 실시예에서, 제2 이미지의 수신 시, 컴퓨팅 시스템(120)은 제1 이미지를 포함하는 판매자에 의해 업로드된 다른 이미지들과 제2 이미지 사이의 유사도를 결정할 수 있다. 제1 이미지와 제2 이미지가 유사하다고 결정하는 것에 응답하여, 컴퓨팅 시스템(120)은 온라인 시장(112)으로부터 제2 리스팅을 제거할 수 있다.

대안적으로 또는 추가적으로, 제2 디바이스(150)를 통해 구매자는 온라인 시장(112)에 액세스할 수 있다. 구매자는 일반적으로 카메라들에 대한 검색을 수행할 수 있다. 온라인 시장(112)은 카메라들의 리스팅들을 검색할 수 있고, 제1 및 제2 리스팅들을 포함하는 검색 결과들을 준비할 수 있다. 검색 결과들을 준비한 이후, 그러나, 제2 디바이스(150)에 검색 결과들을 송신하기 이전에, 컴퓨팅 시스템(120)은 검색 결과들 내의 리스팅들의 이미지들 사이의 유사도들을 결정할 수 있다. 제1 및 제2 이미지들이 유사하다고 결정한 이후, 컴퓨팅 시스템(120) 또는 온라인 시장(112)은 검색 결과들로부터 제2 리스팅을 제거하거나 제2 리스팅을 검색 결과의 더 이후의 페이지로 강등시킬 수 있다. 온라인 시장(112)은 그 후 구매자에게 디스플레이하기 위해 제2 디바이스(150)에 검색 결과를 송신할 수 있다.

몇몇 온라인 시장들에서, 시장들은 이미지들이 중복 이미지들인 경우를 결정하고 중복 이미지들을 갖는 리스팅들을 제거하기 위해 상이한 리스팅들의 이미지들을 비교할 수 있다. 리스팅들이 제거되는 것을 피하기 위해, 판매자는 다수의 방식들로 디지털식으로 조작되는 단일 이미지를 사용하여 다수의 리스팅들을 생성할 수 있다. 대조적으로, 온라인 시장(112)은 컴퓨팅 시스템(120)을 사용하여 유사한 이미지들을 결정할 수 있고 중복 이미지들인 이미지들 또는 디지털 조작들을 한 중복 이미지들을 갖는 리스팅들을 제거할 수 있다. 결과적으로, 온라인 시장(112)은 더 적은 중복적 리스팅들 및 더 양호한 구매자 체험을 포함할 수 있다.

일반적으로, 인쇄 매체 같은 다른 시장들은 판매자들이 물품의 모든 리스팅에 대해 요금을 지불할 수 있기 때문에 중복적 리스팅 문제를 갖지 않을 수 있다. 대조적으로, 온라인 시장들은 물품이 판매될 때 판매자에게 요금을 과금하고 물품이 리스팅될 때에는 요금을 과금하지 않을 수 있다. 결과적으로, 판매자는 다수의 리스팅들을 포함시키도록 동기부여될 수 있다. 그러나, 온라인 시장은 더 양호한 구매자 체험을 위해 더 적은 중복적 리스팅들을 원할 수 있다. 언급한 바와 같이, 중복 이미지들을 검출하기 위한 전형적 방법들은 판매자가 중복 이미지를 디지털식으로 조작할 때 유사 이미지들을 검출할 수 없다. 결과적으로, 몇몇 온라인 시장들의 판매자들은 중복 리스팅들을 포함시킬 수 있다. 본 개시내용은 유사 이미지들을 검출하기 위한 능력을 온라인 시장에 제공한다. 또한, 경우에 따라, 중복 이미지들에 대한 디지털 조작들은 인간에게 가시적이지 않을 수 있다. 결과적으로, 이미지들을 검토하는 인간은 유사 이미지들을 검출하고 중복 리스팅들을 감소시킬 수 없을 수 있다. 본 개시내용은 일부 실시예들에서 유사 이미지들을 검출하고 중복적 리스팅들을 감소시켜 사용자 체험을 개선시킬 수 있는 컴퓨팅 시스템을 개시하며, 이는 인간에 의해서는 수행될 수 없을 수 있다.

본 개시내용의 견지에서, 본 개시내용의 범주로부터 벗어나지 않고 시스템(100)에 수정들, 추가들 또는 생략들이 이루어질 수 있다는 것을 알 수 있을 것이다. 예로서, 일부 실시예들에서, 시스템(100)은 제1 및 제2 디바이스들(140, 150)을 포함하지 않을 수 있다. 대안적으로 또는 추가적으로, 온라인 시장(112)은 도 1에 예시된 것들 이외의 추가적 컴포넌트들 및/또는 네트워크들을 포함할 수 있다.

도 2a는 이미지 유사도 결정 프로세스(200A)의 일부를 예시한다. 프로세스(200A)는 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 프로세스(200A)는 이산 변환 모듈(210)("DT 모듈(210)") 및 제1 차이 모듈(220)을 사용하여 수행될 수 있다.

프로세스(200A)는 제1 이미지(202)와 제2 이미지(204) 사이의 이산 변환 차이(222)를 결정하는 것을 포함할 수 있다. 프로세스(200A)를 시작하기 위해, DT 모듈(210)은 제1 이미지(202)와 제2 이미지(204)를 수신할 수 있다. DT 모듈(210)은 제1 변환 매트릭스(212)를 생성하기 위해 제1 이미지(202)에 이산 변환을 적용하도록 구성될 수 있다. DT 모듈(210)은 또한 제2 변환 매트릭스(214)를 생성하기 위해 제2 이미지(204)에 이산 변환을 적용하도록 구성될 수 있다. 제1 변환 매트릭스(212) 및 제2 변환 매트릭스(214)는 제1 및 제2 이미지들(202, 204)의 주파수 표현들일 수 있다. 일부 실시예들에서, DT 모듈(210)에 의해 적용되는 이산 변환은 이산 코사인 변환, 이산 사인 변환 또는 수정 이산 코사인 변환일 수 있다.

일부 실시예에서, DT 모듈(210)은 제1 및 제2 이미지들(202, 204)에 이산 변환을 적용하기 이전에 제1 및 제2 이미지들(202, 204)을 처리할 수 있다. 예로서, 일부 실시예들에서, DT 모듈(210)은 제1 및 제2 이미지들(202, 204)의 화소들의 수를 감소시키도록 제1 및 제2 이미지들(202, 204)을 하향 샘플링할 수 있다. 예로서, DT 모듈(210)은 16x16, 20x20, 24x24, 32x32 또는 몇몇 다른 수의 화소들인 하향 샘플링된 제1 및 제2 이미지들(202, 204)을 생성할 수 있다. DT 모듈(210)은 또한 이산 변환을 적용하기 이전에 그레이스케일 이미지들로 제1 및 제2 이미지들(202, 204)을 변환하도록 구성될 수 있다.

제1 및 제2 변환 매트릭스들(212, 214)은 제1 차이 모듈(220)에 제공될 수 있다. 제1 차이 모듈(220)은 제1 및 제2 변환 매트릭스들(212, 214) 사이의 차이를 결정하고 해당 차이를 이산 변환 차이(222)로서 출력하도록 구성될 수 있다. 일부 실시예들에서, 차이는 제1 및 제2 변환 매트릭스들(212, 214)의 일부에 기초하여 계산될 수 있다. 일부 실시예들에서, 제1 차이 모듈(220)은 제1 및 제2 변환 매트릭스들(212, 214)의 저 주파수 컴포넌트들을 비교할 수 있다. 이들 및 다른 실시예들에서, 제1 차이 모듈(220)은 제1 및 제2 변환 매트릭스들(212, 214)의 원점을 포함하는 제1 및 제2 변환 매트릭스들(212, 214)의 서브-매트릭스를 비교함으로써 저 주파수 컴포넌트들을 비교할 수 있다.

일부 실시예들에서, 제1 차이 모듈(220)은 제1 및 제2 변환 매트릭스들(212, 214)을 이진 매트릭스들로 인코딩하고 이진 매트릭스들을 비교하여 이산 변환 차이를 결정할 수 있다. 이들 및 다른 실시예들에서, 제1 변환 매트릭스(212)의 이진 매트릭스를 생성하기 위해, 제1 차이 모듈(220)은 제1 변환 매트릭스(212)의 값들의 평균을 계산하고, 평균을 초과한 값들을 1로서 인코딩하고 평균 이하의 값을 0으로 인코딩할 수 있다. 제1 차이 모듈(220)은 유사한 방식으로 제2 변환 매트릭스(214)의 이진 매트릭스를 생성할 수 있다. 이들 및 다른 실시예들에서, 제1 차이 모듈(220)은 이진 매트릭스들 사이의 해밍 거리 차이를 결정함으로써 이산 변환 차이(222)를 결정할 수 있다.

본 개시내용의 견지에서, 본 개시내용의 범주로부터 벗어나지 않고 프로세스(200A)에 수정들, 추가들 또는 생략들이 이루어질 수 있다는 것을 알 수 있을 것이다.

도 2b는 이미지 유사도 결정 프로세스(200B)의 일부를 예시한다. 프로세스(200B)는 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 프로세스(200B)는 컬러 히스토그램 모듈(230) 및 제2 차이 모듈(240)을 사용하여 수행될 수 있다.

프로세스(200B)는 제1 이미지(202)와 제2 이미지(204) 사이의 컬러 차이(242)를 결정하는 것을 포함할 수 있다. 제1 이미지(202) 및 제2 이미지(204)는 도 2a에 관하여 설명된 프로세스(200A)에서 사용되는 동일한 이미지들일 수 있다.

프로세스(200B)를 시작하기 위해, 컬러 히스토그램 모듈(230)은 제1 이미지(202) 및 제2 이미지(204)를 수신할 수 있다. 컬러 히스토그램 모듈(230)은 제1 이미지(202) 및 제2 이미지(204)를 색조, 포화도, 값(HSV) 표준으로 변환하도록 구성될 수 있다. 컬러 히스토그램 모듈(230)은 제1 이미지(202)의 제1 색조 및 포화도 이미지 평면들을 추출할 수 있다. 제1 색조 이미지 평면을 사용하여, 컬러 히스토그램 모듈(230)은 벡터에 의해 표현되는 바와 같은 제1 색조 히스토그램을 형성할 수 있다. 제1 색조 히스토그램은 가능한 색조 값들의 스펙트럼을 커버하는 다수의 빈들을 포함할 수 있다. 색조 이미지 평면으로부터의 색조 값들의 크기는 제1 색조 히스토그램을 형성하도록 제1 색조 히스토그램 내의 그 적절한 빈에서 조합될 수 있다. 제1 포화도 이미지 평면을 사용하여, 컬러 히스토그램 모듈(230)은 제1 포화도 평면으로부터 제1 포화도 히스토그램을 형성할 수 있다. 조합된 제1 색조 및 포화도 히스토그램들은 제1 컬러 정보(232)를 형성할 수 있으며, 제2 차이 모듈(240)에 제공될 수 있다.

컬러 히스토그램 모듈(230)은 제2 이미지(204)의 제2 색조 및 포화도 이미지 평면들을 추출할 수 있다. 제2 색조 이미지 평면을 사용하여, 컬러 히스토그램 모듈(230)은 제2 색조 히스토그램을 형성할 수 있다. 제2 포화도 이미지 평면을 사용하여, 컬러 히스토그램 모듈(230)은 제2 포화도 히스토그램을 형성할 수 있다. 조합된 제2 색조 및 포화도 히스토그램들은 제2 컬러 정보(234)를 형성할 수 있으며, 제2 차이 모듈(240)에 제공될 수 있다.

제2 차이 모듈(240)은 제1 컬러 정보(232)와 제2 컬러 정보(234) 사이의 차이를 결정하도록 구성될 수 있다. 일부 실시예들에서, 제1 컬러 정보(232)와 제2 컬러 정보(234) 사이의 차이를 결정하기 위해, 제2 차이 모듈(240)은 제1 색조 히스토그램을 제2 색조 히스토그램과 비교할 수 있다. 일부 실시예들에서, 제1 색조 히스토그램을 제2 색조 히스토그램과 비교하기 위해, 제2 차이 모듈(240)은 제1 색조 히스토그램 및 제2 색조 히스토그램을 나타내는 벡터들 사이의 색조 유클리드 거리를 결정할 수 있다.

일부 실시예들에서, 제1 컬러 정보(232)와 제2 컬러 정보(234) 사이의 차이를 결정하기 위해, 제2 차이 모듈(240)은 제1 포화도 히스토그램을 제2 포화도 히스토그램과 비교할 수 있다. 일부 실시예들에서, 제1 포화도 히스토그램을 제2 포화도 히스토그램과 비교하기 위해, 제2 차이 모듈(240)은 제1 포화도 히스토그램 및 제2 포화도 히스토그램을 나타내는 벡터들 사이의 포화도 유클리드 거리를 결정할 수 있다.

제2 차이 모듈은 포화도 유클리드 거리, 색조 유클리드 거리 또는 포화도 유클리드 거리와 색조 유클리드 거리의 몇몇 조합에 기초하여 컬러 차이(242)를 결정할 수 있다. 예로서, 컬러 차이(242)는 포화도 유클리드 거리와 색조 유클리드 거리의 평균일 수 있다.

본 개시내용의 견지에서, 본 개시내용의 범주로부터 벗어나지 않고 프로세스(200B)에 수정들, 추가들 또는 생략들이 이루어질 수 있다는 것을 알 수 있을 것이다.

도 2c는 이미지 유사도 결정 프로세스(200C)의 일부를 예시한다. 프로세스(200C)는 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 프로세스(200C)는 강도 벡터 모듈(250) 및 제3 차이 모듈(270)을 사용하여 수행될 수 있다. 강도 벡터 모듈(250)은 설정 화소-강도 벡터 모듈(252)("설정 모듈(252)"), 랜덤 화소-강도 벡터 모듈(254)("랜덤 모듈(254)") 및 유의 화소-강도 벡터 모듈(256)("유의 모듈(256)")을 포함할 수 있다.

프로세스(200C)는 다수의 설정 화소-강도 벡터들, 다수의 랜덤 화소-강도 벡터들 및 다수의 유의 화소-강도 벡터들을 제1 및 제2 이미지들(202, 204) 각각에 대해 결정하는 것을 포함할 수 있다. 제1 이미지(202) 및 제2 이미지(204)는 각각 도 2a 및 도 2b에 관하여 설명된 프로세스(200A) 및 프로세스(200B)에서 사용되는 동일한 이미지들일 수 있다.

프로세스(200C)를 시작하기 위해, 강도 벡터 모듈(250)은 제1 이미지(202) 및 제2 이미지(204)를 수신할 수 있다. 강도 벡터 모듈(250)은 제1 및 제2 이미지들(202, 204)의 화소들 각각을 위한 강도 구배를 결정하도록 구성될 수 있다.

일부 실시예들에서, 강도 벡터 모듈(250)은 스케일 불변 피처 변환(SIFT)을 사용하여 화소들 각각의 강도 구배들을 결정할 수 있다. SIFT를 사용하여 화소들을 위한 강도 구배를 결정하는 일 예가 이어진다.

일부 실시예들에서, 강도 벡터 모듈(250)은 선택된 화소들 주변의 하나 이상의 화소들의 강도들과 선택된 화소를 위한 강도를 비교함으로써 제1 및 제2 이미지들(202, 204)의 화소들 각각을 위한 강도 구배들을 결정할 수 있다. 예로서, 제1 화소를 위한 강도 구배를 결정하기 위해, 강도 벡터 모듈(250)은 제1 화소의 강도를 제1 화소 위쪽의 제2 화소의 강도 및 제1 화소 우측의 제3 화소의 강도와 비교할 수 있다. 이들 및 다른 실시예들에서, 강도 벡터 모듈(250)은 제1 화소와 제2 및 제3 화소들 사이의 강도 차이들의 제곱들의 합의 제곱근을 취하는 것에 의해 제1 화소의 강도 구배를 결정할 수 있다. 강도 벡터 모듈(250)은 또한 강도 구배의 각도, 예를 들어, 배향을 결정하도록 구성될 수 있다. 화소의 강도 구배의 배향은 다음의 수학식에 기초하여 발견될 수 있다:

여기서, A1은 제1 화소의 강도이고, A2는 제2 화소의 강도이며, A3는 제3 화소의 강도이다. 일부 실시예들에서, 제1 화소 주변의 다른 화소들이 제1 화소의 강도 구배를 결정하기 위해 사용될 수 있다.

강도 벡터 모듈(250)은 설정 모듈(252), 랜덤 모듈(254) 및 유의 모듈(256) 각각에 제1 및 제2 이미지들(202, 204)의 화소들의 강도 구배들을 제공할 수 있다.

설정 모듈(252)은 제1 및 제2 이미지들(202, 204)의 화소들 중 일부의 강도 구배들을 사용하여 제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 설정 강도 벡터들을 결정할 수 있다. 제1 이미지(202)의 다수의 설정 강도 벡터들 각각은 제1 이미지(202) 내의 특정 화소에 대응하고 그에 기초하여 계산될 수 있다. 제2 이미지(204)의 다수의 설정 강도 벡터들 각각은 제2 이미지(204) 내의 특정 화소에 대응하고 그에 기초하여 계산될 수 있다.

제1 및 제2 이미지들(202, 204) 각각에 대해 다수의 설정 강도 벡터들을 결정하기 위해, 설정 모듈(252)은 제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 설정 화소들을 결정할 수 있다. 제1 및 제2 이미지들(202, 204) 각각을 위한 설정 화소들은 제1 및 제2 이미지들(202, 204)의 대응 화소들일 수 있다. 설정 화소들은 제1 및 제2 이미지들(202, 204)에 적용된 특정 균등 이격 그리드에 기초하여 선택될 수 있다. 예로서, 그리드는 균등하게 이격된 4개의 지점들을 포함하는 정사각형 그리드일 수 있다. 4개의 지점들은 제1 및 제2 이미지들(202, 204)의 화소들에 대응할 수 있다. 4개의 지점들이 대응할 수 있는 화소들은 본원에서 설정 화소들이라 지칭될 수 있다. 제1 이미지(202)의 설정 화소들은 제1 설정 화소들일 수 있고, 제2 이미지(204)의 설정 화소들은 제2 설정 화소들일 수 있다. 다른 실시예들에서, 그리드는 6, 8, 9, 12, 15, 20 또는 몇몇 다른 수의 지점들을 포함할 수 있다. 이들 및 다른 실시예들에서, 그리드는 정사각형 또는 몇몇 다른 형상일 수 있다.

예로서, 도 3은 화소 어레이(300)를 예시한다. 화소 어레이(300)는 10x10 그리드로 배열된 100 화소들을 포함한다. 일 예에서, 설정 화소들을 선택하기 위한 그리드는 4개 지점 6x6 정사각형 그리드일 수 있다. 결과적으로, 설정 화소들은 화소들 (2,2), (8,2), (2,8) 및 (8,8)일 수 있다. 다른 예로서, 설정 화소들을 선택하기 위한 그리드는 9개 지점 6x6 정사각형 그리드일 수 있다. 결과적으로, 설정 화소들은 화소들 (2,2), (2,5), (2,8), (5,2), (5,5), (5,8), (8,2), (8,5) 및 (8,8)일 수 있다.

도 2c로 돌아가서, 설정 모듈(252)은 설정 화소들 각각을 위한 설정 강도 벡터를 결정할 수 있다. 설정 강도 벡터는 설정 화소들 주변의 영역 내의 설정 화소들 주변의 화소들의 강도 구배들 및 배향들을 사용하여 계산될 수 있다. 설정 화소들 각각의 주변의 영역의 크기는 변할 수 있거나 일정할 수 있다. 일부 실시예들에서, 영역은 설정 화소 주변의 원형 영역일 수 있거나 몇몇 다른 형상일 수 있다. 일부 실시예들에서, 설정 강도 벡터들을 위한 영역들은 설정 화소들을 선택하기 위해 사용되는 그리드에 기초할 수 있다. 이들 및 다른 실시예들에서, 그리드들, 그리고, 따라서, 영역들은 제1 이미지 및 제2 이미지들(202, 204)의 대부분을 커버할 수 있다. 일부 실시예들에서, 그리드들, 그리고, 따라서, 영역들은 제1 및 제2 이미지들(202, 204)의 80%를 초과하여 커버할 수 있다.

일부 실시예들에서, 설정 화소들은 SIFT의 키포인트들로서 선택될 수 있다. 설정 강도 벡터들은 SIFT로부터 키포인트 서술자 벡터일 수 있다. 키포인트 서술자가 결정되는 방식의 한 가지 예에 대한 간단한 설명이 이어진다.

도 3은 설정 화소(310) 및 설정 영역(312)을 갖는 화소 어레이(300)를 예시한다. 설정 영역(312) 내부의 화소들은 본원에서 영역 화소들이라 지칭될 수 있다. 설정 모듈(252)은 설정 화소(310)가 가우스 함수의 중심인 상태로 영역 화소들 각각의 강도 구배 크기들에 가우스 함수를 적용할 수 있다. 영역 화소들의 강도 구배들 각각의 배향들은 설정 화소(310)의 배향에 기초하여 조정될 수 있다. 강도 구배들의 배향들의 360도를 커버하기 위해 다수의 배향 그룹화(grouping)들이 선택될 수 있다. 예로서, 4개의 그룹화들에서, 그룹들 각각은 90도를 커버할 수 있다. 영역 화소들은 배향 그룹화들에 따라 함께 그룹화될 수 있다. 예로서, 45도 정렬 배향을 갖는 영역 화소는 0 내지 90도 그룹 내에 있을 수 있고, 150도의 정렬 배향을 갖는 영역 화소는 90 내지 180도 그룹 내에 있을 수 있다. 배향 그룹화들 각각의 영역 화소들 각각의 가우스 조정된 강도 구배 크기들이 합산될 수 있다. 배향 그룹화들을 나타내는 벡터 및 합산된 가우시안 조정된 강도 구배 크기들은 설정 화소(310)를 위한 설정 강도 벡터일 수 있다.

도 2c로 돌아가서, 설정 모듈(252)은 제1 이미지(202)의 설정 화소들을 위한 다수의 제1 설정 강도 벡터들(260)을 결정할 수 있고, 제3 차이 모듈(270)에 제1 설정 강도 벡터들(260)을 제공할 수 있다. 설정 모듈(252)은 또한 제2 이미지(204)의 설정 화소들을 위한 다수의 제2 설정 강도 벡터들(261)을 결정할 수 있고, 제3 차이 모듈(270)에 제2 설정 강도 벡터들(261)을 제공할 수 있다.

랜덤 모듈(254)은 화소들 각각의 강도 구배들을 사용하여 제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 랜덤 강도 벡터들을 결정할 수 있다. 제1 이미지(202)의 다수의 랜덤 강도 벡터들 각각은 제1 이미지(202) 내의 특정 랜덤 화소에 대응하고 그에 기초하여 계산될 수 있다. 제2 이미지(204)의 다수의 랜덤 강도 벡터들 각각은 제2 이미지(204) 내의 특정 랜덤 화소에 대응하고 그에 기초하여 계산될 수 있다.

제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 랜덤 강도 벡터들을 결정하기 위해, 랜덤 모듈(254)은 제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 랜덤 화소들을 결정할 수 있다. 제1 및 제2 이미지들(202, 204) 각각을 위한 랜덤 화소들은 제1 및 제2 이미지들(202, 204)의 대응 화소들일 수 있다. 랜덤 화소들은 제1 및 제2 이미지들(202, 204)의 화소들로부터 랜덤 선택될 수 있다. 일부 실시예들에서, 랜덤 화소들은 랜덤 화소들 사이에서 특정 거리로 랜덤하게 선택될 수 있다. 일부 실시예들에서, 랜덤 화소들은 제1 및 제2 이미지들(202, 204)의 중심 영역으로부터 선택될 수 있다. 선택된 랜덤 화소들의 수는 이미지의 화소들의 수에 기초하여 변할 수 있다. 일부 실시예들에서, 300x300 화소 이미지에 대하여, 랜덤 화소들의 수는 5, 10, 15, 20, 25, 30, 50, 75 또는 100 랜덤 화소들을 포함할 수 있다. 랜덤 강도 벡터들을 결정하기 위한 랜덤 영역 크기(예를 들어, 랜덤 영역에 포함되는 화소들의 수)는 선택된 랜덤 화소들의 수 및 이미지 내의 화소들의 수에 기초할 수 있다. 일부 실시예들에서, 랜덤 영역 크기는 설정 영역 크기보다 작을 수 있다.

랜덤 영역 크기 및 랜덤 화소들에 기초하여, 랜덤 모듈(254)은 제1 이미지(202)를 위한 다수의 제1 랜덤 강도 벡터들(262)을 결정하고 제3 차이 모듈(270)에 제1 랜덤 강도 벡터들(262)을 제공할 수 있다. 랜덤 모듈(254)은 또한 제2 이미지(204)를 위한 다수의 제2 랜덤 강도 벡터들(263)을 결정하고 제3 차이 모듈(270)에 제2 랜덤 강도 벡터들(263)을 제공할 수 있다. 이들 및 다른 실시예들에서, 랜덤 모듈(254)은 전술한 바와 같은 설정 모듈(252)의 동작에 유사한 방식으로 제1 랜덤 강도 벡터들(262) 및 제2 랜덤 강도 벡터들(263)을 결정할 수 있다.

유의 모듈(256)은 화소들 각각의 강도 구배들을 사용하여 제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 유의 강도 벡터들을 결정할 수 있다. 제1 이미지(202)의 다수의 유의 강도 벡터들 각각은 제1 이미지(202) 내의 특정 유의 화소에 대응하고 그에 기초하여 계산될 수 있다. 제2 이미지(204)의 다수의 유의 강도 벡터들 각각은 제2 이미지(204) 내의 특정 유의 화소에 대응하고 그에 기초하여 계산될 수 있다.

제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 유의 강도 벡터들을 결정하기 위해, 유의 모듈(256)은 제1 및 제2 이미지들(202, 204) 각각을 위한 다수의 유의 화소들을 결정할 수 있다. 유의 화소들은 최고 강도 구배 크기들을 갖는 제1 및 제2 이미지들(202, 204) 내의 화소들에 기초하여 선택될 수 있다. 예로서, 제1 이미지(202)로부터의 화소들은 최고 강도 구배 크기들에 기초하여 분류될 수 있다. 최고 강도 구배 크기들을 갖는 제1 이미지(202)의 화소들의 제1 특정 수는 제1 유의 화소들로서 선택될 수 있다. 제2 이미지(204)로부터의 화소들은 최고 강도 구배 크기들에 기초하여 분류분류 있다. 최고 강도 구배 크기들을 갖는 제2 이미지(204)의 화소들의 제2 특정 수는 제2 유의 화소들로서 선택될 수 있다. 제1 및 제2 특정 수들은 동일하거나 다를 수 있다. 제1 및 제2 유의 화소들은 제1 및 제2 이미지들 각각의 에지들에서의 화소들에 대응할 수 있다. 본원에서 사용되는 이미지 에지는 이미지의 물리적 에지를 지칭하지 않는다. 대신, 이미지 에지는 화소들 사이의 급격히 변하는 강도 레벨을 갖는 이미지의 위치를 지칭한다. 예로서, 밝은 라인을 갖는 이미지에 대하여, 밝은 라인에서의 화소들은 에지 화소들일 수 있다.

제1 및 제2 이미지들(202, 204) 각각을 위한 유의 화소들의 제1 및 제2 특정 수들은 이미지의 화소들의 수에 기초하여 변할 수 있다. 일부 실시예들에서, 300x300 화소 이미지에 대하여, 유의 화소들의 제1 및 제2 특정 수들은 5, 10, 15, 20, 25, 30, 50, 75 또는 100 화소들을 포함할 수 있다

유의 강도 벡터들을 결정하기 위한 유의 영역 크기는 이미지 내의 화소들의 수 및 유의 화소들의 수에 기초할 수 있다. 일부 실시예들에서, 유의 영역 크기는 설정 영역 크기보다 작을 수 있다. 일부 실시예들에서, 유의 영역 크기는 랜덤 영역 크기와 동일할 수 있다. 일부 실시예들에서, 제1 유의 화소들을 위한 유의 영역 크기는 제2 유의 화소들을 위한 유의 영역 크기와 동일하거나 그와 다를 수 있다.

유의 영역 크기 및 제1 유의 화소들에 기초하여, 유의 모듈(256)은 제1 이미지(202)를 위한 다수의 제1 유의 강도 벡터들(264)을 결정하고 제1 유의 강도 벡터들(264)을 제3 차이 모듈(270)에 제공할 수 있다. 유의 영역 크기 및 제2 유의 화소들에 기초하여, 유의 모듈(256)은 또한 제2 이미지(204)를 위한 다수의 제2 유의 강도 벡터들(265)을 결정하고 제2 유의 강도 벡터들(265)을 제3 차이 모듈(270)에 제공할 수 있다. 이들 및 다른 실시예들에서, 유의 모듈(256)은 전술한 바와 같은 설정 모듈(252)의 동작에 유사한 방식으로 제1 유의 강도 벡터들(264) 및 제2 유의 강도 벡터들(265)을 결정할 수 있다.

제3 차이 모듈(270)은 제1 설정 강도 벡터들(260) 및 제2 설정 강도 벡터들(261)을 비교하도록 구성될 수 있다. 제1 설정 강도 벡터들(260)과 제2 설정 강도 벡터들(261)을 비교하기 위해, 제3 차이 모듈(270)은 제1 설정 강도 벡터들(260) 및 제2 설정 강도 벡터들(261)의 대응하는 벡터들 사이의 유클리드 거리를 결정할 수 있다. 예로서, 제1 및 제2 이미지들(202, 204)의 대응하는 설정 화소를 공유하는 제1 설정 강도 벡터들(260)의 제1 벡터 및 제2 설정 강도 벡터들(261)의 제2 벡터가 비교될 수 있다. 제1 설정 강도 벡터들(260) 및 제2 설정 강도 벡터들(261)의 대응하는 쌍들 사이의 유클리드 거리들의 평균은 설정 강도 차이(272)로서 제3 차이 모듈(270)에 의해 출력될 수 있다.

제3 차이 모듈(270)은 또한 제1 랜덤 강도 벡터들(262) 및 제2 랜덤 강도 벡터들(263)을 비교하도록 구성될 수 있다. 제1 랜덤 강도 벡터들(262) 및 제2 랜덤 강도 벡터들(263)을 비교하기 위해, 제3 차이 모듈(270)은 제1 및 제2 이미지들(202, 204) 내의 대응하는 랜덤 화소들에 기초하여 제1 랜덤 강도 벡터들(262) 및 제2 랜덤 강도 벡터들(263)의 대응하는 벡터들 사이의 유클리드 거리를 결정할 수 있다. 제1 랜덤 강도 벡터들(262) 및 제2 랜덤 강도 벡터들(263)의 대응하는 쌍들 사이의 유클리드 거리들의 평균은 랜덤 강도 차이(274)로서 제3 차이 모듈(270)에 의해 출력될 수 있다.

제3 차이 모듈(270)은 또한 제1 유의 강도 벡터들(264) 및 제2 유의 강도 벡터들(265)을 비교하도록 구성될 수 있다. 제1 유의 강도 벡터들(264)과 제2 유의 강도 벡터들(265)을 비교하기 위해, 제3 차이 모듈(270)은 제1 유의 강도 벡터들(264) 및 제2 유의 강도 벡터들(265)의 대응하는 벡터들 사이의 유클리드 거리를 결정할 수 있다. 일 제1 유의 강도 벡터가 다른 제2 유의 강도 벡터들에 비해 일 제2 유의 강도 벡터의 최상의 일치물인 경우 해당 제1 유의 강도 벡터는 해당 제2 유의 강도 벡터에 대응할 수 있다. 제1 유의 강도 벡터들(264) 및 제2 유의 강도 벡터들(265)의 대응하는 쌍들 사이의 유클리드 거리들의 평균은 유의 강도 차이(276)로서 제3 차이 모듈(270)에 의해 출력될 수 있다.

본 개시내용의 견지에서, 본 개시내용의 범주로부터 벗어나지 않고 프로세스(200C)에 수정들, 추가들 또는 생략들이 이루어질 수 있다는 것을 알 수 있을 것이다. 예로서, 일부 실시예들에서, 강도 벡터 모듈(250)은 제1 및 제2 이미지들(202, 204)의 화소들의 수를 감소시키도록 제1 및 제2 이미지들(202, 204)을 하향 샘플링할 수 있다. 예로서, 강도 벡터 모듈(250)은 16x16, 20x20, 24x24, 32x32 또는 몇몇 다른 수의 화소들인 하향 샘플링된 제1 및 제2 이미지들(202, 204)을 생성할 수 있다. 강도 벡터 모듈(250)은 또한 제1 및 제2 이미지들(202, 204)의 화소들 각각에 대해 강도 구배들을 결정하기 이전에 제1 및 제2 이미지들(202, 204)을 그레이스케일 이미지들로 변환하도록 구성될 수 있다. 대안적으로 또는 추가적으로, 설정 모듈(252), 랜덤 모듈(254) 또는 유의 모듈(256) 중 하나 이상은 강도 벡터 모듈(250)에 포함되지 않을 수 있다.

도 2d는 이미지 유사도 결정 프로세스(200D)의 일부를 예시한다. 프로세스(200D)는 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 프로세스(200D)는 유사도 모델 모듈(280)을 포함할 수 있다. 유사도 모델 모듈(280)은 이산 변환 차이(222), 컬러 차이(242), 강도 차이(272), 랜덤 강도 차이(274) 및 유의 강도 차이(276)를 수신하도록 구성될 수 있다. 이산 변환 차이(222), 컬러 차이(242), 설정 강도 차이(272), 랜덤 강도 차이(274) 및 유의 강도 차이(276)에 기초하여, 유사도 모델 모듈(280)은 제1 및 제2 이미지들(202, 204) 사이의 유사도를 결정할 수 있다.

일부 실시예들에서, 유사도 모델 모듈(280)은 이산 변환 차이(222), 컬러 차이(242), 설정 강도 차이(272), 랜덤 강도 차이(274) 및 유의 강도 차이(276)를 입력으로서 수신할 수 있는 유사도 모델을 포함할 수 있다. 이들 및 다른 실시예들에서, 유사도 모델은 머신 러닝을 사용하여 생성된 모델일 수 있다. 이들 및 다른 실시예들에서, 이산 변환 차이(222), 컬러 차이(242), 설정 강도 차이(272), 랜덤 강도 차이(274) 및 유의 강도 차이(276)의 것들과 유사한 이미지들 사이의 차이들을 위한 트레이닝 값들은 제공되는 차이들의 기준에 기초하여 유사한 이미지들을 식별하기 위해 유사도 모델을 트레이닝하도록 제공될 수 있다. 트레이닝 값들에 기초하여, 유사도 모델의 생성자는 유사도 모델이 이미지들 사이의 유사도들을 결정할 수 있는 방식을 결정할 수 있다. 일부 실시예들에서, 유사도 모델을 생성하기 위해 사용되는 머신 러닝 기술은 구배 부스팅 머신 러닝 기술 같은 판정 트리들을 사용하는 기술일 수 있다.

일반적으로, 유사도 모델 모듈(280)은 제1 및 제2 이미지들(202, 204) 사이의 유사도의 가능성의 표시를 출력할 수 있다. 유사도의 가능성이 유사도 임계치를 초과할 때, 제1 및 제2 이미지들(202, 204)이 유사하다는 결정이 이루어질 수 있다. 유사도의 가능성이 유사도 임계치 미만인 경우, 제1 및 제2 이미지들(202, 204)이 유사하지 않다는 결정이 이루어질 수 있다. 유사도 임계치는 제1 및 제2 이미지들(202, 204) 사이의 유사도들의 결정 시의 오차에 대한 허용도에 기초하여 선택될 수 있다. 오차에 대한 허용도는 다른 기준들 중에서 제1 및 제2 이미지들(202, 204) 내에 촬상되어 있는 상품 및 제1 및 제2 이미지들(202, 204)을 포함하는 시스템에 기초할 수 있다. 본 개시내용의 견지에서, 본 개시내용의 범주로부터 벗어나지 않고 프로세스(200D)에 수정들, 추가들 또는 생략들이 이루어질 수 있다는 것을 알 수 있을 것이다.

도 4는 이미지 유사도들을 결정하기 위한 예시적 시스템(400)을 예시한다. 시스템(400)은 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 시스템(400)은 컴퓨팅 시스템(410)과 데이터베이스(420)를 포함할 수 있다. 컴퓨팅 시스템(410)은 프로세서(412), 메모리(414) 및 데이터 스토리지(416)를 포함할 수 있다. 프로세서(412), 메모리(414) 및 데이터 스토리지(416)는 통신적으로 결합될 수 있다.

일반적으로, 프로세서(412)는 다양한 컴퓨터 하드웨어 또는 소프트웨어 모듈들을 포함하는 임의의 적절한 특수 목적 또는 범용 컴퓨터, 컴퓨팅 엔티티 또는 처리 디바이스를 포함할 수 있으며, 임의의 적절한 컴퓨터-판독가능 저장 매체에 저장된 명령어들을 실행하도록 구성될 수 있다. 예로서, 프로세서(412)는 프로그램 명령어들을 해석 및/또는 실행하고 및/또는 데이터를 처리하도록 구성된 마이크로프로세서, 마이크로컨트롤러, 디지털 신호 프로세서(DSP), 애플리케이션-특정 집적 회로(ASIC), 필드-프로그램가능 게이트 어레이(FPGA) 또는 임의의 다른 디지털 또는 아날로그 회로를 포함할 수 있다. 도 4에 단일 프로세서로서 예시되어 있지만, 프로세서(412)는 개별적으로 또는 집합적으로 본원에 설명된 임의의 수의 동작들을 수행하도록 구성된 임의의 수의 프로세서들을 포함할 수 있는 것으로 이해된다. 추가적으로, 하나 이상의 프로세서들은 상이한 서버들 같은 하나 이상의 상이한 전자 디바이스들 상에 존재할 수 있다. 일부 실시예들에서, 프로세서(412)는 프로그램 명령어들을 해석 및/또는 실행하고 및/또는 메모리(414), 데이터 스토리지(416) 또는 메모리(414)와 데이터 스토리지(416)에 저장된 데이터를 처리할 수 있다. 일부 실시예들에서, 프로세서(412)는 데이터 스토리지(416) 및/또는 데이터베이스(420)로부터 프로그램 명령어들을 페치(fetch)하고 메모리(414) 내에 프로그램 명령어들을 로딩할 수 있다. 프로그램 명령어들이 메모리(414) 내로 로딩된 이후, 프로세서(412)는 프로그램 명령어들을 실행할 수 있다.

메모리(414) 및 데이터 스토리지(416)는 그 위에 저장된 컴퓨터-실행가능 명령어들 또는 데이터 구조들을 운반 또는 구비하기 위한 컴퓨터-판독가능 저장 매체를 포함할 수 있다. 이런 컴퓨터-판독가능 저장 매체는 프로세서(412) 같은 범용 또는 특수 목적 컴퓨터에 의해 액세스될 수 있는 임의의 가용한 매체일 수 있다. 제한적이지 않은 예로서 이러한 컴퓨터-판독가능 저장 매체는 랜덤 액세스 메모리(RAM), 판독-전용 메모리(ROM), 전기적 소거가능 프로그램가능 판독-전용 메모리(EEPROM), 콤팩트 디스크 판독-전용 메모리(CD-ROM) 또는 기타 광학 디스크 스토리지, 자기 디스크 스토리지 또는 기타 자기 저장 디바이스들, 플래시 메모리 디바이스들(예를 들어, 고체 상태 메모리 디바이스들) 또는 컴퓨터-실행가능 명령어들 또는 데이터 구조들의 형태로 원하는 프로그램 코드를 운반 또는 저장하기 위해 사용될 수 있으면서 범용 또는 특수 목적 컴퓨터에 의해 액세스될 수 있는 임의의 다른 저장 매체를 포함하는 유형의 또는 비일시적 컴퓨터-판독가능 저장 매체를 포함할 수 있다. 전술한 바의 조합들이 또한 컴퓨터-판독가능 저장 매체의 범주에 포함될 수 있다. 컴퓨터-실행가능 명령어들은 프로세서(412)가 예로서, 특정 동작 또는 동작들의 그룹을 수행하게 하도록 구성된 명령어들 및 데이터를 포함할 수 있다.

데이터베이스(420)는 컴퓨팅 시스템(410)과 통신적으로 결합될 수 있다. 데이터베이스(420)는 제1 이미지(402) 및 제2 이미지(404)를 포함할 수 있다. 데이터베이스(420)는 또한 다수의 모듈들을 포함할 수 있으며, 이 다수의 모듈들은 프로세서(412)에 의해 실행될 때 제1 및 제2 이미지들(402, 404) 사이의 유사도를 결정할 수 있는 동작들을 컴퓨팅 시스템(410)이 수행하게 할 수 있다.

데이터베이스(420)에 포함된 모듈들은 컬러 히스토그램 모듈(424), 이산 변환 모듈(426), 강도 벡터 모듈(428), 제1 차이 모듈(430), 제2 차이 모듈(432), 제3 차이 모듈(434) 및 분류 모델 모듈(436)을 포함할 수 있다. 컬러 히스토그램 모듈(424), 이산 변환 모듈(426), 강도 벡터 모듈(428), 제1 차이 모듈(430), 제2 차이 모듈(432), 제3 차이 모듈(434) 및 분류 모델 모듈(436)은 도 2a, 도 2b, 도 2c 및 도 2d의 컬러 히스토그램 모듈(230), DT 모듈(210), 강도 벡터 모듈(250), 제1 차이 모듈(220), 제2 차이 모듈(240), 제3 차이 모듈(270) 및 유사도 모델 모듈(280)에 각각 대응할 수 있다.

일부 실시예들에서, 프로세서(412)는 컬러 히스토그램 모듈(424), 이산 변환 모듈(426) 및 강도 벡터 모듈(428)을 병렬적으로 그리고 동시에 실행할 수 있다. 대안적으로 또는 추가적으로, 프로세서(412)는 컬러 히스토그램 모듈(424), 이산 변환 모듈(426) 및 강도 벡터 모듈(428)을 직렬로 또는 병렬 및 직렬 실행들의 몇몇 조합으로 실행할 수 있다.

일부 실시예들에서, 프로세서(412)는 제1 차이 모듈(430), 제2 차이 모듈(432) 및 제3 차이 모듈(434)을 병렬로, 직렬로 또는 병렬 및 직렬 실행의 몇몇 조합으로 실행할 수 있다. 일부 실시예들에서, 프로세서(412)는 컬러 히스토그램 모듈(424), 이산 변환 모듈(426) 및 강도 벡터 모듈(428)이 실행을 종료하는 시기에 기초하여 제1 차이 모듈(430), 제2 차이 모듈(432) 및 제3 차이 모듈(434)을 실행할 수 있다.

일부 실시예들에서, 프로세서(412)는 컬러 히스토그램 모듈(424), 이산 변환 모듈(426), 강도 벡터 모듈(428), 제1 차이 모듈(430), 제2 차이 모듈(432) 및 제3 차이 모듈(434)의 실행 이후, 그리고, 제1 차이 모듈(430), 제2 차이 모듈(432) 및 제3 차이 모듈(434)의 출력들에 기초하여 분류 모델 모듈(436)을 실행할 수 있다.

본 개시내용의 견지에서, 본 개시내용의 범주로부터 벗어나지 않고 시스템(400)에 수정들, 추가들 또는 생략들이 이루어질 수 있다는 것을 알 수 있을 것이다. 예로서, 컴퓨팅 시스템(410) 및 데이터베이스(420)는 도 1의 네트워크(110) 같은 네트워크에 의해 통신적으로 결합될 수 있다. 대안적으로 또는 추가적으로, 시스템(400)은 데이터베이스(420)에 저장된 모듈들 중 하나 이상을 실행하도록 동작할 수 있는 다수의 컴퓨팅 시스템들(410)을 포함할 수 있다.

도 5는 이미지 유사도들을 결정하기 위한 예시적 방법(500)의 흐름도이다. 방법(500)은 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 방법(500)은 일부 실시예들에서 각각 도 1 및 도 4의 시스템(100 및/또는 400) 같은 시스템에 의해 구현될 수 있다. 별개의 블록들로서 예시되어 있지만, 다양한 블록들은 원하는 구현예에 따라서 추가적 블록들로 분할, 더 소수의 블록들로 조합 또는 제거될 수 있다.

방법(500)은 블록 502에서 시작할 수 있으며, 여기서 제1 이미지 및 제2 이미지가 취득될 수 있다.

블록 504에서, 이산 변환 차이는 제1 이미지의 제1 이산 변환과 제2 이미지의 제2 이산 변환 사이에서 결정될 수 있다.

블록 506에서, 다수의 제1 강도 벡터들은 제1 이미지를 위해 결정될 수 있다. 다수의 제1 강도 벡터들 각각은 제1 이미지의 다수의 제1 화소들 중 상이한 하나에 대응할 수 있다.

블록 508에서, 다수의 제2 강도 벡터들은 제2 이미지를 위해 결정될 수 있다. 다수의 제2 강도 벡터들 각각은 제2 이미지의 다수의 제2 화소들 중 상이한 하나에 대응할 수 있다.

블록 510에서, 강도 벡터 차이는 다수의 제1 강도 벡터들과 다수의 제2 강도 벡터들 사이에서 결정될 수 있다. 일부 실시예들에서, 다수의 제1 강도 벡터들과 다수의 제2 강도 벡터들 사이의 강도 벡터 차이를 결정하는 것은 다수의 제1 강도 벡터들과 다수의 제2 강도 벡터들의 대응하는 벡터들 사이의 예비 강도 벡터 차이를 결정하는 것 및 예비 강도 벡터 차이들을 평균화하는 것을 포함할 수 있다.

블록 512에서, 컬러 차이가 제1 이미지의 제1 컬러 히스토그램과 제2 이미지의 제2 컬러 히스토그램 사이에서 결정될 수 있다.

블록 514에서, 제1 이미지와 제2 이미지 사이의 유사도는 이산 변환 차이, 강도 벡터 차이 및 컬러 차이에 기초하여 결정될 수 있다. 일부 실시예들에서, 제1 이미지는 제2 이미지가 제1 이미지의 중복본인 경우 그리고 제2 이미지가 육안으로 인지되지 않는 제1 이미지에 대한 변화를 초래하는 처리 조작을 한 제1 이미지의 중복본인 경우 제2 이미지와 유사한 것으로 결정될 수 있다.

일부 실시예들에서, 이산 변환 차이, 강도 벡터 차이 및 컬러 차이에 기초하여 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것은 이산 변환 차이, 강도 벡터 차이 및 컬러 차이를 머신 러닝을 사용하여 생성된 유사도 모델에 제공하는 것을 포함할 수 있다.

본 기술분야의 통상의 기술자는 본원에 개시된 이러한, 그리고, 다른 프로세스들 및 방법들에 대해 프로세스들 및 방법들에서 수행되는 기능들이 상이한 순서로 구현될 수 있다는 것을 알 수 있을 것이다. 또한, 개요설명된 단계들 및 동작들은 단지 예들로서 제공되며, 단계들 및 동작들 중 일부는 개시된 실시예들의 본질로부터 벗어나지 않고 선택적이거나, 더 소수의 단계들 및 동작들로 조합되거나, 추가적 단계들 및 동작들로 확장될 수 있다.

예로서, 일부 실시예들에서, 제1 강도 벡터들은 제1 제1-유형 강도 벡터들일 수 있고, 제2 강도 벡터들 제2 제1-유형 강도 벡터들일 수 있고, 다수의 제1 화소들은 다수의 제1 제1-유형 화소들일 수 있고, 다수의 제2 화소들은 다수의 제2 제1-유형 화소들일 수 있다. 이들 및 다른 실시예들에서, 방법(500)은 제1 이미지에 대한 다수의 제1 제2-유형 강도 벡터들을 결정하는 것을 더 포함할 수 있다. 다수의 제1 제2-유형 강도 벡터들 각각은 제1 이미지의 다수의 제1 제2-유형 화소들 중 상이한 하나에 대응할 수 있다. 이 방법(500)은 제2 이미지에 대한 다수의 제2 제2-유형 강도 벡터들을 결정하는 것을 더 포함할 수 있다. 다수의 제2 제2-유형 강도 벡터들 각각은 제2 이미지의 다수의 제2 제2-유형 화소들 중 상이한 하나에 대응할 수 있다. 이 방법(500)은 다수의 제1 제2-유형 강도 벡터들과 다수의 제2 제2-유형 강도 벡터들 사이에서 제2 강도 벡터 차이를 결정하는 것을 더 포함할 수 있다. 이들 및 다른 실시예들에서, 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것은 이산 변환 차이, 강도 벡터 차이, 제2 강도 벡터 차이 및 컬러 차이에 기초할 수 있다.

이들 및 다른 실시예들에서, 방법(500)은 제1 이미지에 대한 다수의 제1 제3-유형 강도 벡터들을 결정하는 것을 더 포함할 수 있다. 다수의 제1 제3-유형 강도 벡터들 각각은 제1 이미지의 다수의 제1 제3-유형 화소들 중 상이한 하나에 대응할 수 있다. 이 방법(500)은 제2 이미지에 대한 다수의 제2 제3-유형 강도 벡터들을 결정하는 것을 더 포함할 수 있다. 다수의 제2 제3-유형 강도 벡터들 각각은 제2 이미지의 다수의 제2 제3-유형 화소들 중 상이한 하나에 대응할 수 있다. 이 방법(500)은 다수의 제1 제3-유형 강도 벡터들과 다수의 제2 제3-유형 강도 벡터들 사이에서 제3 강도 벡터 차이를 결정하는 것을 더 포함할 수 있다. 이들 및 다른 실시예들에서, 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것은 이산 변환 차이, 강도 벡터 차이, 제2 강도 벡터 차이, 제3 강도 벡터 차이 및 컬러 차이에 기초할 수 있다.

도 6a 및 도 6b는 이미지 유사도들을 결정하기 위한 예시적 방법(600)의 흐름도이다. 이 방법(600)은 본원에 설명된 적어도 하나의 실시예에 따라 배열될 수 있다. 방법(600)은 일부 실시예들에서 각각 도 1 및 도 4의 시스템(100 및/또는 400) 같은 시스템에 의해 구현될 수 있다. 별개의 블록들로서 예시되어 있지만, 다양한 블록들은 원하는 구현예에 따라서 추가적 블록들로 분할, 더 소수의 블록들로 조합 또는 제거될 수 있다.

방법(600)은 블록 602에서 시작할 수 있으며, 여기서 제1 이미지 및 제2 이미지가 취득될 수 있다.

블록 604에서, 다수의 제1 유의 강도 벡터들은 제1 이미지를 위해 결정될 수 있다. 다수의 제1 유의 강도 벡터들 각각은 제1 이미지의 다수의 제1 유의 화소들 중 상이한 하나에 대응할 수 있다.

블록 606에서, 다수의 제2 유의 강도 벡터들은 제2 이미지를 위해 결정될 수 있다. 다수의 제2 유의 강도 벡터들 각각은 제2 이미지의 다수의 제2 유의 화소들 중 상이한 하나에 대응할 수 있다. 일부 실시예들에서, 제1 이미지의 다수의 제1 유의 화소들은 제1 이미지의 조도 강도 최대치들에 기초하여 선택될 수 있다. 대안적으로 또는 추가적으로, 제2 이미지의 다수의 제2 유의 화소들은 제2 이미지의 조도 강도 최대치들에 기초하여 선택될 수 있다.

블록 608에서, 유의 강도 벡터 차이는 다수의 제1 유의 강도 벡터들과 다수의 제2 유의 강도 벡터들 사이에서 결정될 수 있다.

블록 610에서, 다수의 제1 설정 강도 벡터들은 제1 이미지를 위해 결정될 수 있다. 다수의 제1 설정 강도 벡터들 각각은 제1 이미지의 다수의 제1 설정 화소들 중 상이한 하나에 대응할 수 있다. 일부 실시예들에서, 다수의 제1 설정 강도 벡터들 중 하나에 대해 다수의 제1 설정 강도 벡터들을 결정하는 것은 제1 설정 강도 벡터들 중 하나와 대응하는 다수의 제1 설정 화소들의 설정 화소를 둘러싸는 다수의 설정 영역 화소들의 조도 강도들을 조합하는 것을 포함할 수 있다.

블록 612에서, 다수의 제2 설정 강도 벡터들은 제2 이미지를 위해 결정될 수 있다. 다수의 제2 설정 강도 벡터들 각각은 제2 이미지의 다수의 제2 설정 화소들 중 상이한 하나에 대응할 수 있다.

일부 실시예들에서, 제1 이미지의 다수의 제1 설정 화소들 및 제2 이미지의 다수의 제2 설정 화소들은 화소들의 특정 그리드에 기초하는 제1 이미지 및 제2 이미지의 대응하는 화소들일 수 있다. 이들 및 다른 실시예들에서, 화소들의 특정 그리드는 제1 및 제2 이미지들을 통해 분포된 화소들의 균등 이격된 그리드일 수 있다.

블록 614에서, 설정 강도 벡터 차이는 다수의 제1 설정 강도 벡터들과 다수의 제2 설정 강도 벡터들 사이에서 결정될 수 있다.

블록 616에서, 다수의 제1 랜덤 강도 벡터들은 제1 이미지를 위해 결정될 수 있다. 다수의 제1 랜덤 강도 벡터들 각각은 제1 이미지의 다수의 제1 랜덤 화소들 중 상이한 하나에 대응할 수 있다. 일부 실시예들에서, 다수의 제1 랜덤 강도 벡터들 중 하나에 대해 다수의 제1 랜덤 강도 벡터들을 결정하는 것은 제1 랜덤 강도 벡터들 중 하나와 대응하는 다수의 랜덤 화소들의 랜덤 화소를 둘러싸는 다수의 랜덤 영역 화소들의 조도 강도들을 조합하는 것을 포함할 수 있다. 일부 실시예들에서, 다수의 설정 영역 화소들은 다수의 랜덤 영역 화소들보다 많은 화소들을 포함할 수 있다.

블록 618에서, 다수의 제2 랜덤 강도 벡터들은 제2 이미지를 위해 결정될 수 있다. 다수의 제2 랜덤 강도 벡터들 각각은 제2 이미지의 다수의 제2 랜덤 화소들 중 상이한 하나에 대응할 수 있다.

일부 실시예들에서, 제1 이미지의 다수의 제1 랜덤 화소들 및 제2 이미지의 다수의 제2 랜덤 화소들은 랜덤하게 선택된 제1 이미지 및 제2 이미지의 대응하는 화소들일 수 있다. 이들 및 다른 실시예들에서, 다수의 제1 랜덤 화소들 및 다수의 제2 랜덤 화소들은 그 사이의 적어도 최소 거리로 랜덤하게 선택될 수 있다.

블록 620에서, 랜덤 강도 벡터 차이는 다수의 제1 랜덤 강도 벡터들과 다수의 제2 랜덤 강도 벡터들 사이에서 결정될 수 있다.

블록 622에서, 제1 이미지와 제2 이미지 사이의 유사도는 유의 강도 벡터 차이, 설정 강도 벡터 차이 및 랜덤 강도 벡터 차이에 기초하여 결정될 수 있다.

일부 실시예들에서, 이 방법(600)은 제1 이미지의 제1 이산 변환과 제2 이미지의 제2 이산 변환 사이의 이산 변환 차이를 결정하는 것을 더 포함할 수 있다. 이 방법(600)은 또한 제1 이미지의 제1 컬러 히스토그램과 제2 이미지의 제2 컬러 히스토그램 사이의 컬러 차이를 결정하는 것을 포함할 수 있다. 이들 및 다른 실시예들에서, 제1 이미지와 제2 이미지 사이의 유사도를 결정하는 것은 이산 변환 차이, 유의 강도 벡터 차이, 설정 강도 벡터 차이, 랜덤 강도 벡터 차이 및 컬러 차이에 기초할 수 있다.

전술한 바와 같이, 본원에 설명된 실시예들은 더 상세히 후술된 바와 같이 다양한 컴퓨터 하드웨어 또는 소프트웨어 모듈들을 포함하는 특수 목적 또는 범용 컴퓨터(예를 들어, 도 4의 프로세서(412))의 사용을 포함할 수 있다. 또한, 전술한 바와 같이, 본원에 설명된 실시예들은 그 위에 저장된 컴퓨터-실행가능 명령어들 또는 데이터 구조들을 운반 또는 구비하기 위한 컴퓨터-판독가능 매체(예를 들어, 도 4의 메모리(414))를 사용하여 구현될 수 있다.

일부 실시예들에서, 본원에 설명된 상이한 컴포넌트들, 모듈들, 엔진들 및 서비스들은 (예를 들어, 별도의 스레드들로서) 컴퓨팅 시스템 상에서 실행하는 객체들 또는 프로세스들로서 구현될 수 있다. 본원에 설명된 시스템 및 방법들 중 몇몇이 소프트웨어(범용 하드웨어 상에 저장 및/또는 그에 의해 실행됨)로 구현되는 것으로서 일반적으로 설명되지만, 특정 하드웨어 구현들 또는 소프트웨어 및 특정 하드웨어 구현들의 조합도 가능하며 고려된다.

본원에서 그리고 특히 첨부 청구범위(예를 들어, 첨부 청구범위의 본문들)에 사용되는 용어들은 일반적으로 "개방형" 용어들로서 의도된다(예를 들어, 용어 "포함하는"은 "포함하는, 그러나, 그에 한정되지 않는"으로서 해석되어야 하고, 용어 "갖는"은 "적어도 갖는"으로 해석되어야 하며, 용어 "포함하다"는 "포함하지만 그에 한정되지 않는"으로서 해석되어야만 하는 등이다).

추가적으로, 특정 수의 도입형 청구항 인용이 의도되는 경우, 이런 의도는 청구항에서 명시적으로 인용될 것이며, 이런 인용이 없다면 어떠한 이런 의도도 존재하지 않는다. 예로서, 이해를 돕기 위해, 이하의 첨부된 청구범위는 청구항 인용들을 도입하기 위해 도입형 어구들 "적어도 하나" 및 "하나 이상"의 사용을 포함할 수 있다. 그러나, 이러한 어구들의 사용은 동일한 청구항이 도입형 어구들 "하나 이상" 또는 "적어도 하나"와 부정 관사, 예컨대 "일"(예를 들어, "일"은 "적어도 하나" 또는 "하나 이상"을 의미하는 것으로 해석되어야 함)을 포함하는 경우에도 부정 관사 "일"에 의한 청구항 인용의 도입이 단 하나의 이런 인용을 포함하는 실시예들에 대해 이런 도입형 청구항 인용을 포함하는 임의의 특정 청구항을 한정한다는 것을 의미하는 것으로 해석되지 않아야 하며; 동일한 사항이 청구항 인용들을 도입하기 위해 사용되는 정관사의 사용에 대해 유효하다.

추가적으로, 특정 수의 도입형 청구항 인용이 명시적으로 기재되는 경우라도, 본 기술분야의 통상의 기술자는 이런 인용이 적어도 인용된 수를 의미하는 것으로 해석되어야 한다(예를 들어, 다른 수식어들이 없는 "2개의 인용들"의 그대로의 인용은 적어도 2개의 인용들 또는 2개 이상의 인용들을 의미한다)는 것을 인식할 것이다. 또한, "A, B 및 C 중 적어도 하나 등" 또는 "A, B 및 C 중 하나 이상 등"과 유사한 규정이 사용되는 경우, 일반적으로 이런 구성은 A 단독, B 단독, C 단독, A 및 B 함께, A 및 C 함께, B 및 C 함께 또는 A, B 및 C 함께 등을 포함하는 것을 의도한다. 예로서, 용어 "및/또는"의 사용은 이러한 방식으로 해석되는 것을 의도한다.

또한, 상세한 설명, 청구범위 또는 도면 중 어느 곳에서든 2개 이상의 대안적 용어들을 나타내는 임의의 이접 접속 단어 또는 어구는 용어들 중 하나, 용어들 중 어느 하나 또는 양자 모두의 용어를 포함하는 가능성들을 고려하는 것으로 이해되어야 한다. 예로서, 어구 "A 또는 B"는 "A" 또는 "B" 또는 "A 및 B"의 가능성들을 포함하는 것으로 이해되어야 한다.

그러나, 이러한 어구들의 사용은 동일한 청구항이 도입형 어구들 "하나 이상" 또는 "적어도 하나"와 부정 관사, 예컨대 "일"(예를 들어, "일"은 "적어도 하나" 또는 "하나 이상"을 의미하는 것으로 해석되어야 함)을 포함하는 경우에도 부정 관사 "일"에 의한 청구항 인용의 도입이 단 하나의 이런 인용을 포함하는 실시예들에 대해 이런 도입형 청구항 인용을 포함하는 임의의 특정 청구항을 한정한다는 것을 의미하는 것으로 해석되지 않아야 하며; 동일한 사항이 청구항 인용들을 도입하기 위해 사용되는 정관사의 사용에 대해 유효하다.

추가적으로, 용어들 "제1", "제2", "제3" 등의 사용은 본원에서 반드시 특정 순서를 의미하기 위해 사용되는 것은 아니다. 일반적으로, 용어들 "제1", "제2", "제3" 등은 상이한 요소들 사이를 구별하기 위해 사용된다. 용어들 "제1", "제2", "제3" 등이 특정 순서를 나타낸다는 특이성을 보여주는 것이 없다면, 이들 용어들은 특정 순서를 나타내는 것으로 이해되지 않아야 한다.

본원에 기재된 모든 예들 및 조건부 언어는 발명 및 기술분야를 촉진시키기 위해 발명자에 의해 기여되는 개념들의 이해 시 독자를 돕기 위한 교수적 목적들을 위해 의도된 것이며, 이런 특정하게 기재된 예들 및 조건들에 대한 제한은 없는 것으로서 해석된다. 비록 본 개시내용의 실시예들이 상세히 설명되었지만, 본 개시내용의 개념 및 범주로부터 벗어나지 않고 이에 대해 다양한 변경들, 치환들 및 수정들이 이루어질 수 있다는 것을 이해하여야 한다.

Claims

시스템으로서,
판매를 위해 제공된 제1 제품과 연계된 제1 이미지 및 판매를 위해 제공된 제2 제품과 연계된 제2 이미지를 저장하도록 구성된 데이터베이스; 및
상기 데이터베이스에 통신적으로 결합된 컴퓨팅 시스템
을 포함하고, 상기 컴퓨팅 시스템은
상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하고;
상기 결정의 결과에 기초하여, 구매자에 대한 상기 제2 이미지의 제시를 변경하도록 구성되고,
상기 제1 이미지와 상기 제2 이미지 사이의 유사도에 대한 상기 결정은,
상기 제1 이미지의 제1 이산 변환과 상기 제2 이미지의 제2 이산 변환 사이의 이산 변환 차이를 결정하는 것;
상기 제1 이미지에 대한 복수의 제1 강도 벡터들을 결정하는 것-상기 복수의 제1 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 화소들 중 상이한 하나의 제1 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 강도 벡터들을 결정하는 것-상기 복수의 제2 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 화소들 중 상이한 하나의 제2 화소에 대응함-;
상기 복수의 제1 강도 벡터들과 상기 복수의 제2 강도 벡터들 사이의 강도 벡터 차이를 결정하는 것;
상기 제1 이미지의 제1 컬러 히스토그램과 상기 제2 이미지의 제2 컬러 히스토그램 사이의 컬러 차이를 결정하는 것; 및
상기 이산 변환 차이, 상기 강도 벡터 차이 및 상기 컬러 차이에 기초하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것
을 포함하는, 시스템.
제1항에 있어서,
상기 제1 이미지는 상기 제2 이미지가 상기 제1 이미지의 중복본인 경우 그리고 상기 제2 이미지가 육안으로 인지되지 않는 상기 제2 이미지에 대한 변화를 초래하는 디지털 처리 조작을 한 상기 제1 이미지의 중복본인 경우 상기 제2 이미지와 유사한 것으로 결정되는, 시스템.
제1항에 있어서,
상기 컴퓨팅 시스템은 상기 구매자에게 상기 제2 이미지를 제시하지 않음으로써 또는 다수의 이미지들을 갖는 리스트에서 상기 제2 이미지의 위치를 조정함으로써 상기 구매자에 대한 상기 제2 이미지의 제시를 변경하도록 구성되는, 시스템.
제1항에 있어서,
상기 컴퓨팅 시스템은 상기 제1 및 제2 이미지가 검색 결과들 내에 디스플레이하기 위해 선택될 때 또는 상기 데이터베이스 내의 상기 제1 및 제2 이미지들 양자 모두의 저장에 응답하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하도록 구성되는, 시스템.
제1항에 있어서,
상기 컴퓨팅 시스템은 상기 제1 및 제2 이미지가 동일 사용자에 의해 업로드되는 것에 응답하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하도록 구성되는, 시스템.
제1항에 있어서,
상기 이산 변환 차이, 상기 강도 벡터 차이 및 상기 컬러 차이에 기초하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것은 상기 이산 변환 차이, 상기 강도 벡터 차이 및 상기 컬러 차이를 머신 러닝(machine learning)을 사용하여 생성된 유사도 모델에 제공하는 것을 포함하는, 시스템.
제1항에 있어서,
상기 제1 강도 벡터들은 제1 제1-유형 강도 벡터들이고, 상기 제2 강도 벡터들은 제2 제1-유형 강도 벡터들이고, 상기 복수의 제1 화소들은 복수의 제1 제1-유형 화소들이고, 상기 복수의 제2 화소들은 복수의 제2 제1-유형 화소들이며, 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것은
상기 제1 이미지에 대한 복수의 제1 제2-유형 강도 벡터들을 결정하는 것-상기 복수의 제1 제2-유형 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 제2-유형 화소들 중 상이한 하나의 제1 제2-유형 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 제2-유형 강도 벡터들을 결정하는 것-상기 복수의 제2 제2-유형 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 제2-유형 화소들 중 상이한 하나의 제2 제2-유형 화소에 대응함-;
상기 복수의 제1 제2-유형 강도 벡터들과 상기 복수의 제2 제2-유형 강도 벡터들 사이의 제2 강도 벡터 차이를 결정하는 것; 및
상기 이산 변환 차이, 상기 강도 벡터 차이, 상기 제2 강도 벡터 차이 및 상기 컬러 차이에 기초하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것
을 더 포함하는, 시스템.
제7항에 있어서,
상기 제1 이미지의 상기 복수의 제1 화소들 및 상기 제2 이미지의 상기 복수의 제2 화소들은 랜덤하게 선택되는 상기 제1 이미지와 상기 제2 이미지의 대응하는 화소들이고,
상기 제1 이미지의 상기 복수의 제1 화소들 및 상기 제2 이미지의 상기 복수의 제2 화소들은 화소들의 특정 그리드에 기초하는 상기 제1 이미지 및 상기 제2 이미지의 대응하는 화소들이거나,
상기 제1 이미지의 상기 복수의 제1 화소들은 상기 제1 이미지의 조도 강도 최대치들에 기초하여 선택되고, 상기 제2 이미지의 상기 복수의 제2 화소들은 상기 제2 이미지의 조도 강도 최대치들에 기초하여 선택되는, 시스템.
명령어들이 저장되어 있는 하나 이상의 비일시적 컴퓨터-판독가능 매체로서, 상기 명령어들은 하나 이상의 머신들에 의한 실행에 응답하여 하나 이상의 머신들로 하여금
제1 이미지 및 제2 이미지를 취득하는 것;
상기 제1 이미지의 제1 이산 변환과 상기 제2 이미지의 제2 이산 변환 사이의 이산 변환 차이를 결정하는 것;
상기 제1 이미지에 대한 복수의 제1 강도 벡터들을 결정하는 것-상기 복수의 제1 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 화소들 중 상이한 하나의 제1 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 강도 벡터들을 결정하는 것-상기 복수의 제2 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 화소들 중 상이한 하나의 제2 화소에 대응함-;
상기 복수의 제1 강도 벡터들과 상기 복수의 제2 강도 벡터들 사이의 강도 벡터 차이를 결정하는 것;
상기 제1 이미지의 제1 컬러 히스토그램과 상기 제2 이미지의 제2 컬러 히스토그램 사이의 컬러 차이를 결정하는 것; 및
상기 이산 변환 차이, 상기 강도 벡터 차이 및 상기 컬러 차이에 기초하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것
을 포함하는 동작들을 수행하게 하는, 비일시적 컴퓨터-판독가능 매체.
제9항에 있어서, 상기 제2 이미지가 상기 제1 이미지의 중복본인 경우 및 상기 제2 이미지가 육안에 의해 인지되지 않는 상기 제1 이미지에 대한 변화를 초래하는 처리 조작을 한 상기 제1 이미지의 중복본인 경우, 상기 제1 이미지는 상기 제2 이미지와 유사한 것으로 결정되는, 비일시적 컴퓨터-판독가능 매체.
제9항에 있어서,
상기 제1 강도 벡터들은 제1 제1-유형 강도 벡터들이고, 상기 제2 강도 벡터들은 제2 제1-유형 강도 벡터들이고, 상기 복수의 제1 화소들은 복수의 제1 제1-유형 화소들이고, 상기 복수의 제2 화소들은 복수의 제2 제1-유형 화소들이며, 상기 동작들은,
상기 제1 이미지에 대한 복수의 제1 제2-유형 강도 벡터들을 결정하는 것-상기 복수의 제1 제2-유형 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 제2-유형 화소들 중 상이한 하나의 제1 제2-유형 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 제2-유형 강도 벡터들을 결정하는 것-상기 복수의 제2 제2-유형 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 제2-유형 화소들 중 상이한 하나의 제2 제2-유형 화소에 대응함-;
상기 복수의 제1 제2-유형 강도 벡터들과 상기 복수의 제2 제2-유형 강도 벡터들 사이의 제2 강도 벡터 차이를 결정하는 것
을 더 포함하고,
상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것은 상기 이산 변환 차이, 상기 강도 벡터 차이, 상기 제2 강도 벡터 차이 및 상기 컬러 차이에 기초하는, 비일시적 컴퓨터-판독가능 매체.
제11항에 있어서,
상기 동작들은,
상기 제1 이미지에 대한 복수의 제1 제3-유형 강도 벡터들을 결정하는 것-상기 복수의 제1 제3-유형 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 제3-유형 화소들 중 상이한 하나의 제1 제3-유형 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 제3-유형 강도 벡터들을 결정하는 것-상기 복수의 제2 제3-유형 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 제3-유형 화소들 중 상이한 하나의 제2 제3-유형 화소에 대응함-; 및
상기 복수의 제1 제3-유형 강도 벡터들과 상기 복수의 제2 제3-유형 강도 벡터들 사이의 제3 강도 벡터 차이를 결정하는 것
을 더 포함하고,
상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것은 상기 이산 변환 차이, 상기 강도 벡터 차이, 상기 제2 강도 벡터 차이, 상기 제3 강도 벡터 차이 및 상기 컬러 차이에 기초하는, 비일시적 컴퓨터-판독가능 매체.
제9항에 있어서,
상기 이산 변환 차이, 상기 강도 벡터 차이 및 상기 컬러 차이에 기초하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 것은 상기 이산 변환 차이, 상기 강도 벡터 차이 및 상기 컬러 차이를 머신 러닝을 사용하여 생성된 유사도 모델에 제공하는 것을 포함하는, 비일시적 컴퓨터-판독가능 매체.
제9항에 있어서,
상기 복수의 제1 강도 벡터들과 상기 복수의 제2 강도 벡터들 사이의 상기 강도 벡터 차이를 결정하는 것은 상기 복수의 제1 강도 벡터들 및 상기 복수의 제2 강도 벡터들의 대응하는 벡터들 사이의 예비 강도 벡터 차이를 결정하는 것 및 상기 예비 강도 벡터 차이들을 평균화하는 것을 포함하는, 비일시적 컴퓨터-판독가능 매체.
방법으로서,
제1 이미지 및 제2 이미지를 취득하는 단계;
상기 제1 이미지에 대한 복수의 제1 유의(value) 강도 벡터들을 결정하는 단계-상기 복수의 제1 유의 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 유의 화소들 중 상이한 하나의 제1 유의 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 유의 강도 벡터들을 결정하는 단계-상기 복수의 제2 유의 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 유의 화소들 중 상이한 하나의 제2 유의 화소에 대응함-;
상기 복수의 제1 유의 강도 벡터들과 상기 복수의 제2 유의 강도 벡터들 사이의 유의 강도 벡터 차이를 결정하는 단계;
상기 제1 이미지에 대한 복수의 제1 설정 강도 벡터들을 결정하는 단계-상기 복수의 제1 설정 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 설정 화소들 중 상이한 하나의 제1 설정 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 설정 강도 벡터들을 결정하는 단계-상기 복수의 제2 설정 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 설정 화소들 중 상이한 하나의 제2 설정 화소에 대응함-;
상기 복수의 제1 설정 강도 벡터들과 상기 복수의 제2 설정 강도 벡터들 사이의 설정 강도 벡터 차이를 결정하는 단계;
상기 제1 이미지에 대한 복수의 제1 랜덤 강도 벡터들을 결정하는 단계-상기 복수의 제1 랜덤 강도 벡터들 각각은 상기 제1 이미지의 복수의 제1 랜덤 화소들 중 상이한 하나의 제1 랜덤 화소에 대응함-;
상기 제2 이미지에 대한 복수의 제2 랜덤 강도 벡터들을 결정하는 단계-상기 복수의 제2 랜덤 강도 벡터들 각각은 상기 제2 이미지의 복수의 제2 랜덤 화소들 중 상이한 하나의 제2 랜덤 화소에 대응함-;
상기 복수의 제1 랜덤 강도 벡터들과 상기 복수의 제2 랜덤 강도 벡터들 사이의 랜덤 강도 벡터 차이를 결정하는 단계; 및
상기 유의 강도 벡터 차이, 상기 설정 강도 벡터 차이 및 상기 랜덤 강도 벡터 차이에 기초하여 상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 단계
를 포함하는, 방법.
제15항에 있어서,
상기 제1 이미지의 상기 복수의 제1 랜덤 화소들 및 상기 제2 이미지의 상기 복수의 제2 랜덤 화소들은 랜덤하게 선택되는 상기 제1 이미지와 상기 제2 이미지의 대응하는 화소들이고,
상기 제1 이미지의 상기 복수의 제1 설정 화소들 및 상기 제2 이미지의 상기 복수의 제2 설정 화소들은 화소들의 특정 그리드에 기초하는 상기 제1 이미지 및 상기 제2 이미지의 대응하는 화소들이고,
상기 제1 이미지의 상기 복수의 제1 유의 화소들은 상기 제1 이미지의 조도 강도 최대치들에 기초하여 선택되고, 상기 제2 이미지의 상기 복수의 제2 유의 화소들은 상기 제2 이미지의 조도 강도 최대치들에 기초하여 선택되는, 방법.
제16항에 있어서,
상기 복수의 제1 랜덤 화소들 및 상기 복수의 제2 랜덤 화소들은 그 사이의 적어도 최소 거리로 랜덤하게 선택되고, 화소들의 상기 특정 그리드는 상기 제1 및 제2 이미지들을 통해 분포된 화소들의 균등 이격 그리드인, 방법.
제15항에 있어서,
상기 복수의 제1 랜덤 강도 벡터들 중 하나에 대해 상기 복수의 제1 랜덤 강도 벡터들을 결정하는 상기 단계는 상기 제1 랜덤 강도 벡터들 중 하나와 대응하는 상기 복수의 제1 랜덤 화소들의 랜덤 화소를 둘러싸는 복수의 랜덤 영역 화소들의 조도 강도들을 조합하는 단계를 포함하고;
상기 복수의 제1 설정 강도 벡터들 중 하나에 대해 상기 복수의 제1 설정 강도 벡터들을 결정하는 상기 단계는 상기 제1 설정 강도 벡터들 중 하나와 대응하는 상기 복수의 제1 설정 화소들의 설정 화소를 둘러싸는 복수의 설정 영역 화소들의 조도 강도들을 조합하는 단계를 포함하고;
상기 복수의 설정 영역 화소들은 상기 복수의 랜덤 영역 화소들보다 많은 화소들을 포함하는, 방법.
제15항에 있어서,
상기 제1 이미지의 제1 이산 변환과 상기 제2 이미지의 제2 이산 변환 사이의 이산 변환 차이를 결정하는 단계; 및
상기 제1 이미지의 제1 컬러 히스토그램과 상기 제2 이미지의 제2 컬러 히스토그램 사이의 컬러 차이를 결정하는 단계
를 더 포함하고,
상기 제1 이미지와 상기 제2 이미지 사이의 유사도를 결정하는 단계는 상기 이산 변환 차이, 상기 유의 강도 벡터 차이, 상기 설정 강도 벡터 차이, 상기 랜덤 강도 벡터 차이 및 상기 컬러 차이에 기초하는, 방법.
실행될 때, 하나 이상의 머신들로 하여금 제15항의 방법을 실행하게 하도록 구성된 하나 이상의 프로그램들을 저장하는 하나 이상의 비일시적 컴퓨터-판독가능 매체.