CN113012132A - 一种图像相似度确定方法、装置及计算设备、存储介质 - Google Patents
一种图像相似度确定方法、装置及计算设备、存储介质 Download PDFInfo
- Publication number
- CN113012132A CN113012132A CN202110300688.5A CN202110300688A CN113012132A CN 113012132 A CN113012132 A CN 113012132A CN 202110300688 A CN202110300688 A CN 202110300688A CN 113012132 A CN113012132 A CN 113012132A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- sample
- similarity
- sample image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像相似度确定方法、装置及计算设备、存储介质,应用于图像处理技术领域,其中所述方法包括:获取待处理的第一图像和第二图像,将第一图像和第二图像合并为双通道图像,通过训练完成的图像相似度模型得到双通道图像对应的图像相似度矩阵,依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。有利于高效地度量第一图像和第二图像在目标图像区域的图像相似度。本申请涉及区块链技术,如可将第一图像和第二图像在目标图像区域的图像相似度写入区块链。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像相似度确定方法、装置及计算设备、存储介质,尤其涉及一种图像相似度确定方法,图像相似度确定装置、计算设备以及计算机可读存储介质。
背景技术
图像相似度度量是图像处理中的重要技术领域,通过图像相似度度量可以准确、快速的描述图像特征信息。图像相似度度量可以帮助人们评价图像的相似度或者在海量数据中快速检索与目标图像相同或相近的图像,经常在人脸识别,目标跟踪,图像检索和图像质量评估等技术领域中应用。
可见,如何高效地度量图像相似度为一个研究热点。
发明内容
本申请实施例提供了一种图像相似度确定方法、装置及计算设备、存储介质,可以高效地度量第一图像和第二图像在目标图像区域的图像相似度。
一方面,本申请实施例提供了一种图像相似度确定方法,该方法由计算设备执行,该方法包括:
获取待处理的第一图像和第二图像,并将所述第一图像和第二图像合并为双通道图像,所述第一图像和第二图像均为目标尺寸的灰度图像;
通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵;
依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
在一个实施例中,所述图像相似度矩阵的维度为N*M,所述图像相似度矩阵中每个元素的数值,表征所述第一图像和第二图像在对应图像区域的相似度值,所述依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度的具体实施方式为:
依照所述图像相似度矩阵的维度,将所述第一图像和所述第二图像均划分为N*M个图像子区域,每一个图像子区域与所述图像相似度矩阵中的每一个元素具有对应关系;
从所述N*M个图像子区域中确定目标图像区域包括的目标图像子区域;
从所述图像相似度矩阵中获取所述目标图像子区域对应目标元素的数值;
根据所述目标元素的数值确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
在一个实施例中,所述通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵之前,还可以:
获取样本图像集,所述样本图像集中包括第一样本图像、与所述第一样本图像相似的第二样本图像,以及与所述第一样本图像和所述第二样本图像均不相似的第三样本图像;其中,所述第一样本图像、第二样本图像和第三样本图像均为目标尺寸的灰度图像;
依照目标划分方式将所述第一样本图像、所述第二样本图像和所述第三样本图像均划分为多个样本图像子区域;
从所述第三样本图像的多个样本图像子区域中选取多个第一样本图像子区域;
通过各第一样本图像子区域对所述第一样本图像和所述第二样本图像中,与所述各样本图像子区域相同位置的待替换图像区域进行替换处理,得到目标第一样本图像、目标第二样本图像、以及与所述替换处理匹配的替换标注;
将所述目标第一样本图像和所述目标第二样本图像合并为双通道样本图像;
依照所述双通道样本图像和所述替换标注对图像相似度模型进行训练。
在一个实施例中,针对任一图像子区域的所述替换处理包括第一处理和第二处理;
其中,第一处理为:采用任一图像子区域替换所述第一样本图像和所述第二样本图像中,与所述任一图像子区域相同位置的目标待替换图像区域;
第二处理为:采用任一图像子区域替换所述第一样本图像中与所述任一图像子区域相同位置的待替换图像区域;或者,采用任一图像子区域替换所述第二样本图像中与所述任一图像子区域相同位置的目标待替换图像区域。
在一个实施例中,若所述针对任一图像子区域的替换处理为所述第一处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第一相似度值;
若所述针对任一图像子区域的替换处理为所述第二处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第二相似度值。
在一个实施例中,所述依照所述双通道样本图像和所述替换标注对图像相似度模型进行训练的具体实施方式为:
通过所述图像相似度模型对所述双通道样本图像进行数据处理,得到所述目标双通道样本图像对应的样本图像相似度矩阵;
获取与所述替换标注匹配的目标样本图像相似度矩阵;
依照所述样本图像相似度矩阵和所述目标样本图像相似度矩阵确定所述图像相似度模型的均方误差;
依照所述均方误差下降的方向更新所述图像相似度模型的网络参数。
在一个实施例中,所述目标图像区域为所述第一图像的全局图像区域,所述依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度的具体实施方式为:
获取所述图像相似度矩阵中每个元素的数值;
对所述图像相似度矩阵中每个元素的数值求平均,得到所述第一图像和所述第二图像的整体图像相似度。
另一方面,本申请实施例提供了一种图像相似度确定装置,包括:
获取模块,用于获取待处理的第一图像和第二图像,并将所述第一图像和第二图像合并为双通道图像,所述第一图像和第二图像均为目标尺寸的灰度图像;
处理模块,用于通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵;
所述处理模块,还用于依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
所述通信模块,还用于返回所述目标共享数据。
再一方面,本申请实施例提供了一种计算设备,包括处理器、存储装置和通信接口,所述处理器、存储装置和通信接口相互连接,其中,所述存储装置用于存储支持终端执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如下步骤:
获取待处理的第一图像和第二图像,并将所述第一图像和第二图像合并为双通道图像,所述第一图像和第二图像均为目标尺寸的灰度图像;
通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵;
依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
又一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述图像相似度确定方法。
本申请实施例中,可获取待处理的第一图像和第二图像,并将第一图像和第二图像合并为双通道图像,通过训练完成的图像相似度模型对双通道图像进行数据处理,得到双通道图像对应的图像相似度矩阵。进一步地,可以依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。采用这样的方式,一方面,在图像相似度的度量过程中,无需先提取第一图像和第二图像的图像特征,再进行比对计算图像相似度值,可直接确定第一图像和第二图像之间的图像相似度矩阵,进而依照图像相似度矩阵,更加高效的确定图像相似度;另一方面,可以确定第一图像和第二图像在目标图像区域的图像相似度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1是本申请实施例的一种图像相似度确定方法的流程示意图;
图2是本申请实施例的一种场景示意图;
图3是本申请实施例的另一种图像相似度确定方法的流程示意图;
图4是本申请实施例的一种图像替换处理的场景示意图;
图5是本申请实施例的一种图像相似度确定装置的结构示意图;
图6是本申请实施例的一种图像相似度确定计算设备的结构示意图。
具体实施方式
目前,图像相似度度量通常采用的方法为:通过提取第一图像和第二图像的图像特征,通过对比两张图像各自对应的图像特征,从而确定两张图像之间的整体相似度。一方面,图像特征的提取以及图像特征的对比,计算速度慢,除此以外,计算结果容易受到图像形变、光照强度、噪声干扰等因素的影响,随着社会的日益发展,图像的种类和数目越来越多,这种方法已不能满足日益增长的需求,因此需要一个更加高效的图像相似性度量方法。另一方面,仅能度量图像之间全局的相似度,无法确定图像在指定区域的相似度。
基于此,本申请实施例提出了一种图像相似度确定方法,该图像相似度确定方法由计算设备执行,请参见图1,本申请实施例的所述方法包括如下步骤。
S101:获取待处理的第一图像和第二图像,并将第一图像和第二图像合并为双通道图像,第一图像和第二图像均为目标尺寸的灰度图像。
具体实现中,当需要度量第一图像和第二图像在目标图像区域的图像相似度时,可以获取待处理的第一图像和第二图像。进一步地,可检测第一图像和第二图像是否为目标尺寸的灰度图像,若检测到任一图像(第一图像和/或第二图像)不为灰度图像,则对任一图像进行灰度处理,以将该任一图像处理为灰度图像。示例性地,假设目标尺寸为Z*Z(Z大于0),第一图像X1和第二图像X2均为目标尺寸的单通道图像(即灰度图像)(Z,Z,1),可以将两张图像(Z,Z,1)进行组合成一张双通道图像(Z,Z,2),构成输入图像对(X1,X2)。
或者,若检测到任一图像的尺寸不为目标尺寸,那么可以将任一图像的尺寸调整为目标尺寸。
S102:通过训练完成的图像相似度模型对双通道图像进行数据处理,得到双通道图像对应的图像相似度矩阵。
其中,图像相似度模型的网络结构可以包括卷积层和和反卷积层。示例性地,图像相似度模型中前l1(例如4)层均为卷积层,倒数第二层为反卷积层,最后一层为卷积层。卷积层是用来提取特征图(Feature Map),使用stride=2实现下采样处理,反卷积是实现的是上采样过程,扩大图像尺寸,填充图像内容,使得图像内容更加丰富。
具体实现中,当双通道图像输入图像相似度模型之后,可以通过前l1个卷积层不断地对双通道图像进行下采样,提取双通道图像的特征图,进一步地,可以通过反卷积层对卷积层提取的特征图进行上采样处理,依照目标维度更新特征图,得到目标特征图,后续通过最后一层卷积层对目标特征图进行降维处理,得到双通道图像对应的图像相似度矩阵。其中,目标维度为图像相似度模型最终输出的图像相似度矩阵的维度,该维度是在对模型进行训练时预先设定的;特征图为表征图像特征的矩阵。
示例性地,假设图像相似度模型前4个网络层为卷积层,分别为第一卷积层、第二卷积层、第三卷积层和第四卷积层,第5个网络层为反卷积层,第6个网络层为第五卷积层,上述目标维度为12*12,双通道图像为一张维度为(96*96*2)的图像1。这种情况下,第一卷积层对图像1进行第一次下采样,提取图像1的图像特征,得到维度为(48*48*k1)的第一特征图,将第一特征图输入第二卷积层,第二卷积层进行第二次下采样,得到维度为(24*24*k2)的第二特征图,依此类推,第二特征图经过第三卷积层后,得到维度为(12*12*k3)的第三特征图,第三特征图经过第四卷积层后,得到维度为(6*6*k4)的第四特征图。进一步地,反卷积层对维度为(6*6*k4)的第四特征图进行上采样处理,依照目标维度“12*12”,将第四特征图更新为维度为(12*12*k4)的目标特征图,后续通过最后一层卷积层对目标特征图进行降维处理,将目标特征图的第三维度“k4”下降为1,得到双通道图像对应的图像相似度矩阵。其中,第一特征图、第二特征图、第三特征图和第四特征图分别对应的第三维度:k1、k2、k3和k4,均可以为大于等于2的整数,具体数值与各自对应卷积层的网络参数有关,对此不作具体限定。
S103:依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。其中,目标图像区域为第一图像和第二图像的局部图像区域或者全局图像区域。
在一个实施例中,图像相似度矩阵的维度为N*M(N和M均为大于0的整数),图像相似度矩阵中每个元素的数值,表征第一图像和第二图像在对应图像区域的相似度值,上述依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度的具体实施方式可以为:
依照图像相似度矩阵的维度,将第一图像和第二图像均划分为N*M个图像子区域,每一个图像子区域与图像相似度矩阵中的每一个元素具有对应关系。进一步地,从N*M个图像子区域中确定目标图像区域包括的目标图像子区域,从图像相似度矩阵中获取目标图像子区域对应目标元素的数值,根据目标元素的数值确定第一图像和第二图像在目标图像区域的图像相似度。
具体地,图像相似度矩阵中每一个元素的数值均代表,第一图像和第二图像在对应图像区域的图像相似度,目标图像区域的图像相似度为:对图像相似度矩阵中与目标图像区域关联的目标元素的数值求平均值。
示例性地,假设图像相似度矩阵为12*12(即N=M=12)的矩阵,如下:
那么,可以将第一图像和第二图像均划分为12*12的小区域(如图2所示),假设目标图像区域为图2所示的区域20,那么,第一图像和第二图像在目标图像区域的图像相似度为:(A1+A2+A13+A14)/4。
在一个实施例中,假设目标图像区域为第一图像或者第二图像的全局图像区域,上述依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度可以包括:获取图像相似度矩阵中每个元素的数值,对图像相似度矩阵中每个元素的数值求平均,得到第一图像和第二图像的全局图像相似度。
本申请实施例中,可获取待处理的第一图像和第二图像,并将第一图像和第二图像合并为双通道图像,通过训练完成的图像相似度模型对双通道图像进行数据处理,得到双通道图像对应的图像相似度矩阵。进一步地,可以依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。采用这样的方式,一方面,在图像相似度的度量过程中,无需先提取第一图像和第二图像的图像特征,再进行比对计算图像相似度值,可直接确定第一图像和第二图像之间的图像相似度矩阵,进而依照图像相似度矩阵,更加高效的确定图像相似度;另一方面,可以确定第一图像和第二图像在目标图像区域的图像相似度。
再请参见图3,是本申请实施例的另一种图像相似度确定方法,该图像相似度确定方法由计算设备执行,请参见图3,本申请实施例的所述方法包括如下步骤。
S301:获取样本图像集,该样本图像集中包括第一样本图像、与第一样本图像相似的第二样本图像,以及与第一样本图像第二样本图像均不相似的第三样本图像;其中,第一样本图像、第二样本图像和第三样本图像均为目标尺寸的灰度图像。
在一个实施例中,可以收集对图像相似度模型进行训练的样本图像,并对该样本图像进行预处理,进而将通过预处理后的样本图像构成样本图像集。
由于收集到的样本图像很大,但是用于模型训练的图像中前景区域占比可能比较小,周围存在着大量的空白区域,直接缩放原始图像的话,图像中的前景区域会变得更小,不利于模型学习图像特征,因此本申请实施例中,采集到样本图像后,可将样本图像中前景区域周围的空白背景给裁剪掉,然后将裁剪后的样本图像缩放到目标尺寸,从而完成对样本图像的预处理。
其中,上述预处理的具体实现步骤可以包括:
S1:对样本图像做高斯模糊
S2:用边缘检测算法检测样本图像中前景区域的边缘
S3:由步骤S2确定前景区域的边界,该边界可以为矩形边界,可确定矩形边界的4个顶点在原始图像中的位置信息,由此可得出前景区域在原始图像中左上角和右下角的坐标(x1,y1)和(x2,y2)。
S4:由步骤S3得到的边界再向四周扩充n(例如5)个像素,扩充后的边界位置如果超出原始图像的边界,则以原始图像的边界作为扩充后的边界位置,扩充后边界区域在原始图像中左上角和右下角的坐标记为(x′1,y′1)和(x′2,y′2)。
S5:根据步骤S4得到的坐标直接裁剪图像,裁剪后的前景区域包含较少的背景。
S6:比较裁剪后图像的宽w和高h,然后对短边进行填充,填充的像素值使用背景像素值,填充到和长边一样大小或接近。
S7:执行步骤S6后,将图像缩放到即目标尺寸(例如(224,224))大小。
进一步地,在执行上述预处理后,还可以对样本图像进行数据标注。由于深度学习是以大量数据为基础的,在训练深度网络模型前需要对待训练数据集进行数据标注。在本申请实施例中,针对样本图像的相似情况,样本图像可标注为相同、相似、不相似三种情况,具体地:两张样本图像完全相同,则标注为相同;两张样本图像视觉效果相近或差别不大,则标注为相似;两张样本图像视觉效果有明显差异或完全不同,则标注为不相似。
S302:依照目标划分方式将第一样本图像、第二样本图像和第三样本图像均划分为多个样本图像子区域。
其中,目标划分方式与模型输出的图像相似度矩阵的维度关联,假设训练图像相似度模型的训练目标为输出一个N*M维的图像相似度矩阵,那么可以将第一样本图像、第二样本图像和第三样本图像均划分为N*M个样本图像子区域。
S303:从第三样本图像的多个样本图像子区域中选取多个第一样本图像子区域。
S304:通过各第一样本图像子区域对第一样本图像和第二样本图像中,与所述各样本图像子区域相同位置的待替换图像区域进行替换处理,得到目标第一样本图像、目标第二样本图像、以及与该替换处理匹配的替换标注。
其中,针对任一图像子区域的替换处理包括第一处理和第二处理。第一处理为:采用任一图像子区域替换第一样本图像和第二样本图像中,与任一图像子区域相同位置的目标待替换图像区域。第二处理为:采用任一图像子区域替换所述第一样本图像中任一图像子区域相同位置的待替换图像区域;或者,采用任一图像子区域替换第二样本图像中与任一图像子区域相同位置的目标待替换图像区域。
具体实现中,若针对任一图像子区域的替换处理为第一处理,则替换标注用于指示:目标第一样本图像和目标第二样本图像在目标待替换图像区域的图像相似度为第一相似度值(例如1)。若针对任一图像子区域的替换处理为第二处理,则替换标注用于指示:目标第一样本图像和目标第二样本图像在目标待替换图像区域的图像相似度为第二相似度值(例如0)。
S305:将目标第一样本图像和目标第二样本图像合并为双通道样本图,依照双通道样本图像和替换标注对图像相似度模型进行训练。
在本申请实施例中,针对图像相似度模型的一次训练,输入的训练数据包括第一样本图像、与第一样本图像相似的第二样本图像,以及与第一样本图像第二样本图像均不相似的第三样本图像。例如图像A,与图像A相似的图像B,与图像A和B不相似的图像C。以下通过图像A、与图像A相似的图像B,与图像A和B不相似的图像C,对上述步骤S302~步骤S304进行详细说明:
(1)获取三张图像,分别为:图像A,与图像A相似的图像B,与图像A和B不相似的图像C。
(2)将三张图像按照目标划分方式划分一个个小的区域(即上述样本图像子区域),例如上述图像相似度矩阵为2*2维的,那么可以将图像A、图像B和图像C,均分为2*2个小区域,如图4所示。
(3)随机从图像C上选取一个小区域,替换图像A或图像B上相同位置上的小区域(也即进行上述替换处理),如果图像A和图像B上的相同区域同时被替换,则该区域标注为1(即上述替换标注),视为相似;否则该区域标注为0,视为不相似。多次区域替换后,图像A和图像B上相同的区域可能标注为1也可能标注为0。在替换处理过程中,可以引入一个与图像A大小相同,且同样被划分为2*2个小区域的标注图,进行上述区域替换处理的单独标注,标注图中各小区域的初始值为1。进一步地,将区域替换后得到的图像A和图像B合并为一个双通道图像。
示例性地,如图4所示,假设通过图像C中的子区域10在图像A的相同区域进行了替换,对图像B未进行替换,可以说明替换后的图像A在被替换的子区域与图像B不同,可以视为不相似,那么可以在标注图中,将相应区域标记值从初始值“1”更新为“0”。
在一个实施例中,依照双通道样本图像和替换标注对图像相似度模型进行训练,可以为:通过图像相似度模型对双通道样本图像进行数据处理,得到目标双通道样本图像对应的样本图像相似度矩阵,获取与替换标注匹配的目标样本图像相似度矩阵。进一步地,可依照样本图像相似度矩阵和目标样本图像相似度矩阵确定图像相似度模型的均方误差,进而依照均方误差下降的方向更新图像相似度模型的网络参数。依次类推,继续采用其它的样本图像对模型进行迭代训练,直至均方误差达到收敛状态,则图像相似度图像训练完成。
其中,本申请实施例中,图像相似度模型的网络结构可以包括卷积层和和反卷积层。示例性地,图像相似度模型中前l1(例如4)层均为卷积层,倒数第二层为反卷积层,最后一层为卷积层。卷积层是用来提取图像特征,使用stride=2实现下采样处理,反卷积是实现的是上采样过程,扩大图像尺寸,填充图像内容,使得图像内容更加丰富。
在训练过程中,可将融合后的双通道图像输入到网络模型中,经过网络模型的卷积层提取双通道图像的特征,最后经过卷积层得到图像相似度矩阵。网络训练目标函数为:在监督学习模式下,使用均方误差为模型训练的目标函数,计算均方误差的公式如下:
其中,S为模型输出矩阵,K为目标矩阵,K可以理解为上述标注图对应的图像相似度矩阵,S为输入的双通道图像对应的图像相似度矩阵。N为图像相似度矩阵的总个数。示例性地,假设模型输出的图像相似度矩阵的维度关联,例如12*12的矩阵,那么N为144,St为S矩阵中第t个数值,Kt为K矩阵中第t个数值。
在一个实施例中,执行上述步骤S305将目标第一样本图像和目标第二样本图像合并为双通道样本图后,还可以对双通道样本图,进行增广处理,该增广处理包括:对图像做一些平移,缩放,旋转,裁剪,错切等变换,或者再加入一些随机噪声等等。
通过上述内容可知,本申请实施采用的图像相似度模型相对于现有的图像相似度模型,存在如下改进:a.减小卷积后各通道数量和取消全连接层,使模型参数更少,更轻量。b.模型输出不再是单个的相似度确定结果,而是一个图像相似度矩阵。除此以外,通过本申请实施例提出的一种图像相似度确定方法,无需提取两个图像的特征向量,再对特征向量进行比对计算相似度值,可以直接得到图像相似度矩阵,进而基于图像相似度矩阵得到相似度值,相似度计算更加快速,可以在大规模数量的图像检索***或者商标图像相似性检测***等方面应用。
S306:获取待处理的第一图像和第二图像,并将第一图像和第二图像合并为双通道图像,第一图像和第二图像均为目标尺寸的灰度图像。
S307:通过训练完成的图像相似度模型对双通道图像进行数据处理,得到双通道图像对应的图像相似度矩阵。
S308:依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。其中,目标图像区域为第一图像和第二图像的局部图像区域或者全局图像区域。其中,步骤S306~步骤S308的具体实施方式,可以参见上述实施例中步骤S101~步骤S103的相关描述,此处不再赘述。
本申请实施例中,可获取样本图像集,该样本图像集中包括第一样本图像、与第一样本图像相似的第二样本图像,以及与第一样本图像第二样本图像均不相似的第三样本图像,依照目标划分方式将第一样本图像、第二样本图像和第三样本图像均划分为多个样本图像子区域。进一步地,从第三样本图像的多个样本图像子区域中选取多个第一样本图像子区域,通过各第一样本图像子区域对第一样本图像和第二样本图像中,与所述各样本图像子区域相同位置的待替换图像区域进行替换处理,得到目标第一样本图像、目标第二样本图像、以及与该替换处理匹配的替换标注,将目标第一样本图像和目标第二样本图像合并为双通道样本图,依照双通道样本图像和替换标注对图像相似度模型进行训练。在模型训练完成后,可获取待处理的第一图像和第二图像,并将第一图像和第二图像合并为双通道图像,通过训练完成的图像相似度模型对双通道图像进行数据处理,得到双通道图像对应的图像相似度矩阵。进一步地,可以依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。采用这样的方式,一方面,在图像相似度的度量过程中,无需先提取第一图像和第二图像的图像特征,再进行比对计算图像相似度值,可直接确定第一图像和第二图像之间的图像相似度矩阵,进而依照图像相似度矩阵,更加高效的确定图像相似度;另一方面,可以确定第一图像和第二图像在目标图像区域的图像相似度。
本申请实施例还提供了一种计算机存储介质,该计算机存储介质中存储有程序指令,该程序指令被执行时,用于实现上述实施例中描述的相应方法。
再请参见图5,是本申请实施例的一种图像相似度确定装置的结构示意图。
本申请实施例的所述装置的一个实现方式中,所述装置包括如下结构。
获取模块50,用于获取待处理的第一图像和第二图像,并将所述第一图像和第二图像合并为双通道图像,所述第一图像和第二图像均为目标尺寸的灰度图像;
处理模块51,用于通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵;
所述处理模块51,还用于依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
在一个实施例中,所述图像相似度矩阵的维度为N*M,所述图像相似度矩阵中每个元素的数值,表征所述第一图像和第二图像在对应图像区域的相似度值,所述处理模块51,具体用于:
依照所述图像相似度矩阵的维度,将所述第一图像和所述第二图像均划分为N*M个图像子区域,每一个图像子区域与所述图像相似度矩阵中的每一个元素具有对应关系;
从所述N*M个图像子区域中确定目标图像区域包括的目标图像子区域;
从所述图像相似度矩阵中获取所述目标图像子区域对应目标元素的数值;
根据所述目标元素的数值确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
在一个实施例中,所述通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵之前,所述处理模块51,还用于:
获取样本图像集,所述样本图像集中包括第一样本图像、与所述第一样本图像相似的第二样本图像,以及与所述第一样本图像和所述第二样本图像均不相似的第三样本图像;其中,所述第一样本图像、第二样本图像和第三样本图像均为目标尺寸的灰度图像;
依照目标划分方式将所述第一样本图像、所述第二样本图像和所述第三样本图像均划分为多个样本图像子区域;
从所述第三样本图像的多个样本图像子区域中选取多个第一样本图像子区域;
通过各第一样本图像子区域对所述第一样本图像和所述第二样本图像中,与所述各样本图像子区域相同位置的待替换图像区域进行替换处理,得到目标第一样本图像、目标第二样本图像、以及与所述替换处理匹配的替换标注;
将所述目标第一样本图像和所述目标第二样本图像合并为双通道样本图像;
依照所述双通道样本图像和所述替换标注对图像相似度模型进行训练。
在一个实施例中,针对任一图像子区域的所述替换处理包括第一处理和第二处理;
其中,第一处理为:采用任一图像子区域替换所述第一样本图像和所述第二样本图像中,与所述任一图像子区域相同位置的目标待替换图像区域;
第二处理为:采用任一图像子区域替换所述第一样本图像中与所述任一图像子区域相同位置的待替换图像区域;或者,采用任一图像子区域替换所述第二样本图像中与所述任一图像子区域相同位置的目标待替换图像区域。
在一个实施例中,若所述针对任一图像子区域的替换处理为所述第一处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第一相似度值;
若所述针对任一图像子区域的替换处理为所述第二处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第二相似度值。
在一个实施例中,所述处理模块51,还具体用于:
通过所述图像相似度模型对所述双通道样本图像进行数据处理,得到所述目标双通道样本图像对应的样本图像相似度矩阵;
获取与所述替换标注匹配的目标样本图像相似度矩阵;
依照所述样本图像相似度矩阵和所述目标样本图像相似度矩阵确定所述图像相似度模型的均方误差;
依照所述均方误差下降的方向更新所述图像相似度模型的网络参数。
在一个实施例中,所述目标图像区域为所述第一图像的全局图像区域,所述处理模块51,还具体用于:
获取所述图像相似度矩阵中每个元素的数值;
对所述图像相似度矩阵中每个元素的数值求平均,得到所述第一图像和所述第二图像的整体图像相似度。
在本申请实施例中,上述各个模块的具体实现可参考前述各个附图所对应的实施例中相关内容的描述。
本申请实施例中,图像相似度确定装置可获取待处理的第一图像和第二图像,并将第一图像和第二图像合并为双通道图像,通过训练完成的图像相似度模型对双通道图像进行数据处理,得到双通道图像对应的图像相似度矩阵。进一步地,可以依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。采用这样的方式,一方面,在图像相似度的度量过程中,无需先提取第一图像和第二图像的图像特征,再进行比对计算图像相似度值,可直接确定第一图像和第二图像之间的图像相似度矩阵,进而依照图像相似度矩阵,更加高效的确定图像相似度;另一方面,可以确定第一图像和第二图像在目标图像区域的图像相似度。
再请参见图6,是本申请实施例的一种计算设备的结构示意图,本申请实施例的所述计算设备包括供电模块等结构,并包括处理器601、存储装置602以及通信接口603。所述处理器601、存储装置602以及通信接口603之间可以交互数据,由处理器601实现相应的图像相似度确定功能。
所述存储装置602可以包括易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储装置602也可以包括非易失性存储器(non-volatilememory),例如快闪存储器(flash memory),固态硬盘(solid-state drive,SSD)等;所述存储装置602还可以包括上述种类的存储器的组合。
所述处理器601可以是中央处理器601(central processing unit,CPU)。在一个实施例中,所述处理器601还可以是图形处理器601(Graphics Processing Unit,GPU)。所述处理器601也可以是由CPU和GPU的组合。在所述计算设备中,可以根据需要包括多个CPU和GPU进行相应的图像相似度确定。在一个实施例中,所述存储装置602用于存储程序指令。所述处理器601可以调用所述程序指令,实现如本申请实施例中上述涉及的各种方法。
在第一个可能的实施方式中,所述计算设备的所述处理器601,调用所述存储装置602中存储的程序指令,用于获取待处理的第一图像和第二图像,并将所述第一图像和第二图像合并为双通道图像,所述第一图像和第二图像均为目标尺寸的灰度图像;通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵;依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
在一个实施例中,所述图像相似度矩阵的维度为N*M,所述图像相似度矩阵中每个元素的数值,表征所述第一图像和第二图像在对应图像区域的相似度值,所述处理器601,具体用于:
依照所述图像相似度矩阵的维度,将所述第一图像和所述第二图像均划分为N*M个图像子区域,每一个图像子区域与所述图像相似度矩阵中的每一个元素具有对应关系;
从所述N*M个图像子区域中确定目标图像区域包括的目标图像子区域;
从所述图像相似度矩阵中获取所述目标图像子区域对应目标元素的数值;
根据所述目标元素的数值确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
在一个实施例中,所述通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵之前,所述处理器601,还用于:
获取样本图像集,所述样本图像集中包括第一样本图像、与所述第一样本图像相似的第二样本图像,以及与所述第一样本图像和所述第二样本图像均不相似的第三样本图像;其中,所述第一样本图像、第二样本图像和第三样本图像均为目标尺寸的灰度图像;
依照目标划分方式将所述第一样本图像、所述第二样本图像和所述第三样本图像均划分为多个样本图像子区域;
从所述第三样本图像的多个样本图像子区域中选取多个第一样本图像子区域;
通过各第一样本图像子区域对所述第一样本图像和所述第二样本图像中,与所述各样本图像子区域相同位置的待替换图像区域进行替换处理,得到目标第一样本图像、目标第二样本图像、以及与所述替换处理匹配的替换标注;
将所述目标第一样本图像和所述目标第二样本图像合并为双通道样本图像;
依照所述双通道样本图像和所述替换标注对图像相似度模型进行训练。
在一个实施例中,针对任一图像子区域的所述替换处理包括第一处理和第二处理;
其中,第一处理为:采用任一图像子区域替换所述第一样本图像和所述第二样本图像中,与所述任一图像子区域相同位置的目标待替换图像区域;
第二处理为:采用任一图像子区域替换所述第一样本图像中与所述任一图像子区域相同位置的待替换图像区域;或者,采用任一图像子区域替换所述第二样本图像中与所述任一图像子区域相同位置的目标待替换图像区域。
在一个实施例中,若所述针对任一图像子区域的替换处理为所述第一处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第一相似度值;
若所述针对任一图像子区域的替换处理为所述第二处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第二相似度值。
在一个实施例中,所述处理器601,还具体用于:
通过所述图像相似度模型对所述双通道样本图像进行数据处理,得到所述目标双通道样本图像对应的样本图像相似度矩阵;
获取与所述替换标注匹配的目标样本图像相似度矩阵;
依照所述样本图像相似度矩阵和所述目标样本图像相似度矩阵确定所述图像相似度模型的均方误差;
依照所述均方误差下降的方向更新所述图像相似度模型的网络参数。
在一个实施例中,所述目标图像区域为所述第一图像的全局图像区域,所述处理器601,还具体用于:
获取所述图像相似度矩阵中每个元素的数值;
对所述图像相似度矩阵中每个元素的数值求平均,得到所述第一图像和所述第二图像的整体图像相似度。
上述处理器601、存储装置602以及通信接口603的具体实现方式,可参考前述各个附图所对应的实施例中相关内容的描述,此处不再赘述。
本申请实施例中,计算设备可获取待处理的第一图像和第二图像,并将第一图像和第二图像合并为双通道图像,通过训练完成的图像相似度模型对双通道图像进行数据处理,得到双通道图像对应的图像相似度矩阵。进一步地,可以依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度。采用这样的方式,一方面,在图像相似度的度量过程中,无需先提取第一图像和第二图像的图像特征,再进行比对计算图像相似度值,可直接确定第一图像和第二图像之间的图像相似度矩阵,进而依照图像相似度矩阵,更加高效的确定图像相似度;另一方面,可以确定第一图像和第二图像在目标图像区域的图像相似度。
其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本申请的部分实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种图像相似度确定方法,其特征在于,所述方法包括:
获取待处理的第一图像和第二图像,并将所述第一图像和第二图像合并为双通道图像,所述第一图像和第二图像均为目标尺寸的灰度图像;
通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵;
依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
2.如权利要求1所述的方法,其特征在于,所述图像相似度矩阵的维度为N*M,所述图像相似度矩阵中每个元素的数值,表征所述第一图像和第二图像在对应图像区域的相似度值,所述依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度,包括:
依照所述图像相似度矩阵的维度,将所述第一图像和所述第二图像均划分为N*M个图像子区域,每一个图像子区域与所述图像相似度矩阵中的每一个元素具有对应关系;
从所述N*M个图像子区域中确定目标图像区域包括的目标图像子区域;
从所述图像相似度矩阵中获取所述目标图像子区域对应目标元素的数值;
根据所述目标元素的数值确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
3.如权利要求1所述的方法,其特征在于,所述通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵之前,所述方法还包括:
获取样本图像集,所述样本图像集中包括第一样本图像、与所述第一样本图像相似的第二样本图像,以及与所述第一样本图像和所述第二样本图像均不相似的第三样本图像;其中,所述第一样本图像、第二样本图像和第三样本图像均为目标尺寸的灰度图像;
依照目标划分方式将所述第一样本图像、所述第二样本图像和所述第三样本图像均划分为多个样本图像子区域;
从所述第三样本图像的多个样本图像子区域中选取多个第一样本图像子区域;
通过各第一样本图像子区域对所述第一样本图像和所述第二样本图像中,与所述各样本图像子区域相同位置的待替换图像区域进行替换处理,得到目标第一样本图像、目标第二样本图像、以及与所述替换处理匹配的替换标注;
将所述目标第一样本图像和所述目标第二样本图像合并为双通道样本图像;
依照所述双通道样本图像和所述替换标注对图像相似度模型进行训练。
4.如权利要求3所述的方法,其特征在于,针对任一图像子区域的所述替换处理包括第一处理和第二处理;
其中,第一处理为:采用任一图像子区域替换所述第一样本图像和所述第二样本图像中,与所述任一图像子区域相同位置的目标待替换图像区域;
第二处理为:采用任一图像子区域替换所述第一样本图像中与所述任一图像子区域相同位置的待替换图像区域;或者,采用任一图像子区域替换所述第二样本图像中与所述任一图像子区域相同位置的目标待替换图像区域。
5.如权利要求4所述的方法,其特征在于,若所述针对任一图像子区域的替换处理为所述第一处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第一相似度值;
若所述针对任一图像子区域的替换处理为所述第二处理,则所述替换标注用于指示:所述目标第一样本图像和所述目标第二样本图像在所述目标待替换图像区域的图像相似度为第二相似度值。
6.如权利要求3所述的方法,其特征在于,所述依照所述双通道样本图像和所述替换标注对图像相似度模型进行训练,包括:
通过所述图像相似度模型对所述双通道样本图像进行数据处理,得到所述目标双通道样本图像对应的样本图像相似度矩阵;
获取与所述替换标注匹配的目标样本图像相似度矩阵;
依照所述样本图像相似度矩阵和所述目标样本图像相似度矩阵确定所述图像相似度模型的均方误差;
依照所述均方误差下降的方向更新所述图像相似度模型的网络参数。
7.如权利要求1所述的方法,其特征在于,所述目标图像区域为所述第一图像的全局图像区域,所述依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度,包括:
获取所述图像相似度矩阵中每个元素的数值;
对所述图像相似度矩阵中每个元素的数值求平均,得到所述第一图像和所述第二图像的整体图像相似度。
8.一种图像相似度确定装置,其特征在于,包括:
获取模块,用于获取待处理的第一图像和第二图像,并将所述第一图像和第二图像合并为双通道图像,所述第一图像和第二图像均为目标尺寸的灰度图像;
处理模块,用于通过训练完成的图像相似度模型对所述双通道图像进行数据处理,得到所述双通道图像对应的图像相似度矩阵;
所述处理模块,还用于依照所述图像相似度矩阵确定所述第一图像和所述第二图像在目标图像区域的图像相似度。
9.一种计算设备,其特征在于,包括处理器、存储装置和通信接口,所述处理器、所述存储装置和所述通信接口相互连接,其中,所述存储装置用于存储计算机程序指令,所述处理器被配置用于执行所述程序指令,实现如权利要求1-7任一项所述的方法。
10.一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中存储有计算机程序指令,所述计算机程序指令被处理器执行时,用于执行如权利要求1-7任一项所述的图像相似度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300688.5A CN113012132B (zh) | 2021-03-22 | 2021-03-22 | 一种图像相似度确定方法、装置及计算设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300688.5A CN113012132B (zh) | 2021-03-22 | 2021-03-22 | 一种图像相似度确定方法、装置及计算设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012132A true CN113012132A (zh) | 2021-06-22 |
CN113012132B CN113012132B (zh) | 2023-08-25 |
Family
ID=76404014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300688.5A Active CN113012132B (zh) | 2021-03-22 | 2021-03-22 | 一种图像相似度确定方法、装置及计算设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012132B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934348A (zh) * | 2023-09-14 | 2023-10-24 | 广州淘通科技股份有限公司 | 一种交易售后数据的分析方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
CN111046893A (zh) * | 2018-10-12 | 2020-04-21 | 富士通株式会社 | 图像相似性确定方法和装置、图像处理方法和装置 |
CN111354059A (zh) * | 2020-02-26 | 2020-06-30 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
CN111460915A (zh) * | 2020-03-13 | 2020-07-28 | 华南理工大学 | 一种基于轻量神经网络的指静脉验证方法及*** |
-
2021
- 2021-03-22 CN CN202110300688.5A patent/CN113012132B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046893A (zh) * | 2018-10-12 | 2020-04-21 | 富士通株式会社 | 图像相似性确定方法和装置、图像处理方法和装置 |
CN110717497A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 图像相似度匹配方法、装置及计算机可读存储介质 |
CN111354059A (zh) * | 2020-02-26 | 2020-06-30 | 北京三快在线科技有限公司 | 图像处理方法及装置 |
CN111460915A (zh) * | 2020-03-13 | 2020-07-28 | 华南理工大学 | 一种基于轻量神经网络的指静脉验证方法及*** |
Non-Patent Citations (1)
Title |
---|
卢健 等: "双分支网络架构下的图像相似度学习", 《测绘通报》, vol. 2019, no. 12, pages 50 - 55 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934348A (zh) * | 2023-09-14 | 2023-10-24 | 广州淘通科技股份有限公司 | 一种交易售后数据的分析方法、装置、设备以及存储介质 |
CN116934348B (zh) * | 2023-09-14 | 2023-12-26 | 广州淘通科技股份有限公司 | 一种交易售后数据的分析方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113012132B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN111814794B (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN112132156B (zh) | 多深度特征融合的图像显著性目标检测方法及*** | |
CN112800964B (zh) | 基于多模块融合的遥感影像目标检测方法及*** | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和***及介质 | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN111681273A (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
CN110334709B (zh) | 基于端到端多任务深度学习的车牌检测方法 | |
CN110428414B (zh) | 一种识别图像中票据数量的方法及装置 | |
CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及*** | |
CN112183517B (zh) | 证卡边缘检测方法、设备及存储介质 | |
CN112132164B (zh) | 目标检测方法、***、计算机装置及存储介质 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
CN113592720B (zh) | 图像的缩放处理方法、装置、设备、存储介质 | |
WO2023019682A1 (zh) | 水印去除方法、装置、终端设备及可读存储介质 | |
CN113012132B (zh) | 一种图像相似度确定方法、装置及计算设备、存储介质 | |
CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
CN115619678B (zh) | 一种图像变形的矫正方法、装置、计算机设备及存储介质 | |
CN117011819A (zh) | 基于特征引导注意力的车道线检测方法、装置及设备 | |
CN114118127B (zh) | 一种视觉场景标志检测与识别方法及装置 | |
CN116091784A (zh) | 一种目标跟踪方法、设备及存储介质 | |
CN113033578B (zh) | 基于多尺度特征匹配的图像校准方法、***、终端及介质 | |
CN114708230A (zh) | 基于图像分析的车架质量检测方法、装置、设备及介质 | |
CN112101139B (zh) | 人形检测方法、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 |