CN110209863B - 用于相似图片检索的方法与设备 - Google Patents
用于相似图片检索的方法与设备 Download PDFInfo
- Publication number
- CN110209863B CN110209863B CN201910477944.0A CN201910477944A CN110209863B CN 110209863 B CN110209863 B CN 110209863B CN 201910477944 A CN201910477944 A CN 201910477944A CN 110209863 B CN110209863 B CN 110209863B
- Authority
- CN
- China
- Prior art keywords
- picture
- matrix
- similar
- target
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 112
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请的目的是提供一种用于相似图片检索的方法与设备。与现有技术相比，本申请通过获取待确定相似图片的目标图片后，确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹，然后当存在候选相似图片，确定所述目标图片的图片指纹，并基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值，然后将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片，并提供给用户设备。通过这种方式，能够提高相似图片检索的准确性以及提高检索速度，用户体验会更好。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种用于相似图片检索的技术。
背景技术
目前，图片的处理，例如图片识别、图片上的文字提取等技术基本趋于成熟。但是如何从海量图片库中快速找到相似的图片，还没有公开的算法和流程。
从海量图片库中找到相似的图片，准确性和效率是商业应用的基本要素。它牵扯到合理的架构设计，精准的图片处理与识别。因此，如何实现准确性和效率的兼顾成为亟待解决的问题。
发明内容
本申请的目的是提供一种用于相似图片检索的方法与设备。
根据本申请的一个方面，提供了一种用于相似图片检索的方法，其中，该方法包括：
获取待确定相似图片的目标图片；
确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；
当存在候选相似图片，确定所述目标图片的图片指纹；
基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值；
将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；
将所述相似图片提供给用户设备。
进一步地，其中，所述方法还包括：
当所述目标图片的相似图片有多个，对所述相似图片基于相似度值进行排序；
其中，所述将所述相似图片提供给用户设备包括：
将排序后的所述相似图片中相似度值排名靠前的、预设数目的相似图片提供给用户设备。
进一步地，其中，所述确定所述目标图片的标签包括：
获取基于ImageNet数据集训练好的VGG16模型；
对所述VGG16模型的进行重构并重新训练；
基于重构及重新训练后的VGG16模型，确定目标图片的标签。
进一步地，其中，所述对所述VGG16模型进行重构包括：
利用模型的pop()将末尾四层删除以及添加四个Dense层。
进一步地，其中，确定所述目标图片的图片指纹包括：
a将所述目标图片进行归一化处理，确定归一化后的像素矩阵，其中，所述像素矩阵中每个点都存储着图片的信息；
b随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵；
c将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵；
d将所述二级输出矩阵替换所述步骤b中的像素矩阵，重复步骤b到步骤c达到预设次数，获得输出矩阵；
e确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列的矩阵；
f将所述一维N列数据确定为所述目标图片的图片指纹。
进一步地，其中，所述步骤b包括：
将每个权重矩阵与像素矩阵的对应位相乘再相加得到输出值；
将其中最大的输出值确定为一级输出矩阵。
进一步地，其中，所述步骤c包括：
将所述一级输出矩阵基于两行两列的矩阵重新划分单元块，其中，单元块之间没有重叠；
计算单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。
进一步地，其中，确定所述目标图片的图片指纹包括：
调整VGG16模型，其中，所述调整VGG16模型包括去掉VGG16模型的softmax层和后三层的全连接层，并将VGG16模型前13个卷积层的结果进行全局最大值池化；
利用调整后的VGG16模型计算所述目标图片的输出向量；
将所述输出向量取范数，确定对应值；
将所述对应值除以所述输出向量，将结果确定为所述目标图片的图片指纹。
进一步地，其中，所述图片索引基于图片唯一编号、图片标签以及图片指纹三个维度建立。
根据本申请的另一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述方法的操作。
根据本申请的再一方面，还提供了一种用于相似图片检索的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行以实现如前述方法的操作。
与现有技术相比，本申请通过获取待确定相似图片的目标图片后，确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹，然后当存在候选相似图片，确定所述目标图片的图片指纹，并基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值，然后将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片，并提供给用户设备。通过这种方式，能够提高相似图片检索的准确性以及提高检索速度，用户体验会更好。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于相似图片检索的方法流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出本申请一个方面提供的一种用于相似图片检索的方法流程图。所述方法在设备1执行，该方法包括以下步骤：
S11获取待确定相似图片的目标图片；
S12确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；
S13当存在候选相似图片，确定所述目标图片的图片指纹；
S14基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值；
S15将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；
S16将所述相似图片提供给用户设备。
在该实施例中，在所述步骤S11中设备1获取待确定相似图片的目标图片，例如，当用户想要查找目标图片的相似图片，设备1可以从用户设备获取基于用户选择的目标图片。
在本申请中，所述设备1包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。在此，具体的设备1在本申请中不做任何限定。
继续在该实施例中，在所述步骤S12中，设备1确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹。
在此，所述图片标签可以用以指示图片的类别，例如，图片标签包括但不限于人、花、狗、猫、树等等，在此，所述图片标签可以自主进行定义，在本申请中，不做具体的限定。
优选地，其中，所述确定所述目标图片的标签包括：获取基于ImageNet数据集训练好的VGG16模型；对所述VGG16模型的进行重构并重新训练；基于重构及重新训练后的VGG16模型，确定目标图片的标签。
优选地，其中，所述对所述VGG16模型进行重构包括：利用模型的pop()将末尾四层删除以及添加四个Dense层。通过这种方式能够提高对目标图片的标签提取效率。
在本申请中，图片库中的图片已预先进行过图片标签以及图片指纹的确定，并建立了图片索引，通过图片索引可以查找到对应的原始图片。优选地，其中，所述图片索引基于图片唯一编号、图片标签以及图片指纹三个维度建立。
具体地，其中，图片索引可以通过设置倒排索引的方式，例如，给每张图片设置一个图片唯一编号，然后建立图片编号，图片标签，图片指纹的对应关系，进一步地，将标签按照空格切分词，并将该三个维度进行倒排索引。
其中，所述候选相似图片是与所述目标图片的图片标签相同或者相近的图片，在此，为了提高匹配的效率，所述候选相似图片的选取数量可以是预先设置好的，例如，选取前100个图片标签相同或者最相近的作为候选相似图片。
继续在该实施例中，在所述步骤S13中，当存在候选相似图片，设备1确定所述目标图片的图片指纹。在此，当存在候选相似图片时，进一步确定目标图片的图片指纹，当不存在候选相似图片时，表明图片库中不存在目标图片的相似图片。在此，所述图片指纹用以代表具体的图形信息，例如，基于图片像素的信息。
优选地，其中，确定所述目标图片的图片指纹包括：
S101(未示出)将所述目标图片进行归一化处理，确定归一化后的像素矩阵，其中，所述像素矩阵中每个点都存储着图片的信息；
S102(未示出)随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵；
S103(未示出)将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵；
S104(未示出)将所述二级输出矩阵替换所述步骤102中的像素矩阵，重复步骤S102到步骤S103达到预设次数，获得输出矩阵；
S105(未示出)确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列的矩阵；
S106(未示出)将所述一维N列数据确定为所述目标图片的图片指纹。
在该实施例中，在所述步骤S101中，将所述目标图片进行归一化处理，确定归一化后的像素矩阵。在此。由于图片本身有大有小，为了进行统一，方便数据的处理会将图片进行归一化处理，例如，在确定图片库中的图片或者目标图片的图片指纹时，会将图片统一进行归一化处理，例如，归一化为n*n的像素矩阵，其中，像素矩阵中每个点都存储着图片的信息。其中，n的选取可以基于设备1的处理能力来决定，例如，当设备1处理能力强时，n可以取值较大。
继续在该实施例中，在所述步骤S102中，随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵。其中，所述一级降维相当于对所述像素矩阵进行第一次降维，以便于数据的快速处理。在此，所述权重矩阵包括但不限于2*2或者3*3或者4*4或者2*3等等矩阵类型，在本申请中不做限定。其中，权重矩阵中的元素值包括0和1，具体的0和1在矩阵中的位置和比例是随机的。
优选地，其中，所述步骤S102包括：将每个权重矩阵与像素矩阵的对应位相乘再相加得到输出值；将其中最大的输出值确定为一级输出矩阵。
在该实施例中，随机生成的多个权重矩阵分别会与像素矩阵进行运算，从而得到输出值，不同的权重矩阵与像素矩阵进行运算后会得到不同的输出值，在此，选取其中最大的输出值作为一级输出矩阵。
具体地，对于每个权重矩阵，可以将权重矩阵置入所述像素矩阵的左上角，这样权重矩阵可以与像素矩阵中重叠部分所确定的矩阵进行矩阵运算，并获得的计算结果放入新的矩阵的对应位置，然后在水平方向上将权重矩阵在所述像素矩阵中右移一行，然后继续与重叠的矩阵进行运算，获得的计算结果放入新的矩阵，在竖直方向上将权重矩阵在所述像素矩阵中下移一行，同样，获得的计算结果放入新的矩阵，通过这种方式，直至将所述像素矩阵整个遍历完，从而获得一级输出矩阵。
继续在该实施例中，在所述步骤S103中，将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵。其中，所述二级输出矩阵，是对所述一级输出矩阵进行又一次的降维确定的。
优选地，其中，所述步骤S103包括：将所述一级输出矩阵基于两行两列的矩阵重新划分单元块，其中，单元块之间没有重叠；计算单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。
在该实施例中，在获得一级输出矩阵后，会对该一级输出矩阵进行二次降维处理，具体地，可以将所述一级输出矩阵按照2*2的矩阵块为单位，将所述一级输出矩阵划分成2*2的单元块，且各单元块之间无重叠，进而计算出单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。其中，2*2的矩阵块中的元素值可以包括0和1，具体的0和1在矩阵中的位置和比例是随机的。
继续在该实施例中，在所述步骤S104中，将所述二级输出矩阵替换所述步骤102中的像素矩阵，重复步骤S102到步骤S103达到预设次数，获得输出矩阵。
具体地，通过随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述二级输出矩阵进行一级降维确定一级输出矩阵，进而对所述一级降维进行二次降维，确定二级输出矩阵，通过这种方式，重复预设次数之后，得到最终的输出矩阵，在此，所述预设次数可以基于经验值设定。
继续在该实施例中，在所述步骤S105中，确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列的矩阵。其中，权重系数及偏置值通过语料训练获得，基于权重系数及偏置值对输出矩阵中的每个点进行加权求和，将获得的一维N列的矩阵作为目标图片的图片指纹，例如，N为512。
继续在该实施例中，在所述步骤S14中，基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值。在此，候选相似图片已预先确定出了图片指纹，可以基于图片索引确定候选相似图片的图片指纹，通过将目标图片的图片指纹与候选相似图片的图片指纹进行相似度值的计算，例如，将两个图片指纹进行乘积并求和确定相似度值，其中，所述目标图片的图片指纹为N*1维矩阵，所述候选相似图片的图片指纹为1*N维矩阵，进一步地，在所述步骤S15中，将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片。
优选地，其中，确定所述目标图片的图片指纹包括：
调整VGG16模型，其中，所述调整VGG16模型包括去掉VGG16模型的softmax层和后三层的全连接层，并将VGG16模型前13个卷积层的结果进行全局最大值池化；
利用调整后的VGG16模型计算所述目标图片的输出向量；
将所述输出向量取范数，确定对应值；
将所述对应值除以所述输出向量，将结果确定为所述目标图片的图片指纹。
继续在该实施例中，在所述步骤S16中，将所述相似图片提供给用户设备，从而用户可以看到通过用户设备呈现的相似图片。在此，所述相似图片包括一个或多个。
优选地，其中，所述方法还包括：S17(未示出)当所述目标图片的相似图片有多个，对所述相似图片基于相似度值进行排序；
其中，所述步骤S16包括：
将排序后的所述相似图片中相似度值排名靠前的、预设数目的相似图片提供给用户设备。
在该实施例中，确定的相似图片有多个时，可以预先设置呈现数目，例如，只将相似度排名靠前的几个相似图片提供给用户，从而减少用户的信息接收量，增加用户体验。
与现有技术相比，本申请通过获取待确定相似图片的目标图片后，确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹，然后当存在候选相似图片，确定所述目标图片的图片指纹，并基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值，然后将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片，并提供给用户设备。通过这种方式，能够提高相似图片检索的准确性以及提高检索速度，用户体验会更好。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
本申请实施例还提供了一种用于相似图片检索的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：获取待确定相似图片的目标图片；确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；当存在候选相似图片，确定所述目标图片的图片指纹；基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算得到所述目标图片与所述候选图片的相似度值；将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；将所述相似图片提供给用户设备。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。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，本发明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涵括在本发明内。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。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (7)
1.一种用于相似图片检索的方法，其中，该方法包括：
获取待确定相似图片的目标图片；
确定所述目标图片的图片标签，并基于所述目标图片的图片标签在图片索引中确定是否存在候选相似图片，其中，所述图片索引中包含图片库中每张图片的图片标签及图片指纹；
当存在候选相似图片，确定所述目标图片的图片指纹，其中，确定所述目标图片的图片指纹包括：
步骤a，将所述目标图片进行归一化处理，确定归一化后的像素矩阵，其中，所述像素矩阵中每个点都存储着图片的信息；
步骤b，随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵；
步骤c，将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵，其中，所述两行两列的矩阵中的元素值包括0和1，且具体的0和1在矩阵中的位置和比例是随机的；
步骤d，将所述二级输出矩阵替换所述步骤b中的像素矩阵，重复步骤b到步骤c达到预设次数，获得输出矩阵；
步骤e，确定权重系数及偏置值，并对所述输出矩阵中的每个点进行加权求和，获得一维N列矩阵；
步骤f，将所述一维N列矩阵确定为所述目标图片的图片指纹；
基于所述目标图片的图片指纹与所述候选相似图片的图片指纹计算所述目标图片与所述候选相似图片的相似度值；
将相似度值大于预设相似度阈值的图片确定为所述目标图片的相似图片；
将所述相似图片提供给用户设备；
其中，所述确定所述目标图片的标签包括：
获取基于ImageNet数据集训练好的VGG16模型；
对所述VGG16模型进行重构并重新训练；
基于重构及重新训练后的VGG16模型，确定目标图片的标签；
其中，所述对所述VGG16模型进行重构包括：
利用模型的pop()将末尾四层删除以及添加四个Dense层。
2.根据权利要求1所述的方法，其中，所述方法还包括：当所述目标图片的相似图片有多个，对所述相似图片基于相似度值进行排序；
其中，所述将所述相似图片提供给用户设备包括：
将排序后的所述相似图片中相似度值排名靠前的、预设数目的相似图片提供给用户设备。
3.根据权利要求1所述的方法，其中，所述随机生成计算权重的多个权重矩阵，基于所述多个权重矩阵对所述像素矩阵进行一级降维确定一级输出矩阵包括：
将每个权重矩阵与像素矩阵的对应位相乘再相加得到输出值；
将其中最大的输出值确定为一级输出矩阵。
4.根据权利要求1所述的方法，其中，所述将所述一级输出矩阵与两行两列的矩阵进行二次降维，确定二级输出矩阵包括：
将所述一级输出矩阵基于两行两列的矩阵重新划分单元块，其中，单元块之间没有重叠；
计算单元块的均值，并将这些均值组成一个新的输出矩阵确定为二级输出矩阵。
5.根据权利要求1所述的方法，其中，所述图片索引基于图片唯一编号、图片标签以及图片指纹三个维度建立。
6.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至5中任一项所述的方法。
7.一种用于相似图片检索的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至5中任一项所述方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477944.0A CN110209863B (zh) | 2019-06-03 | 2019-06-03 | 用于相似图片检索的方法与设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477944.0A CN110209863B (zh) | 2019-06-03 | 2019-06-03 | 用于相似图片检索的方法与设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110209863A CN110209863A (zh) | 2019-09-06 |
| CN110209863B true CN110209863B (zh) | 2021-01-01 |
Family
ID=67790392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910477944.0A Active CN110209863B (zh) | 2019-06-03 | 2019-06-03 | 用于相似图片检索的方法与设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110209863B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036902A (zh) * | 2020-07-14 | 2020-12-04 | 深圳大学 | 基于深度学习的产品鉴伪方法、装置、服务器及存储介质 |
| CN112184729B (zh) * | 2020-09-24 | 2024-04-19 | 天津蜜度文修智能科技有限公司 | 局部图像的表征获取方法、***、介质及装置 |
| CN112579812B (zh) * | 2020-12-18 | 2023-06-20 | 中国平安财产保险股份有限公司 | 检索图片的方法、装置和计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045818A (zh) * | 2015-06-26 | 2015-11-11 | 腾讯科技（深圳）有限公司 | 一种图片的推荐方法、装置和*** |
| CN105095964A (zh) * | 2015-08-17 | 2015-11-25 | 杭州朗和科技有限公司 | 一种数据处理方法和装置 |
| CN108846047A (zh) * | 2018-05-30 | 2018-11-20 | 百卓网络科技有限公司 | 一种基于卷积特征的图片检索方法及*** |
| CN109086437A (zh) * | 2018-08-15 | 2018-12-25 | 重庆大学 | 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法 |
| CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
-
2019
- 2019-06-03 CN CN201910477944.0A patent/CN110209863B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045818A (zh) * | 2015-06-26 | 2015-11-11 | 腾讯科技（深圳）有限公司 | 一种图片的推荐方法、装置和*** |
| CN105095964A (zh) * | 2015-08-17 | 2015-11-25 | 杭州朗和科技有限公司 | 一种数据处理方法和装置 |
| CN108846047A (zh) * | 2018-05-30 | 2018-11-20 | 百卓网络科技有限公司 | 一种基于卷积特征的图片检索方法及*** |
| CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
| CN109086437A (zh) * | 2018-08-15 | 2018-12-25 | 重庆大学 | 一种融合Faster-RCNN和Wasserstein自编码器的图像检索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110209863A (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4545641B2 (ja) | 類似画像検索方法，類似画像検索システム，類似画像検索プログラム及び記録媒体 | |
| US20180260414A1 (en) | Query expansion learning with recurrent networks | |
| US8849030B2 (en) | Image retrieval using spatial bag-of-features | |
| CN110209863B (zh) | 用于相似图片检索的方法与设备 | |
| WO2013129580A1 (ja) | 近似最近傍探索装置、近似最近傍探索方法およびそのプログラム | |
| CN111950728B (zh) | 图像特征提取模型的构建方法、图像检索方法及存储介质 | |
| CN109829065B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
| US20150294194A1 (en) | Method of classifying a multimodal object | |
| CN112070550A (zh) | 基于搜索平台的关键词确定方法、装置、设备及存储介质 | |
| CN111985616B (zh) | 一种图像特征提取方法、图像检索方法、装置及设备 | |
| CN111062385A (zh) | 一种用于图像文本信息检测的网络模型构建方法与*** | |
| CN113849679A (zh) | 图像检索方法、装置、电子设备及存储介质 | |
| Dhulavvagol et al. | An adaptive and dynamic dimensionality reduction method for efficient retrieval of videos | |
| Aly et al. | Scaling object recognition: Benchmark of current state of the art techniques | |
| CN112507912B (zh) | 一种识别违规图片的方法及装置 | |
| Westphal et al. | Representative image selection for data efficient word spotting | |
| CN111984812B (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
| CN110826488B (zh) | 一种针对电子文档的图像识别方法、装置及存储设备 | |
| JP4343038B2 (ja) | 部分画像検索システム及び方法並びにプログラム | |
| CN113157788B (zh) | 大数据挖掘方法及*** | |
| Podder et al. | Ihird: A data set for indian heritage image retrieval | |
| CN117058401B (zh) | 复杂环境感知的高精度点云分类自适应下采样方法及装置 | |
| CN117076387B (zh) | 基于磁带的海量小文件的快速归档恢复*** | |
| US20240062051A1 (en) | Hierarchical data labeling for machine learning using semi-supervised multi-level labeling framework | |
| CN117788842B (zh) | 图像检索方法及相关装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method and device for similar image retrieval Effective date of registration: 20220824 Granted publication date: 20210101 Pledgee: China Minsheng Banking Corp Shanghai branch Pledgor: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2022310000198 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230901 Granted publication date: 20210101 Pledgee: China Minsheng Banking Corp Shanghai branch Pledgor: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2022310000198 |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 301ab, No.10, Lane 198, zhangheng Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai 201204 Patentee after: Shanghai Mido Technology Co.,Ltd. Address before: 201800 room j71, 8 / F, 1112 Hanggui Road, Anting Town, Jiading District, Shanghai Patentee before: SHANGHAI MDATA INFORMATION TECHNOLOGY Co.,Ltd. |