CN111767421A - 用于检索图像方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了用于检索图像的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对目标图像进行特征提取和量化，得到特征二值化向量；确定上述特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，该稀疏矩阵是基于注册图像集合生成的；从该相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；获取与该第一数目个相似度值对应的第一数目个注册图像作为检索结果。上述过程基于图像特征的特征向量和矩阵注册图像集合对应的稀疏矩阵，以及在注册图像集合中选择并获取预定条件的注册图像作为检索结果。有效的解决了存在旋转、尺度变化、亮度变化和感兴趣区域变化的复杂场景内容检索问题。

Description

用于检索图像方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于检索图像方法、装置、电子设备和计算机可读介质。

背景技术

当前，以图搜图的图像检索算法可以帮助用户快速查到自己感兴趣的内容。然而，现有的图像检索算法在处理存在旋转、亮度变化、检索感兴趣区域占比较小等场景时存在一定困难。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于检索图像的方法、装置、电子设备和计算机可读介质，来解决以上背景技术中提到的技术问题中的部分或全部。

第一方面，本公开的一些实施例提供了一种用于检索图像的方法，该方法包括：对目标图像进行特征提取和量化，得到特征二值化向量；确定上述特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，该稀疏矩阵是基于注册图像集合生成的；从上述相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；获取与该第一数目个相似度值对应的第一数目个注册图像作为检索结果。

第二方面，本公开的一些实施例提供了一种用于检索图像的装置，该装置包括：特征提取单元，被配置成对待检索图像进行特征提取，得到特征二值化向量；确定单元，被配置成确定上述特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，该稀疏矩阵是基于注册图像集合生成的；选择单元，被配置成从该相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；获取单元，被配置成获该第一数目个相似度值对应的第一数目个注册图像作为检索结果。

第三方面，本公开的一些实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对目标图像进行特征提取和量化，得到特征二值化向量。之后，确定上述特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量。通过上述步骤可以确定上述目标图像的主要特征对应的特征向量和预设稀疏矩阵之间的相似度向量，为进一步在注册图像集合中匹配符合条件的图像做基础。再从上述相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值。最后，获取与上述第一数目个相似度值对应的第一数目个注册图像作为检索结果。上述过程基于图像特征的特征向量和矩阵注册图像集合对应的稀疏矩阵，以及在注册图像集合中选择并获取预定条件的注册图像作为检索结果。避免了卷积神经网络特征提取存在的受限问题。有效的解决了存在旋转、尺度变化、亮度变化和感兴趣区域变化的复杂场景内容检索问题。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的一些实施例用于检索图像的方法的一个应用场景的示意图；

图2是根据本公开的用于检索图像的方法的一些实施例的流程图；

图3是根据本公开的用于检索图像的方法的另一些实施例的流程图；

图4是根据本公开的用于检索图像的装置的一些实施例的装置示意图；

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的用于检索图像的方法的一个应用场景的示意图100。

在图1的应用场景中，首先，计算设备101可以接收需要检索的目标图像102。其中，目标图像可以是bmp,jpg,png,tif,gif等任意格式的图像。然后，计算设备101可以对目标图像102进行特征提取和量化。在上述过程中，可以使用SIFT算法得到特征二值化向量103。再将特征二值化向量103与预设稀疏矩阵104点积操作，生成相似度向量105。其中，上述预设稀疏矩阵可以是通过注册图像集合，对注册图像集合中的每个注册图像提取关键点集合和描述子集合而生成的。相似度向量105包括多个相似度值。之后，可以从上述相似度向量105 包括的相似度值中，选择符合预定条件的第一数目个相似度值。上述预定条件例如相似度值大于预设阈值。然后，获取与上述第一数目个相似度值对应的第一数目个注册图像生成检索结果106。在这里，上述第一数目个注册图像是注册图像集合中的图像。最后，可选地，可以基于几何位置的校验，对检索结果106进行单映性变换和约束，以得到更准确的排序结果107。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备101为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的用于检索图像的方法的一些实施例的流程200。该检索图像方法，包括以下步骤：

步骤201，对目标图像进行特征提取和量化，得到特征二值化向量。

在一些实施例中，图像检索方法的执行主体(例如图1所示的计算设备101)可以通过SIFT算法对目标图像进行特征提取，得到图像特征。上述目标图像可以是用户输入的待检索图像。接下来，量化可以是将上述提取的图像特征映射为有限个离散值的操作。

可选地，在对目标图像使用传统SIFT特征提取后，得到SIFT特征。在预设压缩词典中，可以选择KDtree(k-dimensional tree，kd树) 查询离SIFT特征最近的聚类中心进行量化得到特征二值化向量。例如，某个特征距离第3个聚类中心最近，那么可以对5000维长的全0 向量进行初始化，在第3个位置置1。

步骤202，基于上述特征二值化向量和预设的稀疏矩阵，进行点积操作，得到相似度向量。

在一些实施例中，可以基于步骤201得到的特征二值化向量和预设的稀疏矩阵，进行点积操作。其中，上述预设的稀疏矩阵可以是通过各种方式、基于特征提取方法对注册图像集合进行特征提取来生成的。上述稀疏矩阵的维度是可以预先设定的。在这里，在上述稀疏矩阵中，数值为0的元素数目通常远多于非0元素的数目，并且非0元素分布没有规律。上述点积操作也叫数量积，是线性代数中一种计算方法。通过点积操作得到的向量可以作为相似度向量。

在一些实施例的一些可选的实现方式中，上述稀疏矩阵可以通过如下步骤来生成：

第一步，对上述注册图像集合中的每个注册图像提取，得到关键点集合和描述子集合。

上述执行主体对注册图像集合中的每个注册图像进行特征提取，得到关键点集合和描述子集合。其中，上述关键点可以是对于图像而言能够代表图像主要信息或主要特征的位置的二维坐标点。关键点可以是基于已有算法自动确定的，还可以是手动标注出的。上述描述子又叫特征描述子，可以表示特征点的局部表观，以用来下一步做匹配。以参考二维坐标轴的人脸图像为例，该图像中鼻子代表人脸的主要特征。则鼻孔在坐标中的相应的坐标点可能是关键点，而描述子就是关键点附近的局部表观。

第二步，对每个注册图像的描述子集合在预设的压缩词典上进行量化，得到与上述注册图像对应的稀疏二值向量。

在这里，上述稀疏二值向量的维数是第二数目维。上述执行主体可以通过网络爬取或者网络搜集获得图像集合。之后，对图像集合中的每个图像进行特征提取，得到图像特征集合。可以通过k-means (k-means，k均值)聚类算法对上述图像特征集合进行聚类，得到第二数目个聚类中心。可以通过PCA(Principal Component Analysis，主成分分析)对上述第二数目个聚类中心进行降维压缩，得到压缩词典。然后，对每个注册图像的描述子集合在预设的压缩词典上进行量化，得到与上述注册图像对应的稀疏二值向量。例如，某个特征距离第3 个聚类中心最近，那么可以对5000维长的全0向量进行初始化，在第 3个位置置1。

第三步，统计每个注册图像的描述子集合中各个描述子的频数分布，确定各个注册图像的tf-idf(Term Frequency–Inverse Document Frequency，词频逆文本频率指数)向量。

在一些实施例中的可选的实现方式中，上述方法的执行主体通过各种方式来确定各个注册图像的tf-idf向量，上述各个描述子的频数分布可以是每个描述子出现的概率。

第四步，将上述tf-idf向量重新组合，得到稀疏矩阵。

在一些实施例的一些可选的实现方式中，上述执行主体可以统计压缩字典中各个聚类中心出现的频率。然后采用逆文本频率idf原理给每一个聚类中心确定一个检索权重。检索权重是对于每一个聚类中心的检索过程中的重要性给出的权重系数。这个是通过图像集合中聚类中心出现的次数决定的。一般在图像集合中，聚类中心出现次数越多，权重系数就会越低，反之越高。

在一些实施例的一些可选的实现方式中，上述聚类中心具有检索权重，上述检索权重是根据上述聚类中心的出现频率确定的。实践中，可以通过统计的方式来确定上述聚类中心的出现频率，进而将该概率表示为检索权重。在一定程度上体现了上述聚类中心的重要程度。

可选地，对各个描述子通过KDtree在预设词典中查询最近聚类中心，可以得到量化的二值向量。其中，KDtree是一种分割k维数据空间的数据结构，主要应用于多维空间关键数据的搜索。KDtree是二进制空间分割树的特殊的情况。

步骤203，从相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值。

在一些实施例中，上述执行主体可以基于步骤202得到的相似度向量，选择符合预定条件的第一数目个相似度值。其中，上述预定条件可以是相似度值大于预设阈值。实践中，在计算相似度的过程中可能会出现多个相似度值，取数值最大的前k个相似度值。

步骤204，获取与该第一数目个相似度值对应的第一数目个注册图像作为检索结果。

在一些实施例中，上述执行主体选择符合预定条件的第一数目个相似度值后，获取与第一数目个相似度值对应的第一数目个的注册图像，作为检测结果。

本公开的上述各个实施例中的一个实施例具有如下有益效果通过对目标图像进行特征提取和量化，得到特征二值化向量。之后，确定上述特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，得到相似度向量。通过上述步骤可以确定上述目标图像的主要特征对应的特征向量和预设稀疏矩阵之间的相似度向量，为进一步在注册图像集合中匹配符合条件的图像做基础。再从上述相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值。最后，获取与上述第一数目个相似度值对应的第一数目个注册图像作为检索结果。上述过程基于图像特征的特征向量和矩阵注册图像集合对应的稀疏矩阵，以及在注册图像集合中选择并获取预定条件的注册图像作为检索结果。避免了卷积神经网络特征提取存在的受限问题。有效的解决了存在旋转、尺度变化、亮度变化和感兴趣区域变化的复杂场景内容检索问题。

进一步参考图3，其示出了图像检索方法的另一些实施例的流程 300。该图像检索方法的流程300，包括以下步骤：

步骤301，对目标图像进行特征提取和量化，得到特征二值化向量。

步骤302，基于上述特征二值化向量和预设的稀疏矩阵，进行点积操作，得到相似度向量。

步骤303，从相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值。

步骤304，获取与该第一数目个相似度值对应的第一数目个注册图像作为检索结果。

在一些实施例中，步骤301-304的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-204，在此不再赘述。

步骤305，基于几何位置的校验，对所述第一数目个注册图像进行约束，得到约束结果；对所述约束结果进行相似度排序，生成检索结果序列。

在一些实施例中，上述执行主体基于步骤301-304，可以得到相似度最高的前k个注册图像。之后，对上述前k个注册图像进行单映性变换，得到注册图像序列。其中，单映性变化可以是指特征点的几何位置关系对匹配的图像对进行约束的操作。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3 对应的一些实施例中的用于检索图像方法的流程300体现了对第一数目个注册图像作为检索结果进行约束和相似度排序的步骤。由此，这些实施例描述的方案可以得到置信度更高的相似度序列。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于检索图像的装置的一些实施例，该装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的用于检索图像的装置400包括：特征提取单元401、确定单元402、选择单元403和获取单元404。其中，特征提取单元401被配置成对待检索图像进行特征提取，得到上述特征二值化向量；确定单元402被配置成确定上述特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，上述稀疏矩阵是基于注册图像集合生成的；选择单元403被配置成从上述相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；获取单元404被配置成获取与上述第一数目个相似度值对应的第一数目个注册图像作为检索结果。

在一些实施例的可选实现方式中，用于检索图像的装置还包括约束和相似度排序单元(未示出)，被配置成对上述第一数目个注册图像进行约束和相似度排序，生成注册图像序列。

在一些实施例的可选实现方式中，上述稀疏矩阵是通过如下步骤生成的：对上述注册图像集合中的每个注册图像提取关键点集合和描述子集合；基于预设的压缩词典，每个注册图像的描述子集合，生成与上述注册图像对应的稀疏二值向量，其中，上述稀疏二值向量的维数是第二数目维；通过每个注册图像的描述子集合中各个描述子的频数分布，生成上述注册图像的频率向量；基于上述频率向量，生成上述稀疏矩阵。

在一些实施例的可选的实现方式中，上述频率向量为词频逆文本频率指数tf-idf向量。

在一些实施例的可选实现方式中，上述压缩词典是通过如下步骤生成的：对随机获取的图像集合中的每个图像进行特征提取，生成图像特征集合；对所得到的图像特征集合进行聚类，得到第二数目个聚类中心；利用压缩方法对上述第二数目个聚类中心进行处理，得到压缩词典。

在一些实施例的可选的实现方式中，上述聚类中心具有检索权重，上述检索权重是根据上述聚类中心的出现频率确定的。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)500的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线 504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置 506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP (HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述计算设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对目标图像进行特征提取和量化，得到特征二值化向量；确定该特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，该稀疏矩阵是基于注册图像集合生成的；从该相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；获取与该第一数目个相似度值对应的第一数目个注册图像作为检索结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括特征提取单元、确定单元、选择单元和获取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，特征提取单元还可以被描述为“对目标图像进行特征提取和量化的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD) 等等。

根据本公开的一个或多个实施例，提供了一种用于检索图像的方法，包括：对目标图像进行特征提取和量化，得到特征二值化向量；确定该特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，该稀疏矩阵是基于注册图像集合生成的；从该相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；获取与该第一数目个相似度值对应的第一数目个注册图像作为检索结果。

根据本公开的一个或多个实施例，基于几何位置的校验，对上述第一数目个注册图像进行约束，得到约束结果；对上述约束结果进行相似度排序，生成检索结果序列。

根据本公开的一个或多个实施例，对注册图像集合中的每个注册图像提取关键点集合和描述子集合；基于预设的压缩词典，每个注册图像的描述子集合，生成与该注册图像对应的稀疏二值向量，其中，上述稀疏二值向量的维数是第二数目维；通过每个注册图像的描述子集合中各个描述子的频数分布，生成上述注册图像的频率向量；基于上述频率向量，生成上述稀疏矩阵。

根据本公开的一个或多个实施例，上述频率向量为词频逆文本频率指数tf-idf向量。

根据本公开的一个或多个实施例，对随机获取的图像集合中的每个图像进行特征提取，生成图像特征集合；对所得到的图像特征集合进行聚类，得到第二数目个聚类中心；利用压缩方法对上述第二数目个聚类中心进行处理，得到压缩词典。

根据本公开的一个或多个实施例，可以统计压缩字典中所有聚类中心出现的频率然后采用idf原理给每一个聚类中心确定一个检索权重tf-idf向量。

根据本公开的一个或多个实施例，提供了一种用于检索图像的装置，包括：特征提取单元，被配置成对待检索图像进行特征提取，得到特征二值化向量；确定单元，被配置成确定该特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，该稀疏矩阵是基于注册图像集合生成的；选择单元，被配置成从该相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；获取单元，被配置成获该第一数目个相似度值对应的第一数目个注册图像作为检索结果。

根据本公开的一个或多个实施例，用于检索图像的装置还包括约束和相似度排序单元(未示出)，被配置成对上述第一数目个注册图像进行约束和相似度排序，生成注册图像序列。

根据本公开的一个或多个实施例，上述稀疏矩阵是通过如下步骤生成的：对上述注册图像集合中的每个注册图像提取关键点集合和描述子集合；基于预设的压缩词典，每个注册图像的描述子集合，生成与上述注册图像对应的稀疏二值向量，其中，上述稀疏二值向量的维数是第二数目维；通过每个注册图像的描述子集合中各个描述子的频数分布，生成上述注册图像的频率向量；基于上述频率向量，生成上述稀疏矩阵。

根据本公开的一个或多个实施例，上述频率向量为词频逆文本频率指数tf-idf向量。

根据本公开的一个或多个实施例，上述压缩词典是通过如下步骤生成的：对随机获取的图像集合中的每个图像进行特征提取，生成图像特征集合；对所得到的图像特征集合进行聚类，得到第二数目个聚类中心；利用压缩方法对上述第二数目个聚类中心进行处理，得到压缩词典。

根据本公开的一个或多个实施例，上述聚类中心具有检索权重，上述检索权重是根据上述聚类中心的出现频率确定的。

根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现任一上述的方法。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，上述程序被处理器执行时实现任一上述的方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种用于检索图像的方法，包括：

对目标图像进行特征提取和量化，得到特征二值化向量；

确定所述特征二值化向量和预设的稀疏矩阵的相似度，得到相似度向量，其中，所述稀疏矩阵是基于注册图像集合生成的；

从所述相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；

获取与所述第一数目个相似度值对应的第一数目个注册图像作为检索结果。

2.根据权利要求1所述的方法，其中，所述方法还包括：

基于几何位置的校验，对所述第一数目个注册图像进行约束，得到约束结果；

对所述约束结果进行相似度排序，生成检索结果序列。

3.根据权利要求1所述的方法，其中，所述稀疏矩阵是通过如下步骤生成的：

对所述注册图像集合中的每个注册图像提取关键点集合和描述子集合；

基于预设的压缩词典，每个注册图像的描述子集合，生成与所述注册图像对应的稀疏二值向量，其中，所述稀疏二值向量的维数是第二数目维；

通过每个注册图像的描述子集合中各个描述子的频数分布，生成所述注册图像的频率向量；

基于所述频率向量，生成所述稀疏矩阵。

4.根据权利要求3所述的方法，所述频率向量为词频逆文本频率指数tf-idf向量。

5.根据权利要求3所述的方法，其中，所述压缩词典是通过如下步骤生成的：

对获取的图像集合中的每个图像进行特征提取，生成图像特征集合；

对所得到的图像特征集合进行聚类，得到第二数目个聚类中心；

利用压缩方法对所述第二数目个聚类中心进行处理，得到压缩词典。

6.根据权利要求4所述的方法，其中，所述聚类中心具有检索权重，所述检索权重是根据所述聚类中心的出现频率确定的。

7.一种用于检索图像的装置，包括：

特征提取单元，被配置成对待检索图像进行特征提取，得到所述特征二值化向量；

确定单元，被配置成确定所述特征二值化向量和预设稀疏矩阵的相似度，得到相似度向量，其中，所述稀疏矩阵是基于注册图像集合生成的；

选择单元，被配置成从所述相似度向量包括的相似度值中，选择符合预定条件的第一数目个相似度值；

获取单元，被配置成获取与所述第一数目个相似度值对应的第一数目个注册图像作为检索结果。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images