CN112598074B - 图像处理方法及装置、计算机可读存储介质和电子设备 - Google Patents
图像处理方法及装置、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN112598074B CN112598074B CN202011583553.6A CN202011583553A CN112598074B CN 112598074 B CN112598074 B CN 112598074B CN 202011583553 A CN202011583553 A CN 202011583553A CN 112598074 B CN112598074 B CN 112598074B
- Authority
- CN
- China
- Prior art keywords
- vector
- image
- target image
- pixel statistical
- sub
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 302
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像处理方法、图像处理装置、计算机可读存储介质和电子设备,涉及图像处理技术领域。该图像处理方法包括:将目标图像分割为多个图像块;计算各图像块的像素统计参数,利用各图像块的像素统计参数构建与目标图像对应的特征向量;将特征向量分割为多个特征子向量;将每一特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与目标图像相似的图像。本公开可以提高相似图像的检测效率。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种图像处理方法、图像处理装置、计算机可读存储介质和电子设备。
背景技术
随着终端技术及互联网技术的快速发展,图像作为呈现内容、传递信息的一种重要方式,在各个领域均得到了较好的应用。在图像数量井喷式增长的当前环境下,可能会出现相似甚至完全相同的图像。
目前,在判断图像是否相似时,往往通过对图像整体进行分析的策略,确定图像所包含的内容是否相同。这种方式信息处理量较大,检测效率低。
发明内容
本公开提供一种图像处理方法、图像处理装置、计算机可读存储介质和电子设备,进而至少在一定程度上克服相似图像检测效率低的问题。
根据本公开的第一方面,提供了一种图像处理方法,包括:将目标图像分割为多个图像块;计算各图像块的像素统计参数,利用各图像块的像素统计参数构建与目标图像对应的特征向量;将特征向量分割为多个特征子向量;将每一特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与目标图像相似的图像。
根据本公开的第二方面,提供了一种图像处理装置,包括:图像分割模块,用于将目标图像分割为多个图像块;特征向量构建模块,用于计算各图像块的像素统计参数,利用各图像块的像素统计参数构建与目标图像对应的特征向量;向量分割模块,用于将特征向量分割为多个特征子向量;比较模块,用于将每一特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与目标图像相似的图像。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的图像处理方法。
根据本公开的第四方面,提供了一种电子设备,包括处理器;存储器,用于存储一个或多个程序,当一个或多个程序被处理器执行时,使得所述处理器实现上述的图像处理方法。
在本公开的一些实施例所提供的技术方案中,计算目标图像各图像块的像素统计参数,利用各图像块的像素统计参数构建与目标图像对应的特征向量,再对特征向量进行分割,将每一特征子向量与对应子向量集合中各子向量进行相似度比较,并根据相似度比较的结果确定是否存在与目标图像相似的图像。本公开方案先通过图像块的处理方式得到目标图像对应的特征向量,再根据特征向量分割出的多个特征子向量分别进行相似度比较,由于采用了图像分块以及向量分割等处理手段,降低了计算复杂度,并可以实现并行处理,提高了相似图像的检测效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本公开实施例的图像处理方案的示例性***架构的示意图;
图2示出了适于用来实现本公开实施例的电子设备的结构示意图;
图3示意性示出了根据本公开示例性实施方式的图像处理方法的流程图;
图4示意性示出了根据本公开一个实施例的图像处理方案的整个过程的流程图;
图5示意性示出了根据本公开示例性实施方式的图像处理装置的方框图;
图6示意性示出了根据本公开另一示例性实施方式的图像处理装置的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。另外,下面所有的术语“第一”、“第二”、“第三”、“第四”仅是为了区分的目的,不应作为本公开内容的限制。
图1示出了本公开实施例的图像处理方案的示例性***架构的示意图。
如图1所示,***架构可以包括终端设备11和服务器12。终端设备11与服务器12可以通过网络连接,网络的连接类型可以例如包括有线、无线通信链路或者光纤电缆等。
应当理解,终端设备11和服务器12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终端设备和服务器。比如服务器12可以是多个服务器组成的服务器集群等。服务器12还可以被称为云端或云端服务器。
终端设备11可以通过网络与服务器12交互,以接收或发送消息等。虽然图1中以智能手机为例示出,然而,终端设备11还包括平板电脑、智能可穿戴设备、个人计算机等。其中,终端设备11还可以被称为终端、移动终端、移动端、智能终端等。
在由服务器12执行本公开示例性实施方式的图像处理过程的情况下,首先,终端设备11可以向服务器12发送图像,例如,终端设备11可以将通过自身摄像模组拍摄的图像发送给服务器12。如果该图像为灰度图像且该图像的尺寸满足要求,则将该图像直接确定为本公开的目标图像。如果该图像的尺寸不满足要求,也不是灰度图像,则服务器12可以先将该图像缩放为尺寸满足要求,再将缩放后的图像进行灰度转化,以得到目标图像。
接下来,服务器12可以将目标图像分割为多个图像块,针对每一个图像块,计算像素统计参数(例如,灰度平均值),再利用各图像块的像素统计参数构建与目标图像对应的特征向量,并将该特征向量分割为多个特征子向量。
随后,服务器12可以将每一个特征子向量与其对应的子向量集合中各子向量进行相似度比较。需要注意的是,每一个特征子向量均存在与其对应的子向量集合,每个子向量集合均由对图像库中的图像进行处理的结果而得到。其中,可以通过特征子向量在特征向量中的位置确定出对应的子向量集合。
然后,服务器12可以根据相似度比较的结果,从图像库中确定出是否存在与终端设备11发送的图像相似的图像。如果图像库不存在该相似的图像,服务器12可以将终端设备11发送的图像存入图像库。如果图像库中已经存在该相似的图像,则可以执行图像替换操作,或丢弃终端设备11发送的图像。
在由终端设备11执行本公开示例性实施方式的图像处理过程的情况下,首先,终端设备11可以获取目标图像,将目标图像分割为多个图像块。接下来,终端设备11可以计算各图像块的像素统计参数,利用各图像块的像素统计参数构建与目标图像对应的特征向量,并将特征向量分割为多个特征子向量。随后,终端设备11可以将每一特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与目标图像相似的图像。
例如,在终端设备11是否将通过其摄像模组拍摄的图像存入相册的实例中,终端设备11可以将拍摄的图像转换为目标图像,并执行上述过程。在检测出相册中存在与拍摄的图像相似的图像的情况下,可以将检测结果反馈给用户,由用户确认是否进行替换操作或均存入相册。在检测出相册中不存在与拍摄的图像相似的图像的情况下,可以直接将拍摄的图像存入相册。
图2示出了适于用来实现本公开示例性实施方式的电子设备的示意图。本公开示例性实施方式的终端设备可以被配置为如图2的形式。需要说明的是,图2示出的电子设备仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本公开的电子设备至少包括处理器和存储器,存储器用于存储一个或多个程序,当一个或多个程序被处理器执行时,使得处理器可以实现本公开示例性实施方式的图像处理方法。
具体的,如图2所示,电子设备200可以包括:处理器210、内部存储器221、外部存储器接口222、通用串行总线(Universal Serial Bus,USB)接口230、充电管理模块240、电源管理模块241、电池242、天线1、天线2、移动通信模块250、无线通信模块260、音频模块270、扬声器271、受话器272、麦克风273、耳机接口274、传感器模块280、显示屏290、摄像模组291、指示器292、马达293、按键294以及用户标识模块(Subscriber IdentificationModule,SIM)卡接口295等。其中传感器模块280可以包括深度传感器、压力传感器、陀螺仪传感器、气压传感器、磁传感器、加速度传感器、距离传感器、接近光传感器、指纹传感器、温度传感器、触摸传感器、环境光传感器及骨传导传感器等。
可以理解的是,本公开实施例示意的结构并不构成对电子设备200的具体限定。在本公开另一些实施例中,电子设备200可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或软件和硬件的组合实现。
处理器210可以包括一个或多个处理单元,例如:处理器210可以包括应用处理器(Application Processor,AP)、调制解调处理器、图形处理器(Graphics ProcessingUnit,GPU)、图像信号处理器(Image Signal Processor,ISP)、控制器、视频编解码器、数字信号处理器(Digital Signal Processor,DSP)、基带处理器和/或神经网络处理器(Neural-etwork Processing Unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。另外,处理器210中还可以设置存储器,用于存储指令和数据。
电子设备200可以通过ISP、摄像模组291、视频编解码器、GPU、显示屏290及应用处理器等实现拍摄功能。在一些实施例中,电子设备200可以包括1个或N个摄像模组291,N为大于1的正整数,若电子设备200包括N个摄像头,N个摄像头中有一个是主摄像头。另外,针对摄像模组291,其可以对应灰度相机或彩色相机。
内部存储器221可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。内部存储器221可以包括存储程序区和存储数据区。外部存储器接口222可以用于连接外部存储卡,例如Micro SD卡,实现扩展电子设备200的存储能力。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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。
计算机可读存储介质可以发送、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。计算机可读存储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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
计算机可读存储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一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。
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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本公开实施例中所涉及到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。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。
下面以服务器执行本公开方案为例进行说明,然而,如上所述,本公开示例性实施方式的图像处理方案也可以由终端设备实现。
图3示意性示出了本公开的示例性实施方式的图像处理方法的流程图。参考图3,本公开实施方式的图像处理方法可以包括以下步骤:
S32.将目标图像分割为多个图像块。
在本公开的示例性实施方式中,目标图像可以为灰度图像。例如,目标图像是由终端设备上配备的灰度相机拍摄而得到的图像。服务器可以接收终端设备发送的目标图像。另外,服务器还可以从其他设备或服务器上获取目标图像,本公开对目标图像的来源不做限制。
需要说明的是,目标图像为预定图像尺寸的灰度图像,该预定图像尺寸例如为m×m,本公开对正整数m的取值不做限制,例如,m可以为256、512或1024等。
在服务器接收到的灰度图像不满足预定图像尺寸的要求时,服务器可以对接收到的灰度图像进行缩放处理,以得到目标图像。
此外,如果服务器接收到的图像不是灰度图像,则将该图像记为原始图像,服务器可以对该原始图像进行处理,以得到目标图像。
首先,服务器获取原始图像,该原始图像不是灰度图像,具体的,该原始图像可以是终端设备通过其彩色相机拍摄得到的图像。另外,该原始图像也可以来源于其他服务器或设备,本公开对此不做限制。
接下来,如果原始图像不满足预定图像尺寸,则服务器可以将原始图像缩放为满足预定头像尺寸的中间图像。
随后,服务器可以对中间图像进行灰度转化,以得到目标图像。
具体的,如果将中间图像的像素点的像素值记为R(红色)、G(绿色)和B(蓝色),则可以通过下述公式得到该像素点的灰度值Gray:
Gray=R×0.3+G×0.59+B×0.11
对中间图像的所有像素点均执行上述公式转化操作,以得到目标图像。
可以理解的是,如果原始图像满足预定图像尺寸,则服务器可以直接采用上述公式对原始图像进行灰度转化,以得到目标图像。
此外,需要说明的是,在本公开另一些实施例中,目标图像还可以是彩色图像。在这种情况下,下述操作均以彩色图像的像素值进行计算处理,本公开对此不做限制。
在确定出目标图像后,服务器可以将目标图像分割为多个图像块,例如,可以将目标图像分割为r×r个大小为n×n的图像块,其中,r>n且m=r×n。类似地,本公开对正整数r和n的取值不做限制。另外,可以理解的是,分割出的图像块与图像块之间没有重叠的像素点。
S34.计算各图像块的像素统计参数,利用各图像块的像素统计参数构建与目标图像对应的特征向量。
在本公开的示例性实施方式中,像素统计参数是可以表征图像块内像素点统计特征的参数,例如可以是像素灰度值的平均值(可称为灰度平均值)。该平均值可以是图像块中每个像素点的灰度平均值,也可以是随机选取若干像素点的灰度平均值,本公开对此不做限制。另外,还可以例如利用图像块的灰度值的中数作为像素统计参数,本公开对像素统计参数的类型也不做限制。
在计算出每个图像块的像素统计参数后,可以利用每个图像块的像素统计参数,构建出与目标图像对应的特征向量。
首先,可以按图像块在目标图像中位置,对各图像块的像素统计参数进行排序,得到第一向量。
例如,进行图像块分割后的目标图像可以表示为:
针对每一个图像块p,大小为n×n,可以例如表示为:
以像素统计参数为灰度平均值为例,针对每一个图像块,均计算灰度平均值,得到:
在例如按从左到右、从上到下的顺序进行排序的情况下,得到第一向量b:
需要理解的是,本公开的排序方式不限于从左到右、从上到下,例如从右向左、从下到上,从左到右、从下到上,从右向左、从上到下,或者任意打乱的排序方式,均属于本公开的内容。
接下来,可以基于第一向量得到目标图像对应的特征向量。
在本公开的一些实施例中,服务器可以确定目标图像的像素统计参数,例如,可以确定出整个目标图像的灰度平均值。然后,可以将第一向量中每一位的像素统计参数与目标图像的像素统计参数进行比较,并根据比较结果生成第二向量,将第二向量确定为目标图像对应的特征向量。
例如,如果第一向量中一位的像素统计参数大于目标图像的像素统计参数,则记为1;如果第一向量中一位的像素统计参数不大于目标图像的像素统计参数,则记为0。或者,在大于目标图像的像素统计参数时,记为0;在不大于目标图像的像素统计参数时,记为1。
由此,可以形成每一位为“0”或“1”的第二向量。第二向量与第一向量的长度相同,可以表示为第二向量c:
可以直接将第二向量c作为步骤S34确定出的与目标图像对应的特征向量。
通过将图像块的像素统计参数与整个目标图像的像素统计参数进行比较,并根据比较结果确定特征向量,由此,减轻了明暗不均对相似判断结果的影响,也避免了一些噪声的干扰。
在本公开的另一些实施例中,服务器可以将第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较,其中,“其后一位”指代的是与其紧邻的后一位,例如,第1位的像素统计参数与第2位的像素统计参数进行比较,第2位的像素统计参数进行比较,等等。另外,第一向量中最后一位的像素统计参数与第一位的像素统计参数进行比较。然后,根据比较结果生成第三向量,将第三向量确定为与目标图像对应的特征向量。
例如,如果第一向量中一位的像素统计参数大于其后一位的像素统计参数,则记为1;如果第一向量中一位的像素统计参数不大于其后一位的像素统计参数,则记为0。或者,在大于其后一位的像素统计参数时,记为0;在不大于其后一位的像素统计参数时,记为1。
由此,可以行为每一位为“0”或“1”的第三向量。第三向量与第一向量的长度相同,可以表示为第三向量d:
可以直接将第三向量d作为步骤S34确定出的与目标图像对应的特征向量。
通过将图像块的像素统计参数与其后一位的像素统计参数进行比较,并根据比较结果确定特征向量,由此,避免了图像块的顺序对相似判断结果的影响,使算法过程更加鲁棒。
在本公开的又一些实施例中,服务器可以结合上述第二向量和第三向量,确定出与目标图像对应的特征向量。
具体的,一方面,可以确定目标图像的像素统计参数,将第一向量中每一位的像素统计参数与目标图像的像素统计参数进行比较,并根据比较结果生成第二向量。
另一方面,可以将第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较,根据比较结果生成第三向量。
然后,可以将第二向量与第三向量结合,得到第四向量,并将第四向量确定为目标图像对应的特征向量。
针对第二向量与第三向量结合生成第四向量的过程,根据一个实施例,可以将第二向量与第三向量中的元素交叉排列,以得到第四向量。以上述第二向量c和第三向量d为例,第四向量e可以表示为:
应当理解的是,除交叉排列外,第二向量与第三向量可以以任意的方式进行结合,本公开对此不做限制。
通过结合第二向量与第三向量,避免了明暗情况以及排序顺序的影响,进一步提高了相似图像的检测效果。
在本公开的示例性实施方式中,可以将确定出与目标图像对应的特征向量作为目标图像的标识(简称目标图像ID)。
S36.将特征向量分割为多个特征子向量。
在本公开的示例性实施方式中,可以将特征向量分成v块,每一块共u位,其中,2r2=u×v。本公开对v和u的具体取值不做限制。
例如,对于128位特征向量,可以将其分割为16块,每一块8位。
S38.将每一特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与目标图像相似的图像。
在将特征向量分割为多个特征子向量时,各特征子向量均对应有其在特征向量中的位置,根据位置确定出与每个特征子向量分别对应的子向量集合。
本公开的方案中还包括构建各子向量集合的过程。针对预先存储的每一图像,均可以执行上述步骤S32至步骤S36的过程,按特征子向量在特征向量的位置,预先构建各子向量集合。
例如,在存储有100张各不相似的图像的情况下,这100张图像均可以经由上述处理过程,分别得到100个特征向量,这些特征向量位数相同,例如,都是128位。针对每一个特征向量,均取前8位作为一组,得到100组前8位的结果,作为与前8位对应的子向量集合。接着,针对每一个特征向量,均取第9位至第16位,作为一组,共得到100组第9位至第16位的结果,作为与第9位至第16位对应的子向量集合,以此类推,执行16次此过程后,即可得到16个子向量集合。
在比对前8位对应的特征子向量的情况下,其对应的子向量集合即是上述与前8位对应的子向量集合。
在确定出特征子向量与对应子向量集合的情况下,可以采用相似度算法计算特征子向量与对应子向量集合中各子向量的相似度。例如,可以采用计算汉明距离的方式,计算出特征子向量与对应子向量集合中各子向量的相似度。可以设置相似度阈值,以确定对应子向量集合中是否存在相似的子向量。
根据本公开的一些实施例,可以将步骤S36中确定出的每一特征子向量与对应子向量结合中各子向量进行相似度比较,筛选出相似度大于相似度阈值的子向量,并将这些子向量进行组合,以确定出与目标图像相似的图像的特征向量。
在本公开的方案中,可以将图像的特征向量作为键,图像的存储路径作为键值存储于Redis缓存中。在确定出特征向量的情况下,可以通过键与键值的映射关系获取到相似的图像。
另外,如果基于相似度阈值确定出不存在与目标图像对应的相似图像,则可以直接将目标图像存入图像库。在目标图像是经由原始图像转化而来的情况下,则是可以将原始图像存入图像库。
根据本公开的另一些实施例,可以先将特征向量中第一个特征子向量与对应子向量进行相似度比较,确定出与第一个特征子向量对应的相似子向量集合。在比较第二个特征子向量时,可以仅与第二次比对的子向量集合中与该第一次确定出的相似子向量集合中对应的子向量,进行相似度比较。
例如,在针对第一个特征子向量的第一次相似度比较的过程中,如果确定出相似子向量集合包含a1、a3、a6,即a1、a3、a6这三个子向量与第一个特征子向量的相似度达到相似度阈值。在针对第二个特征子向量的第二次相似度比较的过程中,对应的子向量集合包括b1、b2、b3…bv。而基于第一次相似度比较的结果,又鉴于a1与b1包含于同一图像的特征向量、a3与b3包含于同一图像的特征向量、a6与b6包含于同一图像的特征向量,在第二次相似度比较时,参与比较的仅包括b1、b3、b6,由此,节约了计算资源。
综上,可以根据各特征子向量的相似度比较的结果,确定是否存在与特征向量对应的相似向量。在存储在相似向量的情况下,可以基于上述键与键值的存储关系,通过相似向量查找到与目标图像相似的图像。
根据本公开的一些实施例,可以获取与目标图像相似的图像,并反馈给终端设备,由终端设备展示出,以便用户确定是否执行图像替换操作,或不进行操作。
如果不存在与特征向量对应的相似向量,则直接存储目标图像。
应当说明的是,在目标图像由原始图像转化而来且需要存储目标图像的情况下,实际存储的是原始图像,或者可以同时存储原始图像和目标图像。
此外,除将特征向量进行分割,分块进行比对之外,本公开的另一些方案中,还可以直接采用特征向量进行相似度比较,本公开对此不做限制。
下面将参考图4,以终端设备为例,对本公开一个实施例的图像处理方案的整个过程进行说明。
在步骤S402中,终端设备可以获取由彩色相机拍摄的原始图像。在步骤S404中,终端设备将原始图像缩放至预定图像尺寸。在步骤S406中,将缩放后的图像转化为灰度图,并将灰度图分割为多个图像块。
在步骤S408中,终端设备计算各图像块的灰度平均值。
在步骤S410中,将各图像块的灰度平均值与整个灰度图的灰度平均值进行比较。在步骤S412中,根据步骤S410的比较结果生成图像ID1。
在步骤S414中,将图像块的灰度平均值与其后一个灰度平均值进行比较。在步骤S416中,根据步骤S414的比较结果生成图像ID2。
在步骤S418中,对图像ID1与图像ID2进行交叉排列,生成整个图像的ID。在步骤S420中,对整个图像的ID进行分块,分别与图像库中对应位的ID进行比较。
在步骤S422中,基于图像ID分块后的相似度比较结果,判断是否存在与原始图像重复的图像。如果存在,则执行步骤S424;如果不存在,则执行步骤S426。
在步骤S424中,终端设备上可以展示出与原始图像重复的图像,以供用户选择是否替换该重复的图像,或者放弃存储该原始图像。
在步骤S426中,终端设备可以直接将原始图像存入图像库。
然而,需要说明的是,上述步骤S402至步骤S426还可以由服务器执行。或者部分步骤可以由服务器执行。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中还提供了一种图像处理装置。
图5示意性示出了本公开的示例性实施方式的图像处理装置的方框图。参考图5,根据本公开的示例性实施方式的图像处理装置5可以包括图像分割模块51、特征向量构建模块53、向量分割模块55和比较模块57。
具体的,图像分割模块51可以用于将目标图像分割为多个图像块;特征向量构建模块53可以用于计算各图像块的像素统计参数,利用各图像块的像素统计参数构建与目标图像对应的特征向量;向量分割模块55可以用于将特征向量分割为多个特征子向量;比较模块57可以用于将每一特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与目标图像相似的图像。
根据本公开的示例性实施例,特征向量构建模块53可以被配置为执行:按各图像块在目标图像中的位置,对各图像块的像素统计参数进行排序,得到第一向量;基于第一向量得到与目标图像对应的特征向量。
根据本公开的示例性实施例,特征向量构建模块53基于第一向量得到与目标图像对应的特征向量的过程可以被配置为执行:确定目标图像的像素统计参数;将第一向量中每一位的像素统计参数与目标图像的像素统计参数进行比较;根据比较结果生成第二向量,将第二向量确定为与目标图像对应的特征向量。
根据本公开的示例性实施例,特征向量构建模块53基于第一向量得到与目标图像对应的特征向量的过程还可以被配置为执行:将第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较;根据比较结果生成第三向量,将第三向量确定为与目标图像对应的特征向量;其中,第一向量中最后一位的像素统计参数与第一位的像素统计参数进行比较。
根据本公开的示例性实施例,特征向量构建模块53基于第一向量得到与目标图像对应的特征向量的过程还可以被配置为执行:确定目标图像的像素统计参数,将第一向量中每一位的像素统计参数与目标图像的像素统计参数进行比较,并根据比较结果生成第二向量;将第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较,根据比较结果生成第三向量;其中,第一向量中最后一位的像素统计参数与第一位的像素统计参数进行比较;将第二向量与第三向量结合,得到第四向量,将第四向量确定为目标图像对应的特征向量。
根据本公开的示例性实施例,比较模块57可以被配置为执行:根据相似度比较的结果确定是否存在与特征向量对应的相似向量;如果存在相似向量,则通过相似向量查找到与目标图像相似的图像。
根据本公开的示例性实施例,比较模块57还可以被配置为执行:在查找到与目标图像相似的图像后,获取与目标图像相似的图像,并展示出,以便用户确定是否执行图像替换操作。
根据本公开的示例性实施例,比较模块57还可以被配置为执行:如果不存在与特征向量对应的相似向量,则存储目标图像。
根据本公开的示例性实施例,目标图像为灰度图像。在这种情况下,参考图6,相比于图像处理装置5,图像处理装置6还可以包括图像预处理模块61。
具体的,图像预处理模块61可以被配置为执行:获取原始图像;如果原始图像不满足预定图像尺寸,则将原始图像缩放为满足预定图像尺寸的中间图像;对中间图像进行灰度转化,得到目标图像。
由于本公开实施方式的图像处理装置的各个功能模块与上述方法实施方式中相同,因此在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (8)
1.一种图像处理方法,其特征在于,包括:
将目标图像分割为多个图像块;
计算各所述图像块的像素统计参数,按各所述图像块在所述目标图像中的位置,对各所述图像块的像素统计参数进行排序,得到第一向量,基于所述第一向量得到与所述目标图像对应的特征向量;其中,像素统计参数是表征所述图像块内像素点统计特征的参数;
将所述特征向量分割为多个特征子向量;
根据各所述特征子向量在所述特征向量中的位置确定出与每一个特征子向量分别对应的子向量集合,将每一所述特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与所述目标图像相似的图像;
其中,基于所述第一向量得到与所述目标图像对应的特征向量的处理过程包括以下任意一种:
基于所述第一向量得到与所述目标图像对应的特征向量,将所述第一向量中每一位的像素统计参数与所述目标图像的像素统计参数进行比较,根据比较结果生成第二向量,将所述第二向量确定为与所述目标图像对应的特征向量;
将所述第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较,根据比较结果生成第三向量,将所述第三向量确定为与所述目标图像对应的特征向量,所述第一向量中最后一位的像素统计参数与第一位的像素统计参数进行比较;
确定所述目标图像的像素统计参数,将所述第一向量中每一位的像素统计参数与所述目标图像的像素统计参数进行比较,并根据比较结果生成第二向量,将所述第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较,根据比较结果生成第三向量,所述第一向量中最后一位的像素统计参数与第一位的像素统计参数进行比较,将所述第二向量与所述第三向量结合,得到第四向量,将所述第四向量确定为所述目标图像对应的特征向量。
2.根据权利要求1所述的图像处理方法,其特征在于,根据相似度比较的结果确定是否存在与所述目标图像相似的图像,包括:
根据相似度比较的结果确定是否存在与所述特征向量对应的相似向量;
如果存在所述相似向量,则通过所述相似向量查找到与所述目标图像相似的图像。
3.根据权利要求2所述的图像处理方法,其特征在于,在查找到与所述目标图像相似的图像后,所述图像处理方法还包括:
获取与所述目标图像相似的图像,并展示出,以便用户确定是否执行图像替换操作。
4.根据权利要求2所述的图像处理方法,其特征在于,所述图像处理方法还包括:
如果不存在与所述特征向量对应的相似向量,则存储所述目标图像。
5.根据权利要求1至4中任一项所述的图像处理方法,其特征在于,所述目标图像为灰度图像;其中,所述图像处理方法还包括:
获取原始图像;
如果所述原始图像不满足预定图像尺寸,则将所述原始图像缩放为满足所述预定图像尺寸的中间图像;
对所述中间图像进行灰度转化,得到所述目标图像。
6.一种图像处理装置,其特征在于,包括:
图像分割模块,用于将目标图像分割为多个图像块;
特征向量构建模块,用于计算各所述图像块的像素统计参数,按各所述图像块在所述目标图像中的位置,对各所述图像块的像素统计参数进行排序,得到第一向量,基于所述第一向量得到与所述目标图像对应的特征向量;其中,像素统计参数是表征所述图像块内像素点统计特征的参数;
向量分割模块,用于将所述特征向量分割为多个特征子向量;
比较模块,用于根据各所述特征子向量在所述特征向量中的位置确定出与每一个特征子向量分别对应的子向量集合,将每一所述特征子向量与对应子向量集合中各子向量进行相似度比较,以便根据相似度比较的结果确定是否存在与所述目标图像相似的图像;
其中,所述特征向量构建模块基于所述第一向量得到与所述目标图像对应的特征向量的处理过程包括以下任意一种:
基于所述第一向量得到与所述目标图像对应的特征向量,将所述第一向量中每一位的像素统计参数与所述目标图像的像素统计参数进行比较,根据比较结果生成第二向量,将所述第二向量确定为与所述目标图像对应的特征向量;
将所述第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较,根据比较结果生成第三向量,将所述第三向量确定为与所述目标图像对应的特征向量,所述第一向量中最后一位的像素统计参数与第一位的像素统计参数进行比较;
确定所述目标图像的像素统计参数,将所述第一向量中每一位的像素统计参数与所述目标图像的像素统计参数进行比较,并根据比较结果生成第二向量,将所述第一向量中每一位的像素统计参数与其后一位的像素统计参数进行比较,根据比较结果生成第三向量,所述第一向量中最后一位的像素统计参数与第一位的像素统计参数进行比较,将所述第二向量与所述第三向量结合,得到第四向量,将所述第四向量确定为所述目标图像对应的特征向量。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至5中任一项所述的图像处理方法。
8.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述处理器执行时,使得所述处理器实现如权利要求1至5中任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583553.6A CN112598074B (zh) | 2020-12-28 | 2020-12-28 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583553.6A CN112598074B (zh) | 2020-12-28 | 2020-12-28 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598074A CN112598074A (zh) | 2021-04-02 |
CN112598074B true CN112598074B (zh) | 2024-06-04 |
Family
ID=75203986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011583553.6A Active CN112598074B (zh) | 2020-12-28 | 2020-12-28 | 图像处理方法及装置、计算机可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598074B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114153726B (zh) * | 2021-11-25 | 2024-05-17 | 麒麟软件有限公司 | 一种基于linux桌面操作***的登录测试方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
WO2020155627A1 (zh) * | 2019-01-31 | 2020-08-06 | 北京市商汤科技开发有限公司 | 人脸图像识别方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379627B2 (en) * | 2003-10-20 | 2008-05-27 | Microsoft Corporation | Integrated solution to digital image similarity searching |
-
2020
- 2020-12-28 CN CN202011583553.6A patent/CN112598074B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035299A (zh) * | 2018-06-11 | 2018-12-18 | 平安科技(深圳)有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
WO2020155627A1 (zh) * | 2019-01-31 | 2020-08-06 | 北京市商汤科技开发有限公司 | 人脸图像识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112598074A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501507B2 (en) | Motion compensation of geometry information | |
US20130279813A1 (en) | Adaptive interest rate control for visual search | |
CN111784614A (zh) | 图像去噪方法及装置、存储介质和电子设备 | |
JP2015173441A (ja) | 立体画像の視差マップ推定のための方法,装置及びコンピュータプログラム製品 | |
CN110070063B (zh) | 目标对象的动作识别方法、装置和电子设备 | |
CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
WO2021175040A1 (zh) | 视频处理方法及相关装置 | |
CN116188808B (zh) | 图像特征提取方法和***、存储介质及电子设备 | |
CN111967515A (zh) | 图像信息提取方法、训练方法及装置、介质和电子设备 | |
CN111191582A (zh) | 三维目标检测方法、检测装置、终端设备及计算机可读存储介质 | |
CN112950640A (zh) | 视频人像分割方法、装置、电子设备及存储介质 | |
CN112598074B (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN115222974A (zh) | 特征点匹配方法及装置、存储介质及电子设备 | |
CN113516739B (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN113205011A (zh) | 图像掩膜确定方法及装置、存储介质和电子设备 | |
CN111814811A (zh) | 图像信息提取方法、训练方法及装置、介质和电子设备 | |
CN114973293A (zh) | 相似性判断方法、关键帧提取方法及装置、介质和设备 | |
CN113435515B (zh) | 图片识别方法和装置、存储介质及电子设备 | |
CN113516738B (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN112115740B (zh) | 用于处理图像的方法和装置 | |
CN110097622B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN110619362A (zh) | 一种基于感知与像差的视频内容比对方法及装置 | |
CN112308809A (zh) | 一种图像合成方法、装置、计算机设备及存储介质 | |
CN112950516B (zh) | 图像局部对比度增强的方法及装置、存储介质及电子设备 | |
CN117177004B (zh) | 内容帧的提取方法、装置、设备及存储介质 |
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 |