CN114840692B - 图像库构建方法、图像检索方法、装置及相关设备 - Google Patents

图像库构建方法、图像检索方法、装置及相关设备 Download PDF

Info

Publication number
CN114840692B
CN114840692B CN202210778038.6A CN202210778038A CN114840692B CN 114840692 B CN114840692 B CN 114840692B CN 202210778038 A CN202210778038 A CN 202210778038A CN 114840692 B CN114840692 B CN 114840692B
Authority
CN
China
Prior art keywords
cluster
graph
image
points
current
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
Application number
CN202210778038.6A
Other languages
English (en)
Other versions
CN114840692A (zh
Inventor
刘伟华
李林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Athena Eyes Co Ltd
Original Assignee
Athena Eyes Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Athena Eyes Co Ltd filed Critical Athena Eyes Co Ltd
Priority to CN202210778038.6A priority Critical patent/CN114840692B/zh
Publication of CN114840692A publication Critical patent/CN114840692A/zh
Application granted granted Critical
Publication of CN114840692B publication Critical patent/CN114840692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/55—Clustering; Classification
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像库构建方法、图像检索方法、装置、计算机设备及存储介质，所述方法包括：获取图像高维特征集合；对所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇；基于所有簇，构建倒排文件***；针对每一个簇，对簇中的所有点进行边连接处理，得到簇对应的完整图，并将所有完整图作为当前聚类图；对当前聚类图进行聚类处理，得到至少两个簇中心；基于所有簇中心，构建中间图；将中间图作为当前聚类图，并返回对所述当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到中间图对应的层数达到预设层数时，得到多层跳表；基于倒排文件***和多层跳表，构建图像库。采用本发明提高对图像进行检索的准确率。

Description

图像库构建方法、图像检索方法、装置及相关设备
技术领域
本发明涉及图像检索领域，尤其涉及一种图像库构建方法、图像检索方法、装置、计算机设备及存储介质。
背景技术
随着图像处理的发展，高维特征向量使用越来越频繁，如在图像处理中，通过模型对图像进行特征提取，得到一个高维特征向量，该高维特征向量用以表示该图像的特征。现有方式可通过存储高维特征向量，并利用该高维特征向量进行图像检索，得到相似的图像。目前常用通过高维特征向量对图像进行检索的方法有基于量化编码的检索、基于树的检索等，但是，基于量化编码的检索因对高维特征向量进行压缩导致检索的准确率下降，基于树的检索适合维度低，数据量小的检索向量，当存在海量高维特征向量时，则导致检索的准确率下降。
因此，现有当存在海量高维特征向量时，对图像进行检索存在准确率低的问题。
发明内容
本发明实施例提供一种图像库构建方法、图像检索方法、装置、计算机设备和存储介质，以提高在存在海量高维特征向量时，对图像进行检索的准确率。
为了解决上述技术问题，本申请实施例提供一种图像库构建方法，包括以下步骤：
获取图像高维特征集合。
对所述图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇，其中，所述簇由点构成，所述点与所述高维特征一一对应。
基于所有所述簇，构建倒排文件***。
针对每一个所述簇，对所述簇中的所有点进行边连接处理，得到所述簇对应的完整图，并将所有所述完整图作为当前聚类图，其中，所有所述完整图为多层跳表的最底层图，所述多层跳表包括N个层，每一个层对应一个图，所述N为大于等于2的正整数；
对所述当前聚类图进行聚类处理，得到至少两个簇中心。
基于所有所述簇中心，构建中间图，其中，所述中间图为所述多层跳表的当前聚类图对应的上一层图。
将所述中间图作为当前聚类图，并返回所述对所述当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到所述中间图对应的层数达到预设层数时，得到多层跳表。
基于所述倒排文件***和所述多层跳表，构建图像库。
为了解决上述技术问题，本申请实施例提供一种图像检索方法，包括以下步骤：
获取待检索图像，并将所述待检索图像输入到图像库中。
对所述待检索图像进高维特征提取，得到待检索高维特征。
基于倒排文件***，计算所述待检索高维特征与每一个倒排文件对应的关键字的相似度，并根据计算得到的相似度结果，确定所述待检索高维特征对应的Top-k个簇。
针对所述Top-k个簇中的每一个簇，基于所述多层跳表，检索到与所述待检索高维特征距离最近的n个点，并将所述n个点作为候选点，其中，所述n为大于等于2的正整数。
将所有所述候选点对应的图像作为所述待检索图像的检索结果。
为了解决上述技术问题，本申请实施例还提供一种图像库构建装置，包括以下步骤：
图像高维特征集合获取模块，用于获取图像高维特征集合。
簇获取模块，用于对所述图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇，其中，所述簇由点构成，所述点与所述高维特征一一对应。
倒排文件***构建模块，用于基于所有所述簇，构建倒排文件***。
完整图确定模块，用于针对每一个所述簇，对所述簇中的所有点进行边连接处理，得到所述簇对应的完整图，并将所有所述完整图作为当前聚类图，其中，所有所述完整图为多层跳表的最底层图，所述多层跳表包括N个层，每一个层对应一个图，所述N为大于等于2的正整数。
簇中心获取模块，用于对所述当前聚类图进行聚类处理，得到至少两个簇中心。
中间图确定模块，用于基于所有所述簇中心，构建中间图，其中，所述中间图为所述多层跳表的当前聚类图对应的上一层图。
多层跳表确定模块，用于将所述中间图作为当前聚类图，并返回所述对所述当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到所述中间图对应的层数达到预设层数时，得到多层跳表。
图像库构建模块，用于基于所述倒排文件***和所述多层跳表，构建图像库。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图像库构建方法的步骤。
为了解决上述技术问题，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述图像库构建方法的步骤。
本发明实施例提供的图像库构建方法、图像检索方法、装置、计算机设备及存储介质，通过获取图像高维特征集合；对所述图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇；基于所有所述簇，构建倒排文件***；针对每一个所述簇，对所述簇中的所有点进行边连接处理，得到所述簇对应的完整图，并将所有所述完整图作为当前聚类图；对所述当前聚类图进行聚类处理，得到至少两个簇中心；基于所有所述簇中心，构建中间图；将所述中间图作为当前聚类图，并返回所述对所述当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到所述中间图对应的层数达到预设层数时，得到多层跳表；基于所述倒排文件***和所述多层跳表，构建图像库。通过上述步骤构建倒排文件***和多层跳表，结合倒排文件***和多层跳表构建图像库。通过倒排文件***实现在海量高维特征向量时，快速对图像进行检索，通过多层跳表保证了数据精度，从而提高了在存在海量高维特征向量时，对图像进行检索的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图。
图2是本申请的图像库构建方法的一个实施例的流程图。
图3是本申请的图像检索方法的一个实施例的流程图。
图4是本申请多层跳表的一示例图。
图5是根据本申请的图像库构建装置的一个实施例的结构示意图。
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture E界面显示perts Group Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( MovingPicture E界面显示perts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的图像库构建方法由服务器执行，相应地，图像库构建装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器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、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用***。
请参阅图2，图2示出本发明实施例提供的一种图像库构建方法，以该方法应用在图1中的服务端为例进行说明，详述如下。
S201、获取图像高维特征集合。
在步骤S201中，上述图像高维特征集合是指由图像高维特征构成的集合。
此处需要说明的是，上述图像包括但不限于人脸图像、宠物图像，工作图像。具体图像根据应用场景具体选择。本申请实施例优选采用人脸图像。
一张图像对应一个高维特征，也就是说，已知图像，能快速确定该图像对应的高维特征。但是已知高维特征，并不能直接确定图像，因为在对图像进行高维特征提取时，可能会存在精度损失。
S202、对图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇，其中，簇由点构成，点与高维特征一一对应。
在步骤S202中，上述聚类处理是指利用k均值聚类算法对所有高维特征进行聚类的处理。应理解，k均值聚类算法是指将给定数据划分为k个簇，同时使损失函数最小的算法。
上述损失函数包括但不限于交叉熵损失函数、二分类函数。损失函数根据实际情况进行使用，此处不做具体限制。
上述簇是指通过聚类算法对高维特征聚类处理得到的分类，簇的数量与聚类得到的结果一致。也就是说，当聚类的分类结果为5类时，则得到5个簇。
一个簇包含多个点，每一个点代表的是一个高维特征。应理解，点的形式包括但不限于特征值、特征矩阵。具体根据实际情况进行选择。本申请实施例优选采用特征值表示点。
通过所有高维特征进行聚类处理，直到损失函数收敛，得到簇，可将相似度高的图像归为一类，以便于后续根据待检索图像的高维特征快速对图像进行检索，提高了检索的效率。
S203、基于所有簇，构建倒排文件***。
在步骤S203中，上述倒排文件***是指索引对象是簇上的点，用来存储这些点在一个簇中的存储位置。
倒排索引源于实际应用中需要根据值来查询记录，如网页搜索，倒排索引为一个关键字，建立索引，指向所有拥有该关键字的文章网页。当索引太大，不能放到内存，存储在文件内，称为倒排文件***。
在本申请实施例中，使用倒排文件***能很快返回图像库中与查询相关的少量结果，该倒排文件***中搜索特征就如网页搜索中的关键字，缩小搜索空间，不必在整个库中进行搜索；然后在返回结果中进一步筛选，快速获取最终结果。
上述构建倒排文件***的方法可为针对每一个簇，将簇对应的簇中心作为关键字，构建倒排文件，并将簇的所有点加入倒排文件中。基于所有倒排文件，确定倒排文件***。或者，从簇中选取出簇中心，计算所有点与簇中心的距离，将该点放入到与本身距离最近的簇中心所在的倒排文件中，进而构建倒排文件***。
通过对所有簇构建倒排文件***，以便于后续根据待检索图像的高维特征快速对图像进行检索，提高了检索的效率。
S204、针对每一个簇，对簇中的所有点进行边连接处理，得到簇对应的完整图，并将所有完整图作为当前聚类图，其中，所有完整图为多层跳表的最底层图，多层跳表包括N个层，每一个层对应一个图，N为大于等于2的正整数。
在步骤S204中，上述边连接处理是指将簇中具有连接关系的点进行连接。
完整图由点与边组成，直接将簇中的所有点放入完整图中的点集合中。针对每一个簇，将与该簇相关的数据***该簇对应的完整图。
上述多层跳表是指在进行图搜索的时候，若起始点与目标点距离太远，搜索的过程可能很费时间，为了让起始点能更快到达目标点，使用多层跳表快速跳过一些中间点。
此处需要注意的是，多层跳表是由多个层的图构成的，每一层图中包括一些连接点。此处需要注意的是，多层跳表由中间图和完整图构成。该多层跳表从最高层图到最底层图，图中包含的点的数量逐渐增多。也就是说，当后续进行检索的时候，在多层跳表的最高层，不需要将待检索图像的高维特征与所有的点特征进行一一匹配，仅需要跟多层跳表的最高层的点进行匹配，找到距离最近的点，再基于该距离最近的点，从多层跳表中逐层进行匹配，从而实现快速找到可能的图像结果。
通过上述步骤，将簇转换成图，以便于后续基于转换后的图，构建多层跳表，基于待检索图像的高维特征，该多层跳表实现对图像进行快速检索，提高了检索的效率。
S205、对当前聚类图进行聚类处理，得到至少两个簇中心。
在步骤S205中，上述簇中心的个数可以通过预设值确定。例如，利用k均值聚类算法对当前聚类图进行聚类处理，得到k个簇中心。此处可根据实际情况进行具体调整，此处不作限制。
例如，当当前聚类图存在1000个点时，预设值为100时，则得到100个簇中心。将当前聚类图中的其他点，加入到与该点距离最近的簇中心所形成的簇中。应理解，此处的所有簇内的点的数量不一定相等。
通过对当前聚类图进行聚类处理，得到簇中心，根据得到的簇中心，将当前聚类图中的所有点加入到该簇中心所形成的的簇中，得到多层跳表的最底层图，以便于后续该多层跳表实现对图像进行快速检索，提高了检索的效率。
S206、基于所有簇中心，构建中间图，其中，中间图为多层跳表的当前聚类图对应的上一层图。
在步骤S206中，此处需要说明的是，中间图为的当前聚类图对应的上一层图。也就是说，当多层跳表具有3层，当前聚类图所在的层数为最底层也就是第3层时，中间图为多层跳表的第2层图。
中间图仅包括从当前聚类图中提取出的所有簇中心。也就是说，当当前聚类图存在1000个点时，预设值为100时，则得到100个簇中心，则100个簇中心用于构建中间图。
通过上述步骤，构建中间图，以便于后续该多层跳表实现对图像进行快速检索，提高了检索的效率。
S207、将中间图作为当前聚类图，并返回对当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到中间图对应的层数达到预设层数时，得到多层跳表。
在步骤S207中，其具体是：将中间图作为新的一个当前聚类图，对该中间图进行进一步的簇中心提取，当面对海量特征向量的时候，能实现数据量快速缩减。例如，当多层跳表为3层跳表，每一层的簇中心的个数都是在海量特征向量的数量除以10，即当特征向量的总数为1000时，则最底层的点为1000个，第二层的点为100个，第二层的点为从最底层提取到的100个簇中心，第三层的点为10个，第三层的点为从第二层中提取得到的10个簇中心。
通过上述步骤，能实现对海量特征向量进行快速缩减，快速建立多层跳表，同时，在提高后续基于该多层跳表对图像进行检索的效率。
S208、基于倒排文件***和多层跳表，构建图像库。
在步骤S208中，上述图像库由倒排文件***和多层跳表连接而成。当有待检索图像时，则计算该待检索图像的特征值，并根据该特征值从倒排文件***中选取出距离最近的预设数量个倒排文件的簇中心，并根据选取出来的簇中心，在多层跳表中选取出该待检索图像可能对应的图像结果。
图像库由多层跳表和倒排文件***构成。
倒排文件***包括n个子文件，每一个子文件对应一个簇，倒排文件***存放的是特征，一个特征对应一个图像，通过存储特征，通过后续多层跳表检索出的点可快速确定待识别图像对应的图像；多层跳表包括N个层，从高往低点数逐渐增多。在检索的时候，当检索点不在多层跳表的最底层图时，通过检索点，找到该簇与检索点距离最近的一个点，作为多层跳表下一层图的检索点。当检索点处于多层跳表的最底层图时，找到该簇与检索点距离最近的n个点，此时n个点对应的图像即为识别结果。
在本实施例中，通过上述步骤构建倒排文件***和多层跳表，结合倒排文件***和多层跳表构建图像库。通过倒排文件***实现在海量高维特征向量时，快速对图像进行检索，通过多层跳表保证了数据精度，从而提高了在存在海量高维特征向量时，对图像进行检索的准确率。
在本实施例的一些可选的实现方式中，步骤S201包括S2011至S2013。
S2011、获取图像集合。
S2012、基于预设的特征提取方式，对图像集合中的每一张图像进行高维特征提取，得到图像对应的高维特征。
S2013将所有图像对应的高维特征加入图像高维特征集合中，得到图像高维特征集合。
对于步骤S2012，上述预设的特征提取方式是指对图像集合中的图像进行高维特征提取的方式。上述预设的特征提取方式包括但不限于主成分分析法、线性判别分析法和多维尺度分析法。主成分分析法是指将n维特征映射到k维上（k<n），这k维是全新的正交特征。这k维特征称为主成分，是重新构造出来的k维特征。线性判别分析法是将高维的数据样本投影到最佳判别的矢量空间，保证样本数据在该空间中有最佳的可分离性。多维尺度分析法是指根据样本之间的距离关系或不相似度关系在低维空间里生成对样本的一种表示。
在本实施例中，通过上述方式，获取得到图像高维特征集合。
在本实施例的一些可选的实现方式中，步骤S202包括S2021至S2024。
S2021、基于预设的簇中心选取方式，从所有高维特征中选取预设数量的高维特征作为簇中心，并基于簇中心，构建簇。
S2022、针对每一个高维特征，计算高维特征与每一个簇对应的簇中心的距离，得到高维特征对应的距离结果。
S2023、根据高维特征对应的距离结果，将高维特征划分到距离结果最小对应的簇中。
S2024、在每一个簇中，重新选取预设数量的高维特征作为簇中心，并返回针对每一个高维特征，计算高维特征与每一个簇对应的簇中心的距离，得到高维特征对应的距离结果的步骤继续执行，直到损失函数收敛，得到至少两个簇。
对于步骤S2021，上述预设的簇中心选取方式包括但不限于随机选取、顺序选取，间隔选取。其中，顺序选取是指从得到的高维特征中按照顺序选取预设数量的高维特征作为簇中心，间隔选取是指按照预设间隔从得到的高维特征中按照顺序选取预设数量的高维特征作为簇中心，该预设间隔可以但不限于10个特征向量间隔，100个特征向量间隔。
对于步骤S2022，其具体是，通过计算高维特征与簇中心的相似度，并将相似度结果作为距离结果。
对于步骤S2023，其具体是，针对每一个高维特征，对比该高维特征与任一个簇中心的距离，并将该高维特征划分到距离最小的簇中心对应的簇中。
在本实施例中，通过选取簇中心，并计算高维特征与簇中心的距离，将高维特征划分到不同簇中，循环处理，直到损失函数最小，可将相似度高的图像归为一类，以便于后续根据待检索图像的高维特征快速对图像进行检索，提高了检索的效率。
在本实施例的一些可选的实现方式中，步骤S204包括S204至S204。
S2041、针对每一个簇中的任一点，计算点与簇的其他点的相似度，得到点对应的所有相似度结果。
S2042、按照相似度从小到大的顺序，从点对应的所有相似度结果选取预设数量的相似度结果对应的点作为待连接点。
S2043、将点与所有待连接点进行边连接处理，直到簇中所有点选取完毕，得到簇对应的完整图。
对于步骤S2042，其具体是，使用堆存储相似度最小的m个数据。其中，m为预设数量。此处需要说明的是，针对任一个点，与该点相似度最小的m个数据，可建立边连接关系。
在本实施例中，通过计算点与簇的其他点的相似度，得到点对应的所有相似度结果，并根据相似度结果构建边连接关系，实现了从数据到图的转化，有利于后续基于转换后的图，构建多层跳表，基于待检索图像的高维特征，该多层跳表实现对图像进行快速检索，提高了检索的效率。
请参阅图3，图3示出本发明实施例提供的一种图像检索方法，图像检索方法应用在上述图像库上，图像检索方法包括步骤S301至步骤S305。
S301、获取待检索图像，并将待检索图像输入到图像库中。
S302、对待检索图像进高维特征提取，得到待检索高维特征。
S303、基于倒排文件***，计算待检索高维特征与每一个倒排文件对应的关键字的相似度，并根据计算得到的相似度结果，确定待检索高维特征对应的Top-k个簇。
S304、针对Top-k个簇中的每一个簇，基于多层跳表，检索到与待检索高维特征距离最近的n个点，并将n个点作为候选点，其中，n为大于等于2的正整数。
S305、将所有候选点对应的图像作为待检索图像的检索结果。
对于上述步骤S303，上述Top-k个簇是指待检索高维特征与每一个倒排文件对应的关键字的相似度结果最高的k个簇。
获取Top-k个簇的方法可为使用一个数组arr存储前k个簇的中心点，同时存储各簇中心与待检索高维特征的相似度，进而遍历第k+1个簇与到最后一个簇，计算簇中心与待检索高维特征的相似度，若遍历得到的相似度比数组arr存储的相似度最低的簇的相似度高，把arr中相似度最低的簇删除，把当前簇放入数组arr。最终得到k个最相似的簇。应理解，此处可根据实际情况具体调整，不作具体限制。
在本实施例的一些可选的实现方式中，步骤S304包括S3041至S3046。
S3041、针对Top-k个簇中的每一个簇，确定簇对应的簇中心。
S3042、将簇中心作为当前搜索点，并选取多层跳表的最高层图作为当前检索图。
S3043、将当前搜索点与当前检索图中的相邻点进行距离计算，得到当前搜索点与每一个相邻点对应的距离结果，其中，相邻点是指当前检索图中与当前搜索点存在边连接的点。
S3044、基于所有距离结果，将距离结果最小对应的相邻点作为当前搜索点，当前检索图对应的下一层图作为当前检索图，返回将当前搜索点与当前检索图中的相邻点进行距离计算，得到当前搜索点与每一个相邻点对应的距离结果的步骤继续执行，直到当前检索图对应的下一层图为最底层图。
S3045、当当前检索图对应的下一层图为最底层图时，将当前搜索点与当前检索图中的相邻点进行距离计算，得到当前搜索点与每一个相邻点对应的距离结果。
S3046、按照距离结果从小到大的顺序，选取出n个距离结果对应的相邻点，并将n个相邻点作为簇对应的候选点。
下面以一具体实施例对步骤S304进行解释说明，如图4所示，图4为多层跳表的一示例图。其中，多层跳表的其中一个簇包括layer0、layer1、layer2三层，layer0为该多层跳表的最底层图，layer2为该多层跳表的最高层图。Layer0包括该簇的所有点，layer1包括从layer0中所有点提取出来的簇中心，layer2包括从layer1中所有点提取出来的簇中心。在获得待检索高维特征后，将layer2的簇中心作为当前搜索点，并选取多层跳表的layer2作为当前检索图。此时layer2只有一个点A，则该点A为当前搜索点。Layer2下一层图为layer1，由于layer1不是最底层图，则将点A作为layer1的当前搜索点，layer1作为当前检索图。在layer1中，计算点A与点A的相邻点B、相邻点C、相邻点D之间的距离，并把距离结果最小的相邻点B作为layer0的当前搜索点，由于layer0为最底层图，则将当前搜索点B与layer0中点B的相邻点进行距离计算，得到当前搜索点与每一个相邻点对应的距离结果。按照距离结果从小到大的顺序，选取出n个距离结果对应的相邻点，并将n个相邻点作为簇对应的候选点。
应理解，针对每一个簇，得到n个相邻点。针对多个簇，得到多个相邻点，例如，当簇的数量为10时，则得到10n个相邻点。n可根据实际情况进行适应性调整。
在本实施例中，通过倒排文件***实现在海量高维特征向量时，快速对图像进行检索，通过多层跳表保证了数据精度，从而提高了在存在海量高维特征向量时，对图像进行检索的准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图5示出与上述实施例图像库构建方法一一对应的图像库构建装置的原理框图。如图5所示，该图像库构建装置包括图像高维特征集合获取模块41、簇获取模块42、倒排文件***构建模块43、完整图确定模块44、簇中心获取模块45、中间图确定模块46、多层跳表确定模块47和图像库构建模块48。各功能模块详细说明如下。
图像高维特征集合获取模块41，用于获取图像高维特征集合。
簇获取模块42，用于对图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇，其中，簇由点构成，点与高维特征一一对应。
倒排文件***构建模块43，用于基于所有簇，构建倒排文件***。
完整图确定模块44，用于针对每一个簇，对簇中的所有点进行边连接处理，得到簇对应的完整图，并将所有完整图作为当前聚类图，其中，所有完整图为多层跳表的最底层图，多层跳表包括N个层，每一个层对应一个图，N为大于等于2的正整数。
簇中心获取模块45，用于对当前聚类图进行聚类处理，得到至少两个簇中心。
中间图确定模块46，用于基于所有簇中心，构建中间图，其中，中间图为多层跳表的当前聚类图对应的上一层图。
多层跳表确定模块47，用于将中间图作为当前聚类图，并返回对当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到中间图对应的层数达到预设层数时，得到多层跳表。
图像库构建模块48，用于基于倒排文件***和多层跳表，构建图像库。
在本实施例的一些可选的实现方式中，图像高维特征集合获取模块41包括以下单元：
图像集合获取单元，用于获取图像集合。
高维特征确定单元，用于基于预设的特征提取方式，对图像集合中的每一张图像进行高维特征提取，得到图像对应的高维特征。
图像高维特征集合获取单元，用于将所有图像对应的高维特征加入图像高维特征集合中，得到图像高维特征集合。
在本实施例的一些可选的实现方式中，簇获取模块42包括以下单元：
簇中心选取单元，用于基于预设的簇中心选取方式，从所有高维特征中选取预设数量的高维特征作为簇中心，并基于簇中心，构建簇。
距离计算单元，用于针对每一个高维特征，计算高维特征与每一个簇对应的簇中心的距离，得到高维特征对应的距离结果。
划分单元，用于根据高维特征对应的距离结果，将高维特征划分到距离结果最小对应的簇中。
簇获取单元，用于在每一个簇中，重新选取预设数量的高维特征作为簇中心，并返回针对每一个高维特征，计算高维特征与每一个簇对应的簇中心的距离，得到高维特征对应的距离结果的步骤继续执行，直到损失函数收敛，得到至少两个簇。
在本实施例的一些可选的实现方式中，倒排文件***构建模块43包括以下单元：
倒排文件获取单元，用于针对每一个簇，将簇对应的簇中心作为关键字，构建倒排文件，并将簇的所有点加入倒排文件中。
倒排文件***构建单元，用于基于所有倒排文件，确定倒排文件***。
在本实施例的一些可选的实现方式中，完整图确定模块44包括以下单元：
相似度计算单元，用于针对每一个簇中的任一点，计算点与簇的其他点的相似度，得到点对应的所有相似度结果。
待连接点确定单元，用于按照相似度从小到大的顺序，从点对应的所有相似度结果选取预设数量的相似度结果对应的点作为待连接点。
完整图确定单元，用于将点与所有待连接点进行边连接处理，直到簇中所有点选取完毕，得到簇对应的完整图。
关于图像库构建装置的具体限定可以参见上文中对于图像库构建方法的限定，在此不再赘述。上述图像库构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过***总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是，图中仅示出了具有组件连接存储器51、处理器52、网络接口53的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51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D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器51可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器51也可以是所述计算机设备5的外部存储设备，例如该计算机设备5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。当然，所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器51通常用于存储安装于所述计算机设备5的操作***和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中，所述处理器52用于运行所述存储器51中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口53可包括无线网络接口或有线网络接口，该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供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界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的图像库构建方法的步骤。
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，本申请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，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种图像库构建方法，其特征在于，所述图像库构建方法包括：
获取图像高维特征集合；
对所述图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇，其中，所述簇由点构成，所述点与所述高维特征一一对应；
基于所有所述簇，构建倒排文件***；
针对每一个所述簇，对所述簇中的所有点进行边连接处理，得到所述簇对应的完整图，并将所有所述完整图作为当前聚类图，其中，所有所述完整图为多层跳表的最底层图，所述多层跳表包括N个层，每一个层对应一个图，所述N为大于等于2的正整数；
对所述当前聚类图进行聚类处理，得到至少两个簇中心；
基于所有所述簇中心，构建中间图，其中，所述中间图为所述多层跳表的当前聚类图对应的上一层图；
将所述中间图作为当前聚类图，并返回所述对所述当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到所述中间图对应的层数达到预设层数时，得到多层跳表；
基于所述倒排文件***和所述多层跳表，构建图像库。
2.如权利要求1所述的图像库构建方法，其特征在于，所述获取图像高维特征集合的步骤包括：
获取图像集合；
基于预设的特征提取方式，对所述图像集合中的每一张图像进行高维特征提取，得到所述图像对应的高维特征；
将所有所述图像对应的高维特征加入图像高维特征集合中，得到图像高维特征集合。
3.如权利要求1所述的图像库构建方法，其特征在于，所述对所述图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇的步骤包括：
基于预设的簇中心选取方式，从所有高维特征中选取预设数量的高维特征作为簇中心，并基于所述簇中心，构建簇；
针对每一个所述高维特征，计算所述高维特征与每一个所述簇对应的簇中心的距离，得到所述高维特征对应的距离结果；
根据所述高维特征对应的距离结果，将所述高维特征划分到所述距离结果最小对应的簇中；
在每一个所述簇中，重新选取预设数量的高维特征作为簇中心，并返回所述针对每一个所述高维特征，计算所述高维特征与每一个所述簇对应的簇中心的距离，得到所述高维特征对应的距离结果的步骤继续执行，直到损失函数收敛，得到至少两个簇。
4.如权利要求1所述的图像库构建方法，其特征在于，所述基于所有所述簇，构建倒排文件***的步骤包括：
针对每一个簇，将所述簇对应的簇中心作为关键字，构建倒排文件，并将所述簇的所有点加入所述倒排文件中；
基于所有所述倒排文件，确定倒排文件***。
5.如权利要求1所述的图像库构建方法，其特征在于，所述针对每一个所述簇，对所述簇中的所有点进行边连接处理，得到所述簇对应的完整图，并将所有所述完整图作为当前聚类图的步骤包括：
针对每一个所述簇中的任一点，计算所述点与所述簇的其他点的相似度，得到所述点对应的所有相似度结果；
按照相似度从小到大的顺序，从所述点对应的所有相似度结果选取预设数量的相似度结果对应的点作为待连接点；
将所述点与所有所述待连接点进行边连接处理，直到所述簇中所有点选取完毕，得到所述簇对应的完整图。
6.一种图像检索方法，其特征在于，所述图像检索方法应用在权利要求1至5任一项构建的图像库上，所述图像检索方法包括：
获取待检索图像，并将所述待检索图像输入到图像库中；
对所述待检索图像进高维特征提取，得到待检索高维特征；
基于倒排文件***，计算所述待检索高维特征与每一个倒排文件对应的关键字的相似度，并根据计算得到的相似度结果，确定所述待检索高维特征对应的Top-k个簇；
针对所述Top-k个簇中的每一个簇，基于所述多层跳表，检索到与所述待检索高维特征距离最近的n个点，并将所述n个点作为候选点，其中，所述n为大于等于2的正整数；
将所有所述候选点对应的图像作为所述待检索图像的检索结果。
7.如权利要求6所述的图像检索方法，其特征在于，所述针对所述Top-k个簇中的每一个簇，基于所述多层跳表，检索到与所述待检索高维特征距离最近的n个点，并将所述n个点作为候选点的步骤包括：
针对所述Top-k个簇中的每一个簇，确定所述簇对应的簇中心；
将所述簇中心作为当前搜索点，并选取所述多层跳表的最高层图作为当前检索图；
将所述当前搜索点与所述当前检索图中的相邻点进行距离计算，得到所述当前搜索点与每一个相邻点对应的距离结果，其中，所述相邻点是指所述当前检索图中与所述当前搜索点存在边连接的点；
基于所有所述距离结果，将所述距离结果最小对应的相邻点作为当前搜索点，所述当前检索图对应的下一层图作为当前检索图，返回所述将所述当前搜索点与所述当前检索图中的相邻点进行距离计算，得到所述当前搜索点与每一个相邻点对应的距离结果的步骤继续执行，直到所述当前检索图对应的下一层图为最底层图；
当所述当前检索图对应的下一层图为最底层图时，将所述当前搜索点与所述当前检索图中的相邻点进行距离计算，得到所述当前搜索点与每一个相邻点对应的距离结果；
按照距离结果从小到大的顺序，选取出n个距离结果对应的相邻点，并将所述n个相邻点作为所述簇对应的候选点。
8.一种图像库构建装置，其特征在于，所述图像库构建装置包括：
图像高维特征集合获取模块，用于获取图像高维特征集合；
簇获取模块，用于对所述图像高维特征集合中的所有高维特征进行聚类处理，直到损失函数收敛，得到至少两个簇，其中，所述簇由点构成，所述点与所述高维特征一一对应；
倒排文件***构建模块，用于基于所有所述簇，构建倒排文件***；
完整图确定模块，用于针对每一个所述簇，对所述簇中的所有点进行边连接处理，得到所述簇对应的完整图，并将所有所述完整图作为当前聚类图，其中，所有所述完整图为多层跳表的最底层图，所述多层跳表包括N个层，每一个层对应一个图，所述N为大于等于2的正整数；
簇中心获取模块，用于对所述当前聚类图进行聚类处理，得到至少两个簇中心；
中间图确定模块，用于基于所有所述簇中心，构建中间图，其中，所述中间图为所述多层跳表的当前聚类图对应的上一层图；
多层跳表确定模块，用于将所述中间图作为当前聚类图，并返回所述对所述当前聚类图进行聚类处理，得到至少两个簇中心的步骤继续执行，直到所述中间图对应的层数达到预设层数时，得到多层跳表；
图像库构建模块，用于基于所述倒排文件***和所述多层跳表，构建图像库。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的图像库构建方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的图像库构建方法。
CN202210778038.6A 2022-07-04 2022-07-04 图像库构建方法、图像检索方法、装置及相关设备 Active CN114840692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210778038.6A CN114840692B (zh) 2022-07-04 2022-07-04 图像库构建方法、图像检索方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210778038.6A CN114840692B (zh) 2022-07-04 2022-07-04 图像库构建方法、图像检索方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN114840692A CN114840692A (zh) 2022-08-02
CN114840692B true CN114840692B (zh) 2022-09-30

Family

ID=82575061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210778038.6A Active CN114840692B (zh) 2022-07-04 2022-07-04 图像库构建方法、图像检索方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN114840692B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171252A (zh) * 2017-11-16 2018-06-15 柳州健鱼科技有限公司 一种基于分层聚类的均衡图像聚类方法
CN110490057A (zh) * 2019-07-08 2019-11-22 特斯联（北京）科技有限公司 一种基于人脸大数据人工智能聚类的自适应识别方法与***
CN111259979A (zh) * 2020-02-10 2020-06-09 大连理工大学 一种基于标签自适应策略的深度半监督图像聚类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8452108B2 (en) * 2008-06-25 2013-05-28 Gannon Technologies Group Llc Systems and methods for image recognition using graph-based pattern matching

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171252A (zh) * 2017-11-16 2018-06-15 柳州健鱼科技有限公司 一种基于分层聚类的均衡图像聚类方法
CN110490057A (zh) * 2019-07-08 2019-11-22 特斯联（北京）科技有限公司 一种基于人脸大数据人工智能聚类的自适应识别方法与***
CN111259979A (zh) * 2020-02-10 2020-06-09 大连理工大学 一种基于标签自适应策略的深度半监督图像聚类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
图像高维数据的K-means自适应聚类算法;唐颖军等;《小型微型计算机***》;20160815(第08期);全文 *

Also Published As

Publication number Publication date
CN114840692A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN110297935A (zh) 图像检索方法、装置、介质及电子设备
CN103345496B (zh) 多媒体信息检索方法和***
CN111325245B (zh) 重复图像识别方法、装置、电子设备及计算机可读存储介质
CN113407785B (zh) 一种基于分布式储存***的数据处理方法和***
CN114780746A (zh) 基于知识图谱的文档检索方法及其相关设备
CN112287069A (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN112506864B (zh) 文件检索的方法、装置、电子设备及可读存储介质
CN111222005B (zh) 声纹数据重排序方法、装置、电子设备及存储介质
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
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
JP6079270B2 (ja) 情報提供装置
CN113821657A (zh) 基于人工智能的图像处理模型训练方法及图像处理方法
CN109086386B (zh) 数据处理方法、装置、计算机设备和存储介质
CN112417875B (zh) 配置信息的更新方法、装置、计算机设备及介质
CN112925912A (zh) 文本处理方法、同义文本召回方法及装置
CN114840692B (zh) 图像库构建方法、图像检索方法、装置及相关设备
CN117251761A (zh) 数据对象分类方法、装置、存储介质及电子装置
CN112328630B (zh) 数据查询方法、装置、设备及存储介质
CN110941730B (zh) 基于人脸特征数据偏移的检索方法与装置
CN111949765B (zh) 基于语义的相似文本搜索方法、***、设备和存储介质
CN112036501A (zh) 基于卷积神经网络的图片的相似度检测方法及其相关设备
CN113590935B (zh) 信息推荐方法、装置、计算机设备及存储介质
CN117556033B (zh) 确定问答***的嵌入模型参数的方法、装置及计算设备
CN117093715B (zh) 词库扩充方法、***、计算机设备及存储介质
CN117932049A (zh) 病历摘要生成方法、装置、计算机设备及介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Image library construction method, image retrieval method, device and related equipment

Effective date of registration: 20221205

Granted publication date: 20220930

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

PE01 Entry into force 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: 20231220

Granted publication date: 20220930

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

PC01 Cancellation of the registration of the contract for pledge of patent right
CP03 Change of name, title or address

Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000

Patentee after: Wisdom Eye Technology Co.,Ltd.

Country or region after: China

Address before: 410205, Changsha high tech Zone, Hunan Province, China

Patentee before: Wisdom Eye Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address