CN107392215A - 一种基于sift算法的重图检测方法 - Google Patents
一种基于sift算法的重图检测方法 Download PDFInfo
- Publication number
- CN107392215A CN107392215A CN201710653168.6A CN201710653168A CN107392215A CN 107392215 A CN107392215 A CN 107392215A CN 201710653168 A CN201710653168 A CN 201710653168A CN 107392215 A CN107392215 A CN 107392215A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- key point
- msup
- point
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于SIFT算法的电商网站重复图片检测的自动化方法，1)对网站上需要处理的图片进行截图预处理，只保存图片上下15％‑85％的区间；2)构建尺度空间，通过对图像进行尺度变换，获得图像多尺度下的尺度空间表示序列；3)关键点定位，在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度；4)关键点方向确定，基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向；5)关键点描述，在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度；6)关键匹配，通过两图中的描述器的两两比较找出相互匹配的若干对特征点；7)相似度计算，通过自定义图片相似度计算公式，判断是否为重复图片。
Description
技术领域
本发明涉及图像检测领域，具体而言，涉及一种基于SIFT算法的对电子商务网站重复图片进行检测的方法。
背景技术
在竞争日趋激烈的商品市场中，一些电子商务网站(如中国制造网等)的商家为了达到增加产品流量及销量的目的，重复提交相同的产品，即重复铺货。通常，电子商务网站会限制商家重复铺货的行为，通常网站对于重复铺货有如下定义：完全相同以及商品的重要属性完全相同的商品，只允许使用一种出售方式，发布一次。违反以上规则，即可判定为重复发布；对于不同的商品，必须在商品的标题、描述、图片等方面体现商品的不同，否则将被判定为重复铺货。一般对对于重复商品的检测：第一，品牌型号不能一样；第二，标题、商品描述不能一样；第三，图片不能一样。
其中对于重复图片的判定是一个技术难点，以中国制造网为例，重复铺货的商家为了避开网站的检测，通常上传的重复图片并非完全一致，而是对其进行了如图片缩放、取局部、模糊、打水印等处理。为了应对电商网站比较复杂的图片环境，以往对于重复图片的判定通常由业务人员人工检测，但随着网站流量的提升以及商品的大量新增，人工检测的方法势必会耗费大量的人工成本。现有的sift是图像匹配的经典的算法，SIFT算法的匹配(Scale-invariant feature transform，尺度不变特征转换)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。目前应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。
发明内容
本发明目的是，给定重复图片的相似度判定区间，最终达到自动化识别重图的效果，进而为判定商家是否重复铺货提供依据。使得电子商务网站的运行良好，给网站浏览受众给出清新不重复的环境。
本发明的技术方案是：一种基于SIFT算法的电商网站重复图片检测的自动化方法，具体内容包括：
1、图像截图处理
因为部分中国制造网商家会在其产品图片上下两端加上文字与logo，因此在应用SIFT之前需要先进行图像预处理。
2、构建尺度空间
通过对图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，并搜索所有尺度上的图像位置。通常通过高斯微分函数来识别潜在的对于尺度和旋转不变的关键点。
3、关键点定位
在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
4、关键点方向确定
基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。
5、关键点描述
在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。
6、关键点匹配
通过两图中的描述器的两两比较找出相互匹配的若干对特征点，也就建立了图片间的对应关系。
7、相似度计算
通过自定义图片相似度计算公式，并通过给定的重复图片的相似度判定区间，判断是否为重复图片。
有益效果，本发明充分利用SIFT算法的局部影像特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。特性高度显著而且相对容易提取，在母数庞大的特征数据库中，很容易辨识物体而且误认低。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在今天的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。本发明就是通过对图片的相似度进行定量计算，并以中国制造网为例，通过对大量相似图片的计算，给定重复图片的相似度判定区间，最终达到自动化识别重图的效果，进而为判定商家是否重复铺货提供依据。给商业网站提供一实用工具。
附图说明
图1为本发明实施例的流程图；
图2为本发明图像的高斯金字塔模型的示意图；
图3为本发明DOG算子构建DOG金字塔示意图。
图4至图7是本发明的效果图；每个图中均有四个实施例，每个实施例对应一个具体查重的结果。
具体实施方式
下面结合附图，对本发明的具体实施方案作进一步详细描述。
参阅图1所示，本发明的实施步骤如下：
S11：图像预处理
由于中国制造网上部分商家会在其产品图片上下两端加上文字与logo，而图像主体即产品展示部分主要集中在图片中心，因此在应用SIFT前，需先做截图处理，通过实际的测试，我们只保存图片上下15％-85％的区间。
S12：尺度空间的表示
SIFT算法是在不同的尺度空间上查找关键点，而尺度空间的获取需要使用高斯模糊来实现。一个图像的尺度空间L(x,y,σ),定义为原始图像I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算。
其中，(x，y)是空间坐标，σ是尺度坐标。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。
S13：高斯金字塔的构建
尺度空间在实现时使用高斯金字塔表示，高斯金字塔的构建分为两部分：
1.对图像做不同尺度的高斯模糊；
2.对图像做降采样。
图像的金字塔模型是指，将原始图像不断降阶采样，得到一系列大小不一的图像，由大到小，从下到上构成的塔状模型。原图像为金子塔的第一层，每次降采样所得到的新图像为金字塔的一层(每层一张图像)，每个金字塔共n层。金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定，其计算公式如下：n＝log2{min(M,N)}-t,t∈[0,log2{min(M,N)}]，其中M，N为原图像的大小，t为塔顶图像的最小维数的对数值。为了让尺度体现其连续性，在简单下采样的基础上加上了高斯滤波。一幅图像可以产生几组(octave)图像，一组图像包括几层(interval)图像。
S14：DoG高斯差分金字塔
所有关键点的检测都是基于尺度不变的特性，尺度规范化的LoG算子具有真正的尺度不变性。
LoG算子即(Laplacion of Gaussian)，可以由高斯函数梯度算子GOG构建：
而LOG算子与高斯核函数的关系为：
G(x,y,kσ)-G(x,y,σ)≈(k-1)σ2▽2G
通过推导可以看出，LOG算子与高斯核函数的差有直接关系，由此引入一种新的算子DOG(Difference of Gaussians)，即高斯差分算子：
D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)
＝L(x,y,kσ)-L(x,y,σ)
所以可以通过DOG算子，构建DOG金字塔。
S15：关键点定位
为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。如果一个点在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点。
在极值比较的过程中，每一组图像的首末两层是无法进行极值比较的，为了满足尺度变化的连续性，我们在每一组图像的顶层继续用高斯模糊生成了3幅图像，高斯金字塔有每组S+3层图像，DOG金字塔每组有S+2层图像。
S16：关键点方向确定
通过尺度不变性求极值点，可以使其具有缩放不变的性质。为了使描述符具有旋转不变性，需要利用图像的局部特征给每一个关键点分配一个基准方向。(x，y)处梯度的模值和方向公式为：
梯度幅值：
梯度方向：
在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向。梯度直方图将0～360度的方向范围分为36个柱(bins)，其中每柱10度。直方图的峰值方向代表了关键点的主方向。
S17：关键点描述
描述的目的是在关键点计算后，用一组向量将这个关键点描述出来，这个描述子不但包括关键点，也包括关键点周围对其有贡献的像素点。用来作为目标匹配的依据，也可使关键点具有更多的不变特性，如光照变化、3D视点变化等。关键点描述主要分为3个步骤：
1、旋转主方向：将坐标轴旋转为关键点的方向，以确保旋转不变性
2、生成描述子：对于一个关键点产生128个数据，即最终形成128维的SIFT特征向量
3、归一化处理：将特征向量的长度归一化，则可以进一步去除光照变化的影响
S18：关键点匹配
分别对模板图(参考图，reference image)和实时图(观测图，observationimage)建立关键点描述子集合。目标的识别是通过两点集内关键点描述子的比对来完成。具有128维的关键点描述子的相似性度量采用欧式距离。
模板图中关键点描述子：Ri＝(ri1,ri2,…,ri128)
实时图中关键点描述子：Si＝(si1,si2,…,si128)
任意两描述子相似性度量：
为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，d(Ri,Sj)需满足：
根据在中国制造网网站上的图片测试结果，可以取阈值为0.7
S19：相似度的计算
我们可以定义两张图的相似度为：
考虑到SIFT区分模板图和实时图，我们可以交换两张图的位置，计算两次结果的加权值：
根据在中国制造网网站上的图片测试结果，可以取阈值为0.1：
当S>Threshold时：重图
当S<Threshold时：非重图。
如图2所示，位于相同组(octave)不同层(interval)的图像通过不同尺度的高斯滤波得到，不同组(octave)的图像由降采样得到，需要说明的是，上一组图像的底层是由前一组图像的倒数第二层图像降采样生成的。为了让尺度体现其连续性，在下采样的基础上加上了高斯滤波；一幅图像产生几组(octave)图像，一组图像包括几层(interval)图像；
图3中通过DOG算子，构建DOG金字塔。如下图所示，即在计算上只需相邻尺度高斯平滑后图像相减，因此简化了计算。
所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于SIFT算法的电商网站重复图片检测的自动化方法，其特征是步骤如下：
1)对网站上需要处理的图片进行截图预处理，只保存图片上下15％-85％的区间；
2)构建尺度空间，通过对图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，并搜索所有尺度上的图像位置；通过高斯微分函数来识别潜在的对于尺度和旋转不变的关键点；
3)关键点定位，在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度；关键点的选择依据于它们的稳定程度；
4)关键点方向确定，基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性；
5)关键点描述，在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度；这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化；
6)关键点匹配，通过两图中的描述器的两两比较找出相互匹配的若干对特征点，也就建立了图片间的对应关系；
7)相似度计算，通过自定义图片相似度计算公式，并通过给定的重复图片的相似度判定区间，判断是否为重复图片。
2.根据权利要求1所述的方法，其特征是步骤1)-2)具体步骤如下：
S12：尺度空间的表示
SIFT算法在不同的尺度空间上查找关键点，尺度空间的获取使用高斯模糊来实现；一个图像的尺度空间L(x,y,σ),定义为原始图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)卷积运算：
其中，(x，y)是空间坐标，σ是尺度坐标；σ大小决定图像的平滑程度，σ越大图像越模糊，当σ小时反映了图像的细节特征，当σ大时反映了图像的概貌特征需要说明的是，对于σ的取值范围并无严格要求，本发明中σ的区间为[0.5，1.6]，0.5和1.6分别对应了最清晰和最模糊的尺度取值；
S13：高斯金字塔模型的构建，尺度空间在实现时使用高斯金字塔表示，高斯金字塔的构建分为两部分：
1-1)对图像做不同尺度的高斯模糊、也称高斯滤波；
1-2)对图像做降采样；
图像的高斯金字塔模型是指，将原始图像不断降阶采样，得到一系列大小不一的图像，由大到小，从下到上构成的塔状模型；原图像为金子塔的第一层，每次降采样所得到的新图像为金字塔的一层(每层一张图像)，每个金字塔共n层；金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定，其计算公式如下：n＝log2{min(M,N)}-t,t∈[0,log2{min(M,N)}]，其中M，N为原图像的大小，t为塔顶图像的最小维数的对数值；
S14：DOG金字塔高斯差分算子
所有关键点的检测都是基于尺度不变的特性，尺度规范化的LOG算子具有真正的尺度不变性；
LoG算子即(Laplacion of Gaussian)，由高斯函数梯度算子GOG构建：
<mrow>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
而LOG算子与高斯核函数的关系为：
<mrow>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>L</mi>
<mi>O</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
<mo>&ap;</mo>
<mfrac>
<mrow>
<mi>G</mi>
<mi>a</mi>
<mi>u</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>k</mi>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>G</mi>
<mi>a</mi>
<mi>u</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>k</mi>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<msup>
<mo>&dtri;</mo>
<mn>2</mn>
</msup>
<mi>G</mi>
</mrow>
通过推导，LOG算子与高斯核函数的差有直接关系，直接采用LOG算子计算较为复杂，由此引入一种新的算子DOG(Difference of Gaussians)，即高斯差分算子：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>&lsqb;</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>k</mi>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>*</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>k</mi>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的方法，其特征是步骤3)-6)如下：
S15：关键点定位
为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小；中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；如果一个点在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点；
S16：关键点方向确定
通过尺度不变性求极值点，可以使其具有缩放不变的性质；为了使描述符具有旋转不变性，需要利用图像的局部特征给每一个关键点分配一个基准方向；(x，y)处梯度的模值和方向公式为：
梯度幅值：
梯度方向：
S17：关键点描述
描述的目的是在关键点计算后，用一组向量将这个关键点描述出来，这个描述子不但包括关键点，也包括关键点周围对其有贡献的像素点；用来作为目标匹配的依据，使关键点具有更多的不变特性，包括光照变化、3D视点变化；关键点描述分为3个步骤：
17-1)旋转主方向：将坐标轴旋转为关键点的方向，以确保旋转不变性
17-2)生成描述子：对于一个关键点产生128个数据，即最终形成128维的SIFT特征向量
17-3)归一化处理：将特征向量的长度归一化，则进一步去除光照变化的影响
S18：关键点匹配，分别对模板图和实时图(观测图，observation image)建立关键点描述子集合；目标的识别是通过两点集内关键点描述子的比对来完成；具有128维的关键点描述子的相似性度量采用欧式距离；
模板图中关键点描述子：Ri＝(ri1,ri2,…,ri128)
实时图中关键点描述子：Si＝(si1,si2,…,si128)
其中Ri、Si分别表示模板图和实时图的第i个关键点的描述子(通常采用128维的向量来描述)，ri、si分别为128维描述子向量各维度上的分量；
任意两描述子相似性度量：
为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，d(Ri,Sj)需满足：
S19：相似度的计算
我们可以定义两张图的相似度为：
考虑到SIFT区分模板图和实时图，我们可以交换两张图的位置，计算两次结果的加权值：
当S>Threshold时：重图；当S<Threshold时：非重图。
4.根据权利要求1所述的方法，其特征是步骤S15中：在极值比较的过程中，每一组图像的首末两层是无法进行极值比较的，为了满足尺度变化的连续性，在每一组图像的顶层继续用高斯模糊生成了3幅图像，高斯金字塔有每组S+3层图像，DOG金字塔每组有S+2层图像。
5.根据权利要求1所述的方法，其特征是步骤S16中,在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向；梯度直方图将0～360度的方向范围分为36个柱(bins)，其中每柱10度；直方图的峰值方向代表了关键点的主方向。
6.根据权利要求1所述的方法，其特征是步骤S18中取阈值为0.7；S19中阈值为0.1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653168.6A CN107392215A (zh) | 2017-08-02 | 2017-08-02 | 一种基于sift算法的重图检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710653168.6A CN107392215A (zh) | 2017-08-02 | 2017-08-02 | 一种基于sift算法的重图检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107392215A true CN107392215A (zh) | 2017-11-24 |
Family
ID=60344707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710653168.6A Pending CN107392215A (zh) | 2017-08-02 | 2017-08-02 | 一种基于sift算法的重图检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392215A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182205A (zh) * | 2017-12-13 | 2018-06-19 | 南京信息工程大学 | 一种基于sift的hash算法的图像快速检索方法 |
| CN108319958A (zh) * | 2018-03-16 | 2018-07-24 | 福州大学 | 一种基于特征融合匹配的行驶证检测和识别方法 |
| CN108960280A (zh) * | 2018-05-21 | 2018-12-07 | 北京中科闻歌科技股份有限公司 | 一种图片相似度检测方法及*** |
| CN108960251A (zh) * | 2018-05-22 | 2018-12-07 | 东南大学 | 一种图像匹配描述子生成尺度空间的硬件电路实现方法 |
| CN109102036A (zh) * | 2018-09-26 | 2018-12-28 | 云南电网有限责任公司电力科学研究院 | 一种用于输电线路故障识别的图像标记方法及装置 |
| CN109344710A (zh) * | 2018-08-30 | 2019-02-15 | 东软集团股份有限公司 | 一种图像特征点的定位方法、装置、存储介质及处理器 |
| CN109697406A (zh) * | 2018-11-09 | 2019-04-30 | 广西电网有限责任公司河池供电局 | 一种基于无人机影像智能分析方法 |
| CN110188217A (zh) * | 2019-05-29 | 2019-08-30 | 京东方科技集团股份有限公司 | 图像查重方法、装置、设备和计算机可读储存介质 |
| CN111582306A (zh) * | 2020-03-30 | 2020-08-25 | 南昌大学 | 一种基于关键点图表示的近重复图像匹配方法 |
| CN111709917A (zh) * | 2020-06-01 | 2020-09-25 | 深圳市深视创新科技有限公司 | 基于标注的形状匹配算法 |
| CN111739003A (zh) * | 2020-06-18 | 2020-10-02 | 上海电器科学研究所（集团）有限公司 | 一种用于外观检测的机器视觉算法 |
| CN111985500A (zh) * | 2020-07-28 | 2020-11-24 | 国网山东省电力公司禹城市供电公司 | 一种继电保护定值输入的校核方法、***及装置 |
| CN112634130A (zh) * | 2020-08-24 | 2021-04-09 | 中国人民解放军陆军工程大学 | Quick-SIFT算子下无人机航拍图像拼接方法 |
| CN116433887A (zh) * | 2023-06-12 | 2023-07-14 | 山东鼎一建设有限公司 | 基于人工智能的建筑物快速定位方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101446980A (zh) * | 2008-12-26 | 2009-06-03 | 北京大学 | 一种基于彩色旋转图像的三维部分形状匹配和检索方法 |
| CN101561866A (zh) * | 2009-05-27 | 2009-10-21 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
| CN102663431A (zh) * | 2012-04-17 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种基于区域加权的图像匹配计算方法 |
| CN102930292A (zh) * | 2012-10-17 | 2013-02-13 | 清华大学 | 一种基于p-SIFT特征的物体识别方法 |
| US8441489B2 (en) * | 2008-12-31 | 2013-05-14 | Intel Corporation | System and method for SIFT implementation and optimization |
| CN104899834A (zh) * | 2015-03-04 | 2015-09-09 | 苏州大学 | 基于sift算法的模糊图像识别方法及装置 |
-
2017
- 2017-08-02 CN CN201710653168.6A patent/CN107392215A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101446980A (zh) * | 2008-12-26 | 2009-06-03 | 北京大学 | 一种基于彩色旋转图像的三维部分形状匹配和检索方法 |
| US8441489B2 (en) * | 2008-12-31 | 2013-05-14 | Intel Corporation | System and method for SIFT implementation and optimization |
| CN101561866A (zh) * | 2009-05-27 | 2009-10-21 | 上海交通大学 | 基于sift特征与灰度差值直方图特征的文字识别方法 |
| CN102663431A (zh) * | 2012-04-17 | 2012-09-12 | 北京博研新创数码科技有限公司 | 一种基于区域加权的图像匹配计算方法 |
| CN102930292A (zh) * | 2012-10-17 | 2013-02-13 | 清华大学 | 一种基于p-SIFT特征的物体识别方法 |
| CN104899834A (zh) * | 2015-03-04 | 2015-09-09 | 苏州大学 | 基于sift算法的模糊图像识别方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 史小雨: ""基于SIFT特征和结构相似性的图像质量评价"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 张闻宇 等: ""基于CenSurE-star特征的无人机景象匹配算法"", 《仪器仪表学报》 * |
| 李刚 等: ""基于双向SIFT的未标定图像的立体匹配"", 《计算机工程与应用》 * |
| 王其浩 等: ""用于图像购物搜索的局部匹配算法"", 《计算机工程与应用》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182205A (zh) * | 2017-12-13 | 2018-06-19 | 南京信息工程大学 | 一种基于sift的hash算法的图像快速检索方法 |
| CN108319958A (zh) * | 2018-03-16 | 2018-07-24 | 福州大学 | 一种基于特征融合匹配的行驶证检测和识别方法 |
| CN108960280A (zh) * | 2018-05-21 | 2018-12-07 | 北京中科闻歌科技股份有限公司 | 一种图片相似度检测方法及*** |
| CN108960280B (zh) * | 2018-05-21 | 2020-07-24 | 北京中科闻歌科技股份有限公司 | 一种图片相似度检测方法及*** |
| CN108960251A (zh) * | 2018-05-22 | 2018-12-07 | 东南大学 | 一种图像匹配描述子生成尺度空间的硬件电路实现方法 |
| CN109344710A (zh) * | 2018-08-30 | 2019-02-15 | 东软集团股份有限公司 | 一种图像特征点的定位方法、装置、存储介质及处理器 |
| CN109102036A (zh) * | 2018-09-26 | 2018-12-28 | 云南电网有限责任公司电力科学研究院 | 一种用于输电线路故障识别的图像标记方法及装置 |
| CN109697406A (zh) * | 2018-11-09 | 2019-04-30 | 广西电网有限责任公司河池供电局 | 一种基于无人机影像智能分析方法 |
| US11886492B2 (en) | 2019-05-29 | 2024-01-30 | Boe Technology Group Co., Ltd. | Method of matching image and apparatus thereof, device, medium and program product |
| CN110188217A (zh) * | 2019-05-29 | 2019-08-30 | 京东方科技集团股份有限公司 | 图像查重方法、装置、设备和计算机可读储存介质 |
| CN111582306A (zh) * | 2020-03-30 | 2020-08-25 | 南昌大学 | 一种基于关键点图表示的近重复图像匹配方法 |
| CN111709917A (zh) * | 2020-06-01 | 2020-09-25 | 深圳市深视创新科技有限公司 | 基于标注的形状匹配算法 |
| CN111709917B (zh) * | 2020-06-01 | 2023-08-22 | 深圳市深视创新科技有限公司 | 基于标注的形状匹配算法 |
| CN111739003B (zh) * | 2020-06-18 | 2022-11-18 | 上海电器科学研究所（集团）有限公司 | 一种用于外观检测的机器视觉方法 |
| CN111739003A (zh) * | 2020-06-18 | 2020-10-02 | 上海电器科学研究所（集团）有限公司 | 一种用于外观检测的机器视觉算法 |
| CN111985500A (zh) * | 2020-07-28 | 2020-11-24 | 国网山东省电力公司禹城市供电公司 | 一种继电保护定值输入的校核方法、***及装置 |
| CN111985500B (zh) * | 2020-07-28 | 2024-03-29 | 国网山东省电力公司禹城市供电公司 | 一种继电保护定值输入的校核方法、***及装置 |
| CN112634130A (zh) * | 2020-08-24 | 2021-04-09 | 中国人民解放军陆军工程大学 | Quick-SIFT算子下无人机航拍图像拼接方法 |
| CN116433887A (zh) * | 2023-06-12 | 2023-07-14 | 山东鼎一建设有限公司 | 基于人工智能的建筑物快速定位方法 |
| CN116433887B (zh) * | 2023-06-12 | 2023-08-15 | 山东鼎一建设有限公司 | 基于人工智能的建筑物快速定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392215A (zh) | 一种基于sift算法的重图检测方法 | |
| CN103077512B (zh) | 基于主成分析的数字图像的特征提取与匹配方法 | |
| Wang et al. | MARCH: Multiscale-arch-height description for mobile retrieval of leaf images | |
| Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
| Kim et al. | Boundary preserving dense local regions | |
| Sirmacek et al. | A probabilistic framework to detect buildings in aerial and satellite images | |
| Yang et al. | Multi-attribute statistics histograms for accurate and robust pairwise registration of range images | |
| CN107247930A (zh) | 基于cnn和选择性注意机制的sar图像目标检测方法 | |
| CN108921939A (zh) | 一种基于图片的三维场景重建方法 | |
| CN105740378B (zh) | 一种数字病理全切片图像检索方法 | |
| CN113392856B (zh) | 图像伪造检测装置和方法 | |
| Ion et al. | Matching 2D and 3D articulated shapes using the eccentricity transform | |
| CN107644227A (zh) | 一种用于商品图像搜索的融合多视角的仿射不变描述子 | |
| CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
| Seidl et al. | Automated classification of petroglyphs | |
| CN106897722A (zh) | 一种基于区域形状特征的商标图像检索方法 | |
| Zhang et al. | 3D tree skeletonization from multiple images based on PyrLK optical flow | |
| CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
| Zhang et al. | Perception-based shape retrieval for 3D building models | |
| Liu et al. | A semi-supervised high-level feature selection framework for road centerline extraction | |
| Shanmugavadivu et al. | FOSIR: fuzzy-object-shape for image retrieval applications | |
| CN103336964A (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 | |
| CN112232249A (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
| CN106951873A (zh) | 一种遥感图像目标识别方法 | |
| Zou et al. | Sketch-based shape retrieval using pyramid-of-parts |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
| RJ01 | Rejection of invention patent application after publication |