CN110633733B - 图像智能匹配方法、装置及计算机可读存储介质 - Google Patents
图像智能匹配方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110633733B CN110633733B CN201910762047.4A CN201910762047A CN110633733B CN 110633733 B CN110633733 B CN 110633733B CN 201910762047 A CN201910762047 A CN 201910762047A CN 110633733 B CN110633733 B CN 110633733B
- Authority
- CN
- China
- Prior art keywords
- original image
- scale
- image
- feature set
- image set
- 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 44
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002238 attenuated effect Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种图像智能匹配方法,包括:接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集;对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集;将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果。本发明还提出一种图像智能匹配装置以及一种计算机可读存储介质。本发明可以实现快速精准的图像匹配。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于智能计算图像相似度从而得到图像匹配结果的方法、装置及计算机可读存储介质。
背景技术
图像匹配是基于获取到的图像集,通过匹配算法找出所述图像集之间纹理、特征、结构等相似性和一致性,进而找出相似的图像。图像匹配是图像领域中的热点问题,高精度的图像匹配能够更好的处理图像拼接、目标跟踪与识别等后续工作。目前图像匹配算法可分为3大类:基于灰度的图像匹配方法、基于变换域的图像匹配方法和基于特征的图像匹配方法。其中基于特征的匹配方法抗噪性较好,对图像中物体的旋转和遮挡方面具有更好的鲁棒性。但基于特征的匹配方法匹配图像时在查找图片时费时费力,且匹配精度有待进一步提高。
发明内容
本发明提供一种图像智能匹配方法、装置及计算机可读存储介质,其主要目的在于当用户输入图片集时,给用户呈现出快速精准的图片匹配结果。
为实现上述目的,本发明提供的一种图像智能匹配方法,包括:
接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集;
对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集;
将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果。
可选地,所述对比度增强的方法为:
Db=f(Da)=a*Da+b
其中,Da代表输入图像灰度值,Db代表输出图像灰度值,a为线性斜率,b为截距,若a大于或等于1,此时所述Db相比所述Da的对比度产生了增强效果,若a小于1,此时所述Db相比所述Da的对比度产生了削弱效果;
所述降噪处理的方法为:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,f(x,y)是进行所述降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始图像集,为所述原始图像集的噪声总方差,为所述(x,y)的像素灰度均值,/>为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
可选地,所述对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,包括:
根据所述预处理图像集I(x,y)建立空间函数,所述空间函数L(x,y,σ)为:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,σ表示尺度参数,G(x,y,σ)所述预处理图像集I(x,y)的高斯函数;
根据所述空间函数建立高斯差分函数,并基于所述高斯差分函数求解各极值点,其中,所述各极值点组成的集合称为尺度不变特征集,所述高斯差分函数D(x,y,σ)为:
D(x,y,σ)=[G(x,y,nσ)-G(x,y,σ)]*I(x,y)=L(x,y,nσ)-L(x,y,σ)
其中,n为所述(x,y)领域的像素数目,nσ为尺度层,G(x,y,nσ)表示与所述G(x,y,σ)在相同尺度层的高斯函数,L(x,y,nσ)表示与所述L(x,y,σ)在相同尺度层的空间函数。
可选地,所述聚类操作包括随机化类别中心位置和最优化类别中心位置;
其中,所述随机化类别中心位置包括确定类别中心个数和随机生成所述类别中心的坐标位置;
所述最优化类别中心位置dist(xi,xj)为:
其中,xi,xj为所述尺度不变特征集的数据,dist(xi,xj)为所述尺度不变特征集数据之间的位置距离,D为所述类别中心个数,xi,d,xj,d表示在每个类别中心下的尺度不变特征集的数据。
可选地,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果,包括:
所述Hadoop大数据处理库中的MapReduce分布式编程模型将所述优化特征集划分成若干个小特征集,将所述若干个小特征集分发到所述Hadoop大数据处理库中的集群内的每个子任务中;
所述每个子任务根据所接收的小特征集,找到对应的原始图像完成所述键值对关系的建立;
根据散列算法,将所述优化特征集内各特征的数据长度变换成固定长度的散列集合,并遍历所述散列集合得到遍历相似度,根据所述遍历相似度并结合所述键值对关系输出所述原始图像集的匹配结果。
此外,为实现上述目的,本发明还提供一种图像智能匹配装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的图像智能匹配程序,所述图像智能匹配程序被所述处理器执行时实现如下步骤:
接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集;
对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集;
将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果。
可选地,所述对比度增强的方法为:
Db=f(Da)=a*Da+b
其中,Da代表输入图像灰度值,Db代表输出图像灰度值,a为线性斜率,b为截距,若a大于或等于1,此时所述Db相比所述Da的对比度产生了增强效果,若a小于1,此时所述Db相比所述Da的对比度产生了削弱效果;
所述降噪处理的方法为:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,f(x,y)是进行所述降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始图像集,为所述原始图像集的噪声总方差,为所述(x,y)的像素灰度均值,/>为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
可选地,所述对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,包括:
根据所述预处理图像集I(x,y)建立空间函数,所述空间函数L(x,y,σ)为:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,σ表示尺度参数,G(x,y,σ)所述预处理图像集I(x,y)的高斯函数;
根据所述空间函数建立高斯差分函数,并基于所述高斯差分函数求解各极值点,其中,所述各极值点组成的集合称为尺度不变特征集,所述高斯差分函数D(x,y,σ)为:
D(x,y,σ)=[G(x,y,nσ)-G(x,y,σ)]*I(x,y)=L(x,y,nσ)-L(x,y,σ)
其中,n为所述(x,y)领域的像素数目,nσ为尺度层,G(x,y,nσ)表示与所述G(x,y,σ)在相同尺度层的高斯函数,L(x,y,nσ)表示与所述L(x,y,σ)在相同尺度层的空间函数。
可选地,所述聚类操作包括随机化类别中心位置和最优化类别中心位置;
其中,所述随机化类别中心位置包括确定类别中心个数和随机生成所述类别中心的坐标位置;
所述最优化类别中心位置dist(xi,xj)为:
其中,xi,xj为所述尺度不变特征集的数据,dist(xi,xj)为所述尺度不变特征集数据之间的位置距离,D为所述类别中心个数,xi,d,xj,d表示在每个类别中心下的尺度不变特征集的数据。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有图像智能匹配程序,所述图像智能匹配程序可被一个或者多个处理器执行,以实现如上所述的图像智能匹配方法的步骤。
本发明提出的图像智能匹配方法、装置及计算机可读存储介质,因为建立键值对关系从而可直接进行访问原始图片集,且在Hadoop大数据处理库中,其遍历特征的速度更快,可充分利用到定位性能进行数据定位;正常进行图像二值化会损失原图像中许多有用的信息,而局部动态阈值二值化操作相较于所述图像二值化操作,会保留较多有用信息,提高图像匹配的准确率;所述聚类操作可保持伸缩性和高效性,并可收敛于局部最小值,进而实现对数据的高效聚类,进一步提高匹配精度。因此本发明可为用户实现快速精准的图像匹配。
附图说明
图1为本发明一实施例提供的图像智能匹配方法的流程示意图;
图2为本发明一实施例提供的图像智能匹配装置的内部结构示意图;
图3为本发明一实施例提供的图像智能匹配装置中图像智能匹配程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种图像智能匹配方法。参照图1所示,为本发明一实施例提供的图像智能匹配方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,图像智能匹配方法包括:
S1、接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集。
在本发明较佳实施例中,所述原始图像集包括不同类别的图片,如动物图像、人脸图像、风景图片等,本发明最终目的是从所述原始图像集中寻找到匹配度最高的图片集,如一只金毛犬在所述原始图像集中出现有3张,则输出结果中包括匹配度最高的3张金毛犬图片。
本发明较佳实施例中,所述对比度增强的方法为:
Db=f(Da)=a*Da+b
其中,Da代表输入图像灰度值,Db代表输出图像灰度值,a为线性斜率,b为截距。若a大于或等于1,此时所述Db相比所述Da的对比度产生了增强效果,若a小于1,此时所述Db相比所述Da的对比度产生了削弱效果。
本发明较佳实施例中,所述降噪处理为:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,f(x,y)是进行所述降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始图像集,为所述原始图像集的噪声总方差,为所述(x,y)的像素灰度均值,/>为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
本发明较佳实施例中,所述局部阈值二值化是判断所述原始图像集中领域像素的像素差是否大于预设二值化阈值,若大于预设二值化阈值,则将所述领域像素值变为0或者1。例如,原始图像集中有一张图片有两个像素A、B是领域关系,且所述A、B之间的像素差值大于所述预设二值化阈值,则将所述像素A、B的像素值都改变为0或1,完成所述局部阈值二值化处理。
S2、对所述预处理图像集执行尺度不变特征转化得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集。
本发明较佳实施例根据所述预处理图像集I(x,y)建立空间函数L(x,y,σ):
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,(x,y)表示图像像素点坐标,σ表示尺度参数,G(x,y,σ)所述预处理图像集I(x,y)的高斯函数。
优选地,本发明较佳实施例所述预处理图像集I(x,y)的高斯函数为:
进一步地,本发明较佳实施例根据所述空间函数建立高斯差分函数,并基于所述高斯差分函数求解各极值点,其中,所述各极值点组成的集合称为尺度不变特征集。所述高斯差分函数D(x,y,σ)为:
D(x,y,σ)=[G(x,y,nσ)-G(x,y,σ)]*I(x,y)=L(x,y,nσ)-L(x,y,σ)
其中,n为所述(x,y)领域的像素数目,nσ为尺度层,G(x,y,nσ)表示与所述G(x,y,σ)在相同尺度层的高斯函数,L(x,y,nσ)表示与所述L(x,y,σ)在相同尺度层的空间函数。
进一步地,本发明较佳实施例对所述尺度不变特征集执行聚类操作,得到优化特征集。
本发明较佳实施例中,所述聚类包括随机化类别中心位置和最优化类别中心位置。所述随机化类别中心位置包括确定类别中心个数和随机生成所述类别中心的坐标位置,所述类别中心个数为所述基础数据集的种类和场景数据集的种类的总和;
所述最优化类别中心位置为:
其中,xi,xj为所述尺度不变特征集的数据,dist(xi,xj)为所述尺度不变特征集数据之间的位置距离,D为所述类别中心个数,xi,d,xj,d表示在每个类别中心下的尺度不变特征集的数据。
本发明较佳实施例根据所述最优化类别中心位置采用误差平方和准则得到所述优化特征集J。所述误差平方和准则为:
其中,K为所述尺度不变特征集的数量,Ck为所述类别中心内包括的尺度不变特征数量。
S3、将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,所述Hadoop大数据处理库对所述优化特征集和所述原始图像集建立键值对关系,基于哈希查找法遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果输出对原始图像的匹配结果。
本发明较佳实施例通过所述Hadoop大数据处理库中的MapReduce分布式编程模型和集群对所述优化特征集和所述原始图像集建立键值对关系,所述键值对关系的表现形式为<key,value>,其中key为所述原始图像集内的各个图像,value为所述原始图像集内的各个图像所对应的优化特征。
所述MapReduce分布式编程模型将所述优化特征集划分成若干个小特征集,然后将所述若干个小特征集分发到所述集群内的每个子任务中,所述每个子任务根据所接收的小特征集找到对应的原始图像完成所述键值对关系的建立。由于使用所述Hadoop大数据处理库,即使所述原始图像集的数据量庞大,所述键值对关系的建立速度也不会受太大影响。
由于所述优化特征集内各特征的数据长度不同,难以进行匹配比较,所以需将所述优化特征集内各特征的数据长度统一为固定长度。本发明较佳实施例根据散列算法将所述优化特征集内各特征的数据长度变换成固定长度的散列集合,并遍历所述散列集合得到遍历相似度,根据所述遍历相似度输出匹配结果。
较佳地,所述散列算法采用信息-摘要算法(好像不太通顺)(Message-DigestAlgorithm 5),所述信息-摘要算法将所述优化特征集转为原始的十六进制型数据集,然后通过填充数据,达到所述固定长度的散列集合。所述填充方式为:
原始的十六进制型数据集+填充(1~512位)=散列集合
本发明较佳实施例所述散列集合的数据形式如:
1、e695606fc5e31b2ff9038a48a3d363f4c21a3d86;
2、f58da9a820e3fd9d84ab2ca2f1b467ac265038f93;
3、a0c641e92b10d8bcca1ed1bf84ca80340fdefee6。
本发明较佳实施例根据位置关系遍历所述散列集合内的散列数据,如上述散列数据1和散列数据3的最右边数值都为6,则所述遍历得分加一,以此类推完成所有散列数据的遍历后,按照遍历得分从大到小排序得到得分集合,提取所述得分集合大于预设得分阈值得到最终的遍历结果集,所述遍历结果集中的每个遍历结果都对应每个散列数据,而每个散列数据都由所述优化特征集内各特征变换成固定长度而得来的,所述优化特征集内各特征与所述原始图像集在所述Hadoop大数据处理库中建立了键值对关系,因此根据所述键值对关系和所述遍历结果,可得到原始图像的匹配结果并输出。如得分集合A中有3个数值分别为34、38、39,而预设得分阈值A为33,则遍历结果集A提取所述得分集合A中所述的3个数值,而所述3个数值都对应优化特征集A中的相应的特征,所述优化特征集A内各特征与原始图像集A在所述Hadoop大数据处理库中建立了键值对关系,因此可从所述原始图像集A中提取出三幅原始图像,完成智能匹配。
发明还提供一种图像智能匹配装置。参照图2所示,为本发明一实施例提供的图像智能匹配装置的内部结构示意图。
在本实施例中,所述图像智能匹配装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该图像智能匹配装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是图像智能匹配装置1的内部存储单元,例如该图像智能匹配装置1的硬盘。存储器11在另一些实施例中也可以是图像智能匹配装置1的外部存储设备,例如图像智能匹配装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括图像智能匹配装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于图像智能匹配装置1的应用软件及各类数据,例如图像智能匹配程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行图像智能匹配程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-EmittingDiode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在图像智能匹配装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及图像智能匹配程序01的图像智能匹配装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对图像智能匹配装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有图像智能匹配程序01;处理器12执行存储器11中存储的图像智能匹配程序01时实现如下步骤:
步骤一、接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集。
在本发明较佳实施例中,所述原始图像集包括不同类别的图片,如动物图像、人脸图像、风景图片等,本发明最终目的是从所述原始图像集中寻找到匹配度最高的图片集,如一只金毛犬在所述原始图像集中出现有3张,则输出结果中包括匹配度最高的3张金毛犬图片。
本发明较佳实施例中,所述对比度增强的方法为:
Db=f(Da)=a*Da+b
其中,Da代表输入图像灰度值,Db代表输出图像灰度值,a为线性斜率,b为截距。若a大于或等于1,此时所述Db相比所述Da的对比度产生了增强效果,若a小于1,此时所述Db相比所述Da的对比度产生了削弱效果。
本发明较佳实施例中,所述降噪处理为:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,f(x,y)是进行所述降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始图像集,为所述原始图像集的噪声总方差,为所述(x,y)的像素灰度均值,/>为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
本发明较佳实施例中,所述局部阈值二值化是判断所述原始图像集中领域像素的像素差是否大于预设二值化阈值,若大于预设二值化阈值,则将所述领域像素值变为0或者1。例如,原始图像集中有一张图片有两个像素A、B是领域关系,且所述A、B之间的像素差值大于所述预设二值化阈值,则将所述像素A、B的像素值都改变为0或1,完成所述局部阈值二值化处理。
步骤二、对所述预处理图像集执行尺度不变特征转化得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集。
本发明较佳实施例根据所述预处理图像集I(x,y)建立空间函数L(x,y,σ):
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,(x,y)表示图像像素点坐标,σ表示尺度参数,G(x,y,σ)所述预处理图像集I(x,y)的高斯函数。
优选地,本发明较佳实施例所述预处理图像集I(x,y)的高斯函数为:
进一步地,本发明较佳实施例根据所述空间函数建立高斯差分函数,并基于所述高斯差分函数求解各极值点,其中,所述各极值点组成的集合称为尺度不变特征集。所述高斯差分函数D(x,y,σ)为:
D(x,y,σ)=[G(x,y,nσ)-G(x,y,σ)]*I(x,y)=L(x,y,nσ)-L(x,y,σ)
其中,n为所述(x,y)领域的像素数目,nσ为尺度层,G(x,y,nσ)表示与所述G(x,y,σ)在相同尺度层的高斯函数,L(x,y,nσ)表示与所述L(x,y,σ)在相同尺度层的空间函数。
进一步地,本发明较佳实施例对所述尺度不变特征集执行聚类操作,得到优化特征集。
本发明较佳实施例中,所述聚类包括随机化类别中心位置和最优化类别中心位置。所述随机化类别中心位置包括确定类别中心个数和随机生成所述类别中心的坐标位置,所述类别中心个数为所述基础数据集的种类和场景数据集的种类的总和;
所述最优化类别中心位置为:
其中,xi,xj为所述尺度不变特征集的数据,dist(xi,xj)为所述尺度不变特征集数据之间的位置距离,D为所述类别中心个数,xi,d,xj,d表示在每个类别中心下的尺度不变特征集的数据。
本发明较佳实施例根据所述最优化类别中心位置采用误差平方和准则得到所述优化特征集J。所述误差平方和准则为:
其中,K为所述尺度不变特征集的数量,Ck为所述类别中心内包括的尺度不变特征数量。
步骤三、将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,所述Hadoop大数据处理库对所述优化特征集和所述原始图像集建立键值对关系,基于哈希查找法遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果输出对原始图像的匹配结果。
本发明较佳实施例通过所述Hadoop大数据处理库中的MapReduce分布式编程模型和集群对所述优化特征集和所述原始图像集建立键值对关系,所述键值对关系的表现形式为<key,value>,其中key为所述原始图像集内的各个图像,value为所述原始图像集内的各个图像所对应的优化特征。
所述MapReduce分布式编程模型将所述优化特征集划分成若干个小特征集,然后将所述若干个小特征集分发到所述集群内的每个子任务中,所述每个子任务根据所接收的小特征集找到对应的原始图像完成所述键值对关系的建立。由于使用所述Hadoop大数据处理库,即使所述原始图像集的数据量庞大,所述键值对关系的建立速度也不会受太大影响。
由于所述优化特征集内各特征的数据长度不同,难以进行匹配比较,所以需将所述优化特征集内各特征的数据长度统一为固定长度。本发明较佳实施例根据散列算法将所述优化特征集内各特征的数据长度变换成固定长度的散列集合,并遍历所述散列集合得到遍历相似度,根据所述遍历相似度输出匹配结果。
较佳地,所述散列算法采用信息-摘要算法(好像不太通顺)(Message-DigestAlgorithm 5),所述信息-摘要算法将所述优化特征集转为原始的十六进制型数据集,然后通过填充数据,达到所述固定长度的散列集合。所述填充方式为:
原始的十六进制型数据集+填充(1~512位)=散列集合
本发明较佳实施例所述散列集合的数据形式如:
1、e695606fc5e31b2ff9038a48a3d363f4c21a3d86;
2、f58da9a820e3fd9d84ab2ca2f1b467ac265038f93;
3、a0c641e92b10d8bcca1ed1bf84ca80340fdefee6。
本发明较佳实施例根据位置关系遍历所述散列集合内的散列数据,如上述散列数据1和散列数据3的最右边数值都为6,则所述遍历得分加一,以此类推完成所有散列数据的遍历后,按照遍历得分从大到小排序得到得分集合,提取所述得分集合大于预设得分阈值得到最终的遍历结果集,所述遍历结果集中的每个遍历结果都对应每个散列数据,而每个散列数据都由所述优化特征集内各特征变换成固定长度而得来的,所述优化特征集内各特征与所述原始图像集在所述Hadoop大数据处理库中建立了键值对关系,因此根据所述键值对关系和所述遍历结果,可得到原始图像的匹配结果并输出。如得分集合A中有3个数值分别为34、38、39,而预设得分阈值A为33,则遍历结果集A提取所述得分集合A中所述的3个数值,而所述3个数值都对应优化特征集A中的相应的特征,所述优化特征集A内各特征与原始图像集A在所述Hadoop大数据处理库中建立了键值对关系,因此可从所述原始图像集A中提取出三幅原始图像,完成智能匹配。
可选地,在其他实施例中,图像智能匹配程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述图像智能匹配程序在图像智能匹配装置中的执行过程。
例如,参照图3所示,为本发明图像智能匹配装置一实施例中的图像智能匹配程序的程序模块示意图,该实施例中,所述图像智能匹配程序可以被分割为数据接收模块10、特征提取模块20、匹配结果输出模块30,示例性地:
所述数据接收模块10用于:对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集。
所述特征提取模块20用于:数据整合层根据所述编号,从所述数据库中提取所述企业数据,通过因子分析模型从所述企业数据中提取资产特征。
所述匹配结果输出模块30用于:将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果。
上述数据接收模块10、特征提取模块20、匹配结果输出模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有图像智能匹配程序,所述图像智能匹配程序可被一个或多个处理器执行,以实现如下操作:
接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集;
对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集;
将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果。
本发明计算机可读存储介质具体实施方式与上述图像智能匹配装置和方法各实施例基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种图像智能匹配方法,其特征在于,所述方法包括:
接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集;
对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集;
将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果,包括:所述Hadoop大数据处理库中的MapReduce分布式编程模型将所述优化特征集划分成若干个小特征集,将所述若干个小特征集分发到所述Hadoop大数据处理库中的集群内的每个子任务中,所述每个子任务根据所接收的小特征集,找到对应的原始图像完成所述键值对关系的建立,根据散列算法,将所述优化特征集内各特征的数据长度变换成固定长度的散列集合,并遍历所述散列集合得到遍历相似度,根据所述遍历相似度并结合所述键值对关系输出所述原始图像集的匹配结果,其中,所述原始图像集内的各个图像为所述键值对关系的key,所述原始图像集内的各个图像所对应的优化特征为所述键值对关系的value。
2.如权利要求1所述的图像智能匹配方法,其特征在于,所述对比度增强的方法为:
Db=f(Da)=a*Da+b
其中,Da代表输入图像灰度值,Db代表输出图像灰度值,a为线性斜率,b为截距,若a大于或等于1,此时所述Db相比所述Da的对比度产生了增强效果,若a小于1,此时所述Db相比所述Da的对比度产生了削弱效果;
所述降噪处理的方法为:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,f(x,y)是进行所述降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始图像集,为所述原始图像集的噪声总方差,/>为所述(x,y)的像素灰度均值,/>为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
3.如权利要求1或2所述的图像智能匹配方法,其特征在于,所述对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,包括:
根据所述预处理图像集I(x,y)建立空间函数,所述空间函数L(x,y,σ)为:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,σ表示尺度参数,G(x,y,σ)所述预处理图像集I(x,y)的高斯函数;
根据所述空间函数建立高斯差分函数,并基于所述高斯差分函数求解各极值点,其中,所述各极值点组成的集合称为尺度不变特征集,所述高斯差分函数D(x,y,σ)为:
D(x,y,σ)=[G(x,y,nσ)-G(x,y,σ)]*I(x,y)
=L(x,y,nσ)-L(x,y,σ)
其中,n为所述(x,y)领域的像素数目,nσ为尺度层,G(x,y,nσ)表示与所述G(x,y,σ)在相同尺度层的高斯函数,L(x,y,nσ)表示与所述L(x,y,σ)在相同尺度层的空间函数。
4.如权利要求3所述的图像智能匹配方法,其特征在于,所述聚类操作包括随机化类别中心位置和最优化类别中心位置;
其中,所述随机化类别中心位置包括确定类别中心个数和随机生成所述类别中心的坐标位置;
所述最优化类别中心位置dist(xi,xj)为:
其中,xi,xj为所述尺度不变特征集的数据,dist(xi,xj)为所述尺度不变特征集数据之间的位置距离,D为所述类别中心个数,xi,d,xj,d表示在每个类别中心下的尺度不变特征集的数据。
5.一种图像智能匹配装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的图像智能匹配程序,所述图像智能匹配程序被所述处理器执行时实现如下步骤:
接收原始图像集,对所述原始图像集进行包括对比度增强、降噪、局部阈值二值化的预处理操作得到预处理图像集;
对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,对所述尺度不变特征集执行聚类操作,得到优化特征集;
将所述优化特征集和所述原始图像集输入至Hadoop大数据处理库中,对所述优化特征集和所述原始图像集建立键值对关系,并遍历所述优化特征集得到遍历结果,根据所述键值对关系和所述遍历结果,输出对原始图像的匹配结果,包括:所述Hadoop大数据处理库中的MapReduce分布式编程模型将所述优化特征集划分成若干个小特征集,将所述若干个小特征集分发到所述Hadoop大数据处理库中的集群内的每个子任务中,所述每个子任务根据所接收的小特征集,找到对应的原始图像完成所述键值对关系的建立,根据散列算法,将所述优化特征集内各特征的数据长度变换成固定长度的散列集合,并遍历所述散列集合得到遍历相似度,根据所述遍历相似度并结合所述键值对关系输出所述原始图像集的匹配结果,其中,所述原始图像集内的各个图像为所述键值对关系的key,所述原始图像集内的各个图像所对应的优化特征为所述键值对关系的value。
6.如权利要求5所述的图像智能匹配装置,其特征在于,所述对比度增强的方法为:
Db=f(Da)=a*Da+b
其中,Da代表输入图像灰度值,Db代表输出图像灰度值,a为线性斜率,b为截距,若a大于或等于1,此时所述Db相比所述Da的对比度产生了增强效果,若a小于1,此时所述Db相比所述Da的对比度产生了削弱效果;
所述降噪处理的方法为:
g(x,y)=η(x,y)+f(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,f(x,y)是进行所述降噪处理后的输出数据,η(x,y)为噪声,g(x,y)为所述原始图像集,为所述原始图像集的噪声总方差,/>为所述(x,y)的像素灰度均值,/>为所述(x,y)的像素灰度方差,L表示当前像素点坐标。
7.如权利要求5或6所述的图像智能匹配装置,其特征在于,所述对所述预处理图像集执行尺度不变特征转化,得到尺度不变特征集,包括:
根据所述预处理图像集I(x,y)建立空间函数,所述空间函数L(x,y,σ)为:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中,(x,y)表示所述原始图像集内像素点坐标,σ表示尺度参数,G(x,y,σ)所述预处理图像集I(x,y)的高斯函数;
根据所述空间函数建立高斯差分函数,并基于所述高斯差分函数求解各极值点,其中,所述各极值点组成的集合称为尺度不变特征集,所述高斯差分函数D(x,y,σ)为:
D(x,y,σ)=[G(x,y,nσ)-G(x,y,σ)]*I(x,y)
=L(x,y,nσ)-L(x,y,σ)
其中,n为所述(x,y)领域的像素数目,nσ为尺度层,G(x,y,nσ)表示与所述G(x,y,σ)在相同尺度层的高斯函数,L(x,y,nσ)表示与所述L(x,y,σ)在相同尺度层的空间函数。
8.如权利要求7所述的图像智能匹配装置,其特征在于,所述聚类操作包括随机化类别中心位置和最优化类别中心位置;
其中,所述随机化类别中心位置包括确定类别中心个数和随机生成所述类别中心的坐标位置;
所述最优化类别中心位置dist(xi,xj)为:
其中,xi,xj为所述尺度不变特征集的数据,dist(xi,xj)为所述尺度不变特征集数据之间的位置距离,D为所述类别中心个数,xi,d,xj,d表示在每个类别中心下的尺度不变特征集的数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有图像智能匹配程序,所述图像智能匹配程序可被一个或者多个处理器执行,以实现如权利要求1至4中任一项所述的图像智能匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762047.4A CN110633733B (zh) | 2019-08-14 | 2019-08-14 | 图像智能匹配方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762047.4A CN110633733B (zh) | 2019-08-14 | 2019-08-14 | 图像智能匹配方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110633733A CN110633733A (zh) | 2019-12-31 |
CN110633733B true CN110633733B (zh) | 2024-05-03 |
Family
ID=68970506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910762047.4A Active CN110633733B (zh) | 2019-08-14 | 2019-08-14 | 图像智能匹配方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633733B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860661B (zh) * | 2020-07-24 | 2024-04-30 | 中国平安财产保险股份有限公司 | 基于用户行为的数据分析方法、装置、电子设备及介质 |
CN112416890B (zh) * | 2020-11-24 | 2022-10-25 | 杭州电子科技大学 | 昆虫机器人海量图像数据并行处理平台 |
CN114338957B (zh) * | 2022-03-14 | 2022-07-29 | 杭州雄迈集成电路技术股份有限公司 | 一种视频降噪方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1347414A1 (en) * | 2002-02-22 | 2003-09-24 | Agfa-Gevaert | Method for enhancing the contrast of an image. |
CN102194133A (zh) * | 2011-07-05 | 2011-09-21 | 北京航空航天大学 | 基于数据聚类的适应性图像sift特征匹配方法 |
CN102496033A (zh) * | 2011-12-05 | 2012-06-13 | 西安电子科技大学 | 基于mr计算框架的图像sift特征匹配方法 |
CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技(深圳)有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
CN109711284A (zh) * | 2018-12-11 | 2019-05-03 | 江苏博墨教育科技有限公司 | 一种考试答题卡***智能识别分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154056A1 (en) * | 2014-06-24 | 2017-06-01 | Beijing Qihoo Technology Company Limited | Matching image searching method, image searching method and devices |
-
2019
- 2019-08-14 CN CN201910762047.4A patent/CN110633733B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1347414A1 (en) * | 2002-02-22 | 2003-09-24 | Agfa-Gevaert | Method for enhancing the contrast of an image. |
CN102194133A (zh) * | 2011-07-05 | 2011-09-21 | 北京航空航天大学 | 基于数据聚类的适应性图像sift特征匹配方法 |
CN102496033A (zh) * | 2011-12-05 | 2012-06-13 | 西安电子科技大学 | 基于mr计算框架的图像sift特征匹配方法 |
CN109101867A (zh) * | 2018-06-11 | 2018-12-28 | 平安科技(深圳)有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
CN109711284A (zh) * | 2018-12-11 | 2019-05-03 | 江苏博墨教育科技有限公司 | 一种考试答题卡***智能识别分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110633733A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6774137B2 (ja) | Id写真の真正性を検証するためのシステムおよび方法 | |
Leng et al. | Person re-identification with content and context re-ranking | |
TWI528196B (zh) | Similar image recognition method and apparatus | |
CN110633733B (zh) | 图像智能匹配方法、装置及计算机可读存储介质 | |
Farinella et al. | Representing scenes for real-time context classification on mobile devices | |
CN110738203B (zh) | 字段结构化输出方法、装置及计算机可读存储介质 | |
US8737737B1 (en) | Representing image patches for matching | |
WO2022111069A1 (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
US11714921B2 (en) | Image processing method with ash code on local feature vectors, image processing device and storage medium | |
WO2021237570A1 (zh) | 影像审核方法及装置、设备、存储介质 | |
CN110008997B (zh) | 图像纹理相似度识别方法、装置及计算机可读存储介质 | |
JP2011508323A (ja) | 不変の視覚場面及び物体の認識 | |
JP2015504215A (ja) | 画像を比較するための方法およびシステム | |
CN111831844A (zh) | 图像检索方法、图像检索装置、图像检索设备及介质 | |
CN115630236A (zh) | 无源遥感影像的全球快速检索定位方法、存储介质及设备 | |
CN106156794B (zh) | 基于文字风格识别的文字识别方法及装置 | |
JP5430636B2 (ja) | データ取得装置、方法及びプログラム | |
CN110705547B (zh) | 图像内文字识别方法、装置及计算机可读存储介质 | |
CN111177450B (zh) | 一种图像检索云识别方法、***及计算机可读存储介质 | |
Kang et al. | Combining random forest with multi-block local binary pattern feature selection for multiclass head pose estimation | |
Ramos-Arredondo et al. | PhotoId-Whale: Blue whale dorsal fin classification for mobile devices | |
Liu et al. | Video copy detection by conducting fast searching of inverted files | |
CN110738175A (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 | |
Yang et al. | Mobile image search with multimodal context-aware queries | |
CN111695441B (zh) | 图像文档处理方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |