CN112651953A - 图片相似度计算方法、装置、计算机设备及存储介质 - Google Patents
图片相似度计算方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112651953A CN112651953A CN202011623979.XA CN202011623979A CN112651953A CN 112651953 A CN112651953 A CN 112651953A CN 202011623979 A CN202011623979 A CN 202011623979A CN 112651953 A CN112651953 A CN 112651953A
- Authority
- CN
- China
- Prior art keywords
- picture
- similarity
- target
- image
- detection result
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000003708 edge detection Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及人工智能技术领域，公开了一种图片相似度计算方法、装置、计算机设备及存储介质，图片相似度计算方法包括：根据第一图片的第一目标检测结果及第二图片的第二目标检测结果确定第一图片及第二图片中是否存在同类型目标；当确定存在同类型目标时，从第一图片和第二图片中得到第一目标子图和第二目标子图；计算第一目标子图与第二目标子图的子图相似度，并根据子图相似度确定第一图片与第二图片之间的图片相似度，输出图片相似度和子图相似度；当确定不存在同类型目标时，对第一图片与第二图片进行边缘检测后计算第一图片与第二图片之间的图片相似度，并输出所述图片相似度。本发明能提高图片的相似度的准确率，并对图片的相似度作出解释。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种图片相似度计算方法、装置、计算机设备及存储介质。
背景技术
在知识产权类诉讼案件中，商标、商业海报侵权类案件屡见不鲜。如何判断被告的商标、商业海报图片是否对原告方的作品构成抄袭或侵权，关键是对两张图片的相似度进行评估并给出评估依据。目前常见的图片相似度判断方法通常是对图片进行缩放和灰度处理后使用余弦相似度来计算两张图片的相似度，但这种方法过于粗糙，仅对图片的像素数值进行对比和计算，相似度判断的准确性不高。随着机器学习技术的兴起，基于深度学习的图像处理技术开始应用在图片相似度的评估上，这种方法提高了准确性，但深度学习模型如同黑箱，输入两张图片模型就会输出一个相似度评估结果，无法给出相似度计算的解释和评分依据，使判断结果不够直观。
因此，如何提高图片相似度计算的可解释性成为亟待解决的技术问题。
发明内容
鉴于以上内容，有必要提出一种图片相似度计算方法、装置、计算机设备及存储介质，能够提高图片相似度计算的可解释性。
本发明的第一方面提供了一种图片相似度计算方法，所述图片相似度计算方法包括：
将第一图片输入目标检测模型得到第一目标检测结果，并将第二图片输入所述目标检测模型得到第二目标检测结果；
根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标；
当确定所述第一图片及所述第二图片中存在同类型目标时，从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图；
计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度；
当确定所述第一图片及所述第二图片中不存在同类型目标时，对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果；
根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度，并输出所述图片相似度。
根据本发明的一个可选的实施例，所述根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标包括：
获取所述第一目标检测结果中每个目标对应的类别属性，及获取所述第二目标检测结果中每个目标对应的类别属性；
当所述第一目标检测结果中一目标对应的类别属性与所述第二目标检测结果中一目标对应的类别属性一致时，确定所述第一图片及所述第二图片存在同类型目标。
根据本发明的一个可选的实施例，所述计算所述第一目标子图与所述第二目标子图的子图相似度包括：
对所述第一目标子图进行图像处理，及对所述第二目标子图进行图像处理；
计算处理后的第一目标子图的第一哈希值，并计算处理后的第二目标子图的第二哈希值；
根据第一公式、所述第一哈希值和所述第二哈希值计算所述第一目标子图与所述第二目标子图之间的子图相似度。
根据本发明的一个可选的实施例，所述计算所述第一目标子图与所述第二目标子图的子图相似度包括：
计算所述第一目标子图与所述第二目标子图的结构相似度值；
计算所述第一目标子图与所述第二目标子图的三直方图相似度值；
计算所述第一目标子图与所述第二目标子图的感知哈希相似度值；
根据预设的选取规则，在所述结构相似度值、所述三直方图相似度值和所述感知哈希相似度值中，确定所述第一目标子图与所述第二目标子图的子图相似度。
根据本发明的一个可选的实施例，所述计算所述第一目标子图与所述第二目标子图的三直方图相似度值包括：
计算所述第一目标子图在红色通道上的色阶分布得到第一红色直方图，计算所述第二目标子图在红色通道上的色阶分布得到第二红色直方图，使用第二公式对所述第一红色直方图和所述第二红色直方图进行重合度计算得到第一重合度；
计算所述第一目标子图在绿色通道上的色阶分布得到第一绿色直方图，计算所述第二目标子图在绿色通道上的色阶分布得到第二绿色直方图，使用第二公式对所述第一绿色直方图和所述第二绿色直方图进行重合度计算得到第二重合度；
计算所述第一目标子图在蓝色通道上的色阶分布得到第一蓝色直方图，计算所述第二目标子图在蓝色通道上的色阶分布得到第二蓝色直方图，使用第二公式对所述第一蓝色直方图和所述第二蓝色直方图进行重合度计算得到第三重合度；
根据预设的选取规则，在所述第一重合度、所述第二重合度和所述第三重合度中确定所述第一目标子图与所述第二目标子图的三直方图相似度值。
根据本发明的一个可选的实施例，所述对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果包括：
对所述第一图像进行灰度转换得到第一灰度图，和对所述第二图像进行灰度转换得到第二灰度图；
利用预设的过滤器对所述第一灰度图进行边缘检测得到第一边缘内容，并对所述第一边缘内容进行二值化处理和形态学腐蚀得到第一边缘检测结果；
利用预设的过滤器对所述第二灰度图进行边缘检测得到第二边缘内容，并对所述第二边缘内容进行二值化处理和形态学腐蚀得到第二边缘检测结果。
根据本发明的一个可选的实施例，所述根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度包括：
根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片的多个整体相似度值；
判断所述多个整体相似度值中是否存在一整体相似度值大于预设的整体相似度阈值；
当存在一整体相似度值大于所述预设的整体相似度阈值时，将所述多个整体相似度值中的最大值确定为所述第一图片与所述第二图片之间的图片相似度；
当不存在一整体相似度值大于所述预设的整体相似度阈值时，将所述多个整体相似度值中的最小值确定为所述第一图片与所述第二图片之间的图片相似度。
本发明的第二方面提供了一种图片相似度计算装置，所述装置包括：
目标确定模块，用于将第一图片输入目标检测模型得到第一目标检测结果，并将第二图片输入所述目标检测模型得到第二目标检测结果；
目标比对模块，用于根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标；
子图切割模块，用于当确定所述第一图片及所述第二图片中存在同类型目标时，从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图；
子图计算模块，用于计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度；
边缘检测模块，用于当确定所述第一图片及所述第二图片中不存在同类型目标时，对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果；
图片计算模块，用于根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度，并输出所述图片相似度。
本发明的第三方面提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的图片相似度计算方法。
本发明的第四方面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，所述计算机程序被处理器执行时使所述处理器实现如上述的图片相似度计算方法。
本申请实施例公开了一种图片相似度计算方法、装置、计算机设备及存储介质，通过目标检测模型得到待评估相似性的第一图片和第二图片的目标检测结果，然后根据目标检测结果确定所述第一图片及所述第二图片存在同类型目标，当第一图片及所述第二图片存在同类型目标时从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图，计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度，根据相同类型目标确定所述第一图片与所述第二图片之间的图片相似度，能准确地确定图像的相似度，提高图像相似度评估的准确性，同时输出所述图片相似度和所述子图相似度，可以全面地给出相似度评估的解释和评分依据，使评估结果直观，增加了图片相似度计算的可解释性，当根据所述第一目标检测结果及所述第二目标检测结果判断所述第一图片及所述第二图片不存在同类型目标时，对所述第一图片和所述第二图片进行边缘检测后计算所述第一图片与所述第二图片之间的图片相似度，对所述第一图片和所述第二图片进行边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性，减少了第一图片与第二图片之间的相似度计算的计算工作量，提高了第一图片与第二图片之间的相似度计算的计算效率，同时也提高了第一图片与第二图片之间的图片相似度计算的准确性。
附图说明
图1是本发明实施例提供的一种图片相似度计算方法的流程示意图；
图2是本发明实施例提供的一种图片相似度计算装置的示意性框图；
图3是是本发明实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种图片相似度计算方法、装置、计算机设备及计算机可读存储介质。其中，该图片相似度计算方法可应用于终端设备或服务器中，该终端设备可以手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备，该服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群。以下以该图片相似度计算方法应用于服务器为例进行解释说明。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请实施例提供的一种图片相似度计算方法的示意流程图。
如图1所示，所述图片相似度计算方法具体包括步骤S11至S16，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11、将第一图片输入目标检测模型得到第一目标检测结果，并将第二图片输入所述目标检测模型得到第二目标检测结果。
示例性的，将待比较的第一图片输入目标检测模型前，可对所述第一图片进行预处理，示例性的，预处理可以包括放大或缩小图像，裁剪图像，旋转图像，将图像中像素点的RGB值减去预设的RGB均值，将图像灰度化，通过预先确定的特征点对图片进行单应性变换等等。通过对图片进行预处理可以提高目标检测模型识别目标区域的准确性，从而提高图片相似度计算的准确率。
目标检测模型可以用于检测图像中的目标区域，并得到所述目标区域的位置信息，如目标区域的位置坐标。例如，将第一图片输入目标检测模型后得到的第一目标检测结果可以包括第一图片中的目标区域，以及该目标区域的类别属性、位置信息等，所述类别属性包括人物、动物和建筑等，所述位置信息包括所述目标区域在第一图片上的位置坐标。示例性的，所述第一目标检测结果还可包括第一图片中各个像素为区域目标的概率以及第一图片中某一区域为区域目标的置信度。
可选的，目标检测模型可以是技术人员对大量样本图像以及样本图像中的目标区域的位置信息进行统计分析，而得到的存储有多个样本图像与样本图像中的目标区域的位置信息的对应关系表。此时，上述执行主体可以计算第一图片与该对应关系表中的各个样本图像之间的相似度，并基于相似度计算结果，从该对应关系表中得到第一目标对应的第一目标区域。例如，首先确定出与第一图片相似度最高的样本图像，然后从该对应关系表中查找出该样本图像中的目标区域的位置信息的作为第一图片对应的目标区域。
目标检测模型可以利用机器学习方法和训练样本对现有的机器学习模型进行有监督训练得到。作为示例，可以采用区域敏感的卷积神经网络模型(Regions with CNN，RCNN)或全卷积网络模型等模型，其中，全卷积网络模型相比传统卷积神经网络模型，剔除了网络结构的中的全连接层，大大减少了模型的参数，同时通过上采样的方法，将图像分割转变成一个pixel-wise(像素级别)的预测问题，相比传统的patch-wise(图块(像素块)级别)的处理方法节约了计算时间。可选的，训练样本集合中可以包括多尺度的训练样本，以提高模型对不同尺寸目标的检测准确度。
S12、根据所述第一目标检测结果及所述第二目标检测结果判断所述第一图片及所述第二图片中是否存在同类型目标。
示例性的，在所述第一目标检测结果和所述第二目标检测结果中分别确定至少一个目标区域，根据所述第一目标检测结果中目标区域对应的区域信息及所述第二目标检测结果中目标区域对应的区域信息判断所述第一图片及所述第二图片中是否存在同类型目标。
在一实施方式中，所述根据所述第一目标检测结果及所述第二目标检测结果判断所述第一图片及所述第二图片中是否存在同类型目标包括：
获取所述第一目标检测结果中每个目标对应的类别属性，及获取所述第二目标检测结果中每个目标对应的类别属性；
当所述第一目标检测结果中一目标对应的类别属性与所述第二目标检测结果中一目标对应的类别属性一致时，确定所述第一图片及所述第二图片存在同类型目标。
根据所述第一目标检测结果中一目标对应的类别属性和所述第二目标检测结果中一目标对应的类别属性一致，如两个目标的类别属性都为人物，判断第一图片中的该目标和第二图片中的该目标为同类型目标，即确定所述第一图片及所述第二图片中存在同类型目标。示例性的，第一目标检测结果中包括目标OA1、OA2、OA3，目标OA1所属的类别属性是L1，目标OA2所属的类别属性是L2，目标OA3所属的类别属性是L3；第二目标检测结果中包括目标OB1、OB2、OB3，目标OB1所属的类别属性是L4，目标OB2所属的类别属性是L2，目标OB3所属的类别属性是L3，其中目标OA2与目标OB2类别属性相同，目标OA3与目标OB3类别属性相同，则确定所述第一图片及所述第二图片存在同类型目标。
S13、当根据所述第一目标检测结果及所述第二目标检测结果判断所述第一图片及所述第二图片存在同类型目标时，从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图。
根据第一图片上同类型目标对应的位置坐标从所述第一图片中切割出所述同类型目标得到第一目标子图，根据第二图片上同类型目标对应的位置坐标从所述第二图片中切割出所述同类型目标得到第二目标子图。示例性的，根据第一图片上同类型目标对应的位置坐标在所述第一图片中用矩形框框出所述同类型目标，并截取出来得到第一目标子图。可根据截取出来得到的多张第一目标子图生成第一目标子图集。
例如，所述第一图片上的同类型目标为OA2和OA3，目标OA2对应的位置坐标是PA2，目标OA3对应的位置坐标是PA3，根据位置坐标PA2在所述第一图片中切割出包含目标OA2的第一目标子图和根据位置坐标PA3在所述第一图片中切割出包含目标OA3的第一目标子图，并根据包含目标OA2的第一目标子图和包含目标OA3的第一目标子图生成第一目标子图集，如SubA＝{SubOA2、SubOA3}。
在一实施方式中，将得到的第一目标子图、第二目标子图、第一目标子图集、第二目标子图集等可存储于区块链中，在计算子图相似度时从区块链中取出，可提高子图的私密性和安全性。
S14、计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度。
示例性的，将第一目标子图集与第二目标子图集中的同类型目标两两组合，即将第一目标子图集与第二目标子图集中的同类型目标子图两两组合，对每一个组合分别计算目标图片的特征相似度。
示例性的，可采用预设的相似度计算方法计算所述第一目标子图及所述第二目标子图之间的子图相似度，其中所述相似度计算方法可以包括结构相似度(StructureSimilarity)计算方法、三直方图相似度计算方法和感知哈希相似度(Perceptual hash)计算方法。
在一实施方式中，所述计算所述第一目标子图与所述第二目标子图的子图相似度包括：
对所述第一目标子图进行图像处理，及对所述第二目标子图进行图像处理；
计算处理后的第一目标子图的第一哈希值，并计算处理后的第二目标子图的第二哈希值；
根据第一公式、所述第一哈希值和所述第二哈希值计算所述第一目标子图与所述第二目标子图之间的子图相似度。
示例性的，所述图像处理可包括缩放处理、灰度处理、DCT-变换处理等。例如，将第一目标子图缩放到预设大小，如32*32，再将缩放成预设大小的第一目标子图转换为灰度图，再对转换为灰度图的第一目标子图进行DCT变换，得到对应的DCT矩阵，例如只保留DCT矩阵的左上角(8*8大小)的低频区域，记为dct-ulc-A矩阵。再计算dct-ulc-A矩阵中元素的均值avg，并把dct-ulc-A矩阵的元素中元素值大于均值avg的元素值设置为1，小于均值avg的元素值置为0。再按照预设的顺序(如按照从上到下、从左到右的顺序)记录dct-ulc-A矩阵中的各个元素得到第一目标子图的第一哈希值，得到一个64位的二进制数，即哈希值hashA。第二目标子图也可采用上述方法以获取所述第二目标子图的第二哈希值，即哈希值hashB。
根据第一公式、所述第一哈希值和所述第二哈希值计算所述第一目标子图与所述第二目标子图之间的感知哈希相似度值，并将所述感知哈希相似度值作为所述第一目标子图与所述第二目标子图的子图相似度。
其中，所述第一公式如下：
其中hashA表示目标子图A的哈希值，hashB表示目标子图B的哈希值，hashA(i)表示hashA的第i位上的二进制值，hashB(i)表示hashB的第i位上的二进制值，cmp(x,y)函数表示当x、y相等时值为1，当x、y不相等时值为0。
在一实施方式中，所述计算所述第一目标子图与所述第二目标子图的子图相似度包括：
计算所述第一目标子图与所述第二目标子图的结构相似度值；
计算所述第一目标子图与所述第二目标子图的三直方图相似度值；
计算所述第一目标子图与所述第二目标子图的感知哈希相似度值；
根据预设的选取规则，在所述结构相似度值、所述三直方图相似度值和所述感知哈希相似度值中，确定所述第一目标子图与所述第二目标子图的子图相似度。
示例性的，所述选取规则可以是在所述结构相似度值、所述三直方图相似度值和感知哈希相似度值中选取数值最大的相似度值作为计算所述第一目标子图与所述第二目标子图的子图相似度。
示例性的，所述结构相似度值的计算前，可以对所述第一目标子图和所述第二目标子图进行预处理。例如，对第一目标子图和第二目标子图进行缩放处理，使得第一目标子图和第二目标子图大小长宽一致，接着对进行缩放处理后的第一目标子图和进行缩放处理后的第二目标子图进行灰度处理，利用图像处理库对灰度处理后的第一目标子图和灰度处理后的第二目标子图进行计算，得到所述第一目标子图与所述第二目标子图的结构相似度值，如利用图像处理库OpenCV计算得到结构相似度值，OpenCV是跨平台计算机视觉和机器学习软件库。
在一实施方式中，所述计算所述第一目标子图与所述第二目标子图的三直方图相似度值包括：
计算所述第一目标子图在红色通道上的色阶分布得到第一红色直方图，计算所述第二目标子图在红色通道上的色阶分布得到第二红色直方图，使用第二公式对所述第一红色直方图和所述第二红色直方图进行重合度计算得到第一重合度；
计算所述第一目标子图在绿色通道上的色阶分布得到第一绿色直方图，计算所述第二目标子图在绿色通道上的色阶分布得到第二绿色直方图，使用第二公式对所述第一绿色直方图和所述第二绿色直方图进行重合度计算得到第二重合度；
计算所述第一目标子图在蓝色通道上的色阶分布得到第一蓝色直方图，计算所述第二目标子图在蓝色通道上的色阶分布得到第二蓝色直方图，使用第二公式对所述第一蓝色直方图和所述第二蓝色直方图进行重合度计算得到第三重合度；
根据预设的选取规则，在所述第一重合度、所述第二重合度和所述第三重合度中确定所述第一目标子图与所述第二目标子图的三直方图相似度值。
示例性的，可使用256个桶在计算目标子图在每个颜色通道上的色阶分布得到该目标子图在每个颜色通道上对应的直方图，所述颜色通道包括红色通道、绿色通道和蓝色通道。例如，使用256个桶计算第一目标子图在红色通道上的色阶分布得到目标子图在红色通道上对应的直方图，即第一红色直方图。
其中，所述第二公式如下：
其中，histA表示目标子图A在某个颜色通道上的统计直方图，histA[i]表示在第i个桶中的数值，histB表示目标子图B在某个颜色通道上的统计直方图，histB[i]表示在第i个桶中的数值，abs(x)函数表示对x取绝对值，max(x,y)函数表示取x,y两者当中的最大值，目标子图A和目标子图B处于同一个颜色通道。
示例性的，所述选取规则可以是在所述第一重合度、所述第二重合度和所述第三重合度中选取重合度最大的重合度值，并使用所述重合度最大的重合度值除以计算目标子图在每个颜色通道上的色阶分布时所用的桶的数量，得到所述第一图片与所述第二图片之间的三直方图相似度值。
在一实施方式中，当存在多个第一目标子图及所述多个第一目标子图对应的多个第二目标子图时，计算每个第一目标子图与所述第一目标子图对应的第二目标子图之间的子图相似度，得到多个子图相似度；将所述多个子图相似度中最大的子图相似度确定为所述第一图片与所述第二图片之间的图片相似度。
示例性的，所述多个子图相似度包括子图相似度A、子图相似度B、子图相似度C和子图相似度D。其中子图相似度D最大，即将子图相似度D确定为所述第一图片与所述第二图片之间的图片相似度。
示例性的，可根据预设的选取规则在所述多个子图相似度中确定输出的子图相似度。预设的选取规则可以为根据目标子图的类别属性，在所述多个子图相似度中确定输出的子图相似度。例如，子图相似度A对应的目标子图与子图相似度B对应的目标子图为相同的类别属性，如椅子，子图相似度C对应的目标子图与子图相似度D对应的目标子图为相同的类别属性，如人物，在相似度A和相似度B中选取最大的值进行输出，和在相似度C和相似度D中选取最大的值进行输出。在一实施方式中，相似度A和相似度B中选取最大的值进行输出时，可以同时输出相似度A和相似度B对应的类别属性：椅子。
同时输出所述图片相似度和所述子图相似度，可以全面地给出相似度评估的解释和评分依据，使评估结果直观，增加了图片相似度计算的可解释性，输出根据多种不同类别属性的目标子图得到的多个相似度，可以进一步增加了图片相似度计算的可解释性。
S15、当根据所述第一目标检测结果及所述第二目标检测结果判断所述第一图片及所述第二图片不存在同类型目标时，对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果。
边缘检测是图像处理和计算机视觉中的基本问题，其目的是标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性，减少了第一图片与第二图片之间的相似度计算的计算工作量，提高了第一图片与第二图片之间的相似度计算的计算效率。同时也提高了第一图片与第二图片之间的相似度计算的准确性。
在一实施方式中，所述对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果包括：
对所述第一图像进行灰度转换得到第一灰度图，和对所述第二图像进行灰度转换得到第二灰度图；
利用预设的过滤器对所述第一灰度图进行边缘检测得到第一边缘内容，并对所述第一边缘内容进行二值化处理和形态学腐蚀得到第一边缘检测结果；
利用预设的过滤器对所述第二灰度图进行边缘检测得到第二边缘内容，并对所述第二边缘内容进行二值化处理和形态学腐蚀得到第二边缘检测结果。
预设的过滤器可以是sobel过滤器，sobel过滤器包括水平过滤器GX和垂直过滤器GY，其中垂直过滤器为水平过滤器旋转90度。示例性的，sobel过滤器可为3x3的矩阵，水平过滤器GX的值可设为Gx＝[[-1,-2,-1],[0,0,0],[1,2,1]],垂直过滤器GY的值可设置为Gy＝[[-1,0,1],[-2,0,2],[-1,0,1]]。利用水平过滤器GX和垂直过滤器GY对第一灰度图和第二灰度图分别进行边缘检测，勾勒出图像内容中的边缘部分，即勾勒出第一边缘内容和第二边缘内容。
其中二值化处理是指将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。例如，将边缘内容中的像素点的色阶值超过预设阈值的像素值设为255，如预设阈值为边缘内容中的像素点的平均色阶值的80％，将边缘内容中的像素点的色阶值不超过预设阈值的像素值设为0。
形态学腐蚀就是将图像(或图像的一部分区域)与核进行卷积，除去图像的某些部分。核可以是任何的形状和大小，它拥有一个单独定义出来的参考点-锚点(anchorpoint)。形态学腐蚀可以理解为核的锚点沿着图像(或图像的一部分区域)的内边界走了一圈，图像(或图像的一部分区域)中能完全包含核的像素被留下来了。示例性的，形态学腐蚀可利用Matlab中的imerode函数实现。
通过灰度变换、二值化处理和形态学腐蚀，可以精准剔除图像中不相关的信息，全面地保留了图像重要的结构属性，进一步提高了第一图片与所述第二图片之间的相似度计算的准确性。
S16、根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度，并输出所述图片相似度。
示例性的，根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片和所述第二图片的整体相似度值，并根据所述整体相似度值确定第一图片与所述第二图片之间的相似度，其中所述第一图片和所述第二图片的整体相似度值包括所述第一目标子图与所述第二目标子图的结构相似度值、三直方图相似度值和/或感知哈希相似度值等。
在一实施方式中，所述根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度包括：
根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片的多个整体相似度值；
判断所述多个整体相似度值中是否存在一整体相似度值大于预设的整体相似度阈值；
当存在一整体相似度值大于所述预设的整体相似度阈值时，将所述多个整体相似度值中的最大值确定为所述第一图片与所述第二图片之间的图片相似度；
当不存在一整体相似度值大于所述预设的整体相似度阈值时，将所述多个整体相似度值中的最小值确定为所述第一图片与所述第二图片之间的图片相似度。
示例性的，所述第一图片和所述第二图片的多个整体相似度值包括所述第一图片与所述第二图片的结构相似度值、三直方图相似度值和感知哈希相似度值等。所述结构相似度值、三直方图相似度值和感知哈希相似度值的相关计算方法可参见上述内容中的相关描述，在此不再赘述。
示例性的，在输出所述第一图片与所述第二图片之间的图片相似度时，可以同时输出所述第一图片和所述第二图片的多个整体相似度值，如所述第一图片与所述第二图片的结构相似度值、三直方图相似度值和感知哈希相似度值等。同时输出多个相似度值，可以全面地给出相似度评估的解释和评分依据，使评估结果直观，增加了图片相似度计算的可解释性。通过预设整体相似度阈值，并在存在一整体相似度值大于所述整体相似度阈值时，将所述多个整体相似度值中的最大值确定为所述第一图片与所述第二图片之间的相似度、不存在一整体相似度值大于所述整体相似度阈值时，将所述多个整体相似度值中的最小值确定为所述第一图片与所述第二图片之间的相似度，可以避免在相似度低的情况下输出最大值造成图像相似度评估的错误估计，导致影响图像相似度评估的准确性的情况发生，从而提高了图像相似度评估的准确性。
上述实施例提供的图片相似度计算方法，通过目标检测模型得到待评估相似性的第一图片和第二图片的目标检测结果，然后根据目标检测结果确定所述第一图片及所述第二图片存在同类型目标，当第一图片及所述第二图片存在同类型目标时从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图，计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度，根据相同类型目标确定所述第一图片与所述第二图片之间的图片相似度，能准确地确定图像的相似度，提高图像相似度评估的准确性，同时输出所述图片相似度和所述子图相似度，可以全面地给出相似度评估的解释和评分依据，使评估结果直观，增加了图片相似度计算的可解释性，当根据所述第一目标检测结果及所述第二目标检测结果判断所述第一图片及所述第二图片不存在同类型目标时，对所述第一图片和所述第二图片进行边缘检测后计算所述第一图片与所述第二图片之间的图片相似度，对所述第一图片和所述第二图片进行边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性，减少了第一图片与第二图片之间的相似度计算的计算工作量，提高了第一图片与第二图片之间的相似度计算的计算效率，同时也提高了第一图片与第二图片之间的图片相似度计算的准确性。
请参阅图2，图2是本申请的实施例提供的一种图片相似度计算装置的示意性框图，该图片相似度计算装置用于执行前述的图片相似度计算方法。其中，该图片相似度计算装置可以配置于服务器或终端中。
其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
如图2所示，图片相似度计算装置20包括：目标确定模块201、目标比对模块202、子图切割模块203、子图计算模块204、边缘检测模块205和图片计算模块206。
目标确定模块201，用于将第一图片输入目标检测模型得到第一目标检测结果，并将第二图片输入所述目标检测模型得到第二目标检测结果；
目标比对模块202，用于根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标；
子图切割模块203，用于当确定所述第一图片及所述第二图片中存在同类型目标时，从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图；
子图计算模块204，用于计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度；
边缘检测模块205，用于当确定所述第一图片及所述第二图片中不存在同类型目标时，对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果；
图片计算模块206，用于根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度，并输出所述图片相似度。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述图片相似度计算方法实施例中的对应过程，在此不再赘述。
上述实施例提供的图片相似度计算装置可以实现为一种计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
请参阅图3，图3为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端设备。
如图3所示，该计算机设备30包括通过系统总线连接的处理器301和存储器302，其中，存储器302可以包括非易失性存储介质和易失性存储介质。
存储器302可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器301执行任意一项所述的图片相似度计算方法。
处理器301用于提供计算和控制能力，支撑整个计算机设备的运行。
在一可行实施例中，所述计算机设备还包括网络接口，所述网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器301是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器执行存储在存储器中的计算机程序，以实现如下步骤：
将第一图片输入目标检测模型得到第一目标检测结果，并将第二图片输入所述目标检测模型得到第二目标检测结果；
根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标；
当确定所述第一图片及所述第二图片中存在同类型目标时，从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图；
计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度；
当确定所述第一图片及所述第二图片中不存在同类型目标时，对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果；
根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度，并输出所述图片相似度。
具体地，所述处理器对上述指令的具体实现方法可参考前述图片相似度计算方法实施例中相关步骤的描述，在此不赘述。
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上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请图片相似度计算方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
前述实施例提供的图片相似度计算装置、计算机设备及计算机可读存储介质，通过目标检测模型得到待评估相似性的第一图片和第二图片的目标检测结果，然后根据目标检测结果确定所述第一图片及所述第二图片存在同类型目标，当第一图片及所述第二图片存在同类型目标时从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图，计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度，根据相同类型目标确定所述第一图片与所述第二图片之间的图片相似度，能准确地确定图像的相似度，提高图像相似度评估的准确性，同时输出所述图片相似度和所述子图相似度，可以全面地给出相似度评估的解释和评分依据，使评估结果直观，增加了图片相似度计算的可解释性，当根据所述第一目标检测结果及所述第二目标检测结果判断所述第一图片及所述第二图片不存在同类型目标时，对所述第一图片和所述第二图片进行边缘检测后计算所述第一图片与所述第二图片之间的图片相似度，对所述第一图片和所述第二图片进行边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性，减少了第一图片与第二图片之间的相似度计算的计算工作量，提高了第一图片与第二图片之间的相似度计算的计算效率，同时也提高了第一图片与第二图片之间的图片相似度计算的准确性。
本发明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。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种图片相似度计算方法，其特征在于，所述图片相似度计算方法包括：
将第一图片输入目标检测模型得到第一目标检测结果，并将第二图片输入所述目标检测模型得到第二目标检测结果；
根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标；
当确定所述第一图片及所述第二图片中存在同类型目标时，从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图；计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度；
当确定所述第一图片及所述第二图片中不存在同类型目标时，对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果；根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度，并输出所述图片相似度。
2.根据权利要求1所述的图片相似度计算方法，其特征在于，所述根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标包括：
获取所述第一目标检测结果中每个目标对应的类别属性，及获取所述第二目标检测结果中每个目标对应的类别属性；
当所述第一目标检测结果中一目标对应的类别属性与所述第二目标检测结果中一目标对应的类别属性一致时，确定所述第一图片及所述第二图片存在同类型目标。
3.根据权利要求1所述的图片相似度计算方法，其特征在于，所述计算所述第一目标子图与所述第二目标子图的子图相似度包括：
对所述第一目标子图进行图像处理，及对所述第二目标子图进行图像处理；
计算处理后的第一目标子图的第一哈希值，并计算处理后的第二目标子图的第二哈希值；
根据第一公式、所述第一哈希值和所述第二哈希值计算所述第一目标子图与所述第二目标子图之间的子图相似度。
4.根据权利要求1所述的图片相似度计算方法，其特征在于，所述计算所述第一目标子图与所述第二目标子图的子图相似度包括：
计算所述第一目标子图与所述第二目标子图的结构相似度值；
计算所述第一目标子图与所述第二目标子图的三直方图相似度值；
计算所述第一目标子图与所述第二目标子图的感知哈希相似度值；
根据预设的选取规则，在所述结构相似度值、所述三直方图相似度值和所述感知哈希相似度值中，确定所述第一目标子图与所述第二目标子图的子图相似度。
5.根据权利要求4所述的图片相似度计算方法，其特征在于，所述计算所述第一目标子图与所述第二目标子图的三直方图相似度值包括：
计算所述第一目标子图在红色通道上的色阶分布得到第一红色直方图，计算所述第二目标子图在红色通道上的色阶分布得到第二红色直方图，使用第二公式对所述第一红色直方图和所述第二红色直方图进行重合度计算得到第一重合度；
计算所述第一目标子图在绿色通道上的色阶分布得到第一绿色直方图，计算所述第二目标子图在绿色通道上的色阶分布得到第二绿色直方图，使用第二公式对所述第一绿色直方图和所述第二绿色直方图进行重合度计算得到第二重合度；
计算所述第一目标子图在蓝色通道上的色阶分布得到第一蓝色直方图，计算所述第二目标子图在蓝色通道上的色阶分布得到第二蓝色直方图，使用第二公式对所述第一蓝色直方图和所述第二蓝色直方图进行重合度计算得到第三重合度；
根据预设的选取规则，在所述第一重合度、所述第二重合度和所述第三重合度中确定所述第一目标子图与所述第二目标子图的三直方图相似度值。
6.根据权利要求1所述的图片相似度计算方法，其特征在于，所述对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果包括：
对所述第一图像进行灰度转换得到第一灰度图，和对所述第二图像进行灰度转换得到第二灰度图；
利用预设的过滤器对所述第一灰度图进行边缘检测得到第一边缘内容，并对所述第一边缘内容进行二值化处理和形态学腐蚀得到第一边缘检测结果；
利用预设的过滤器对所述第二灰度图进行边缘检测得到第二边缘内容，并对所述第二边缘内容进行二值化处理和形态学腐蚀得到第二边缘检测结果。
7.根据权利要求1所述的图片相似度计算方法，其特征在于，所述根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度包括：
根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片的多个整体相似度值；
判断所述多个整体相似度值中是否存在一整体相似度值大于预设的整体相似度阈值；
当存在一整体相似度值大于所述预设的整体相似度阈值时，将所述多个整体相似度值中的最大值确定为所述第一图片与所述第二图片之间的图片相似度；
当不存在一整体相似度值大于所述预设的整体相似度阈值时，将所述多个整体相似度值中的最小值确定为所述第一图片与所述第二图片之间的图片相似度。
8.一种图片相似度计算装置，其特征在于，包括：
目标确定模块，用于将第一图片输入目标检测模型得到第一目标检测结果，并将第二图片输入所述目标检测模型得到第二目标检测结果；
目标比对模块，用于根据所述第一目标检测结果及所述第二目标检测结果确定所述第一图片及所述第二图片中是否存在同类型目标；
子图切割模块，用于当确定所述第一图片及所述第二图片中存在同类型目标时，从所述第一图片中切割出所述同类型目标得到第一目标子图，并从所述第二图片中切割出所述同类型目标得到第二目标子图；
子图计算模块，用于计算所述第一目标子图与所述第二目标子图的子图相似度，并根据所述子图相似度确定所述第一图片与所述第二图片之间的图片相似度，输出所述图片相似度和所述子图相似度；
边缘检测模块，用于当确定所述第一图片及所述第二图片中不存在同类型目标时，对所述第一图片进行边缘检测得到第一边缘检测结果，并对所述第二图片进行边缘检测得到第二边缘检测结果；
图片计算模块，用于根据所述第一边缘检测结果及所述第二边缘检测结果计算所述第一图片与所述第二图片之间的图片相似度，并输出所述图片相似度。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序时实现如权利要求1至7中任一项所述的图片相似度计算方法。
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存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图片相似度计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011623979.XA CN112651953B (zh) | 2020-12-31 | 2020-12-31 | 图片相似度计算方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011623979.XA CN112651953B (zh) | 2020-12-31 | 2020-12-31 | 图片相似度计算方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651953A true CN112651953A (zh) | 2021-04-13 |
| CN112651953B CN112651953B (zh) | 2024-03-15 |
Family
ID=75366817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011623979.XA Active CN112651953B (zh) | 2020-12-31 | 2020-12-31 | 图片相似度计算方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651953B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191661A (zh) * | 2021-05-17 | 2021-07-30 | 广州市珑玺信息科技有限公司 | 广告监播的方法、装置、存储介质及处理器 |
| CN113821672A (zh) * | 2021-09-24 | 2021-12-21 | 北京搜房科技发展有限公司 | 侵权图片的确定方法及装置 |
| CN113963305A (zh) * | 2021-12-21 | 2022-01-21 | 网思科技股份有限公司 | 一种视频关键帧和特写片段提取方法 |
| CN114625906A (zh) * | 2022-03-10 | 2022-06-14 | 平安国际智慧城市科技股份有限公司 | 图像处理方法、装置、计算机设备及介质 |
| CN117540047A (zh) * | 2023-11-24 | 2024-02-09 | 中科世通亨奇(北京)科技有限公司 | 基于图片检索视频的方法、系统、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033472A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 图片检索方法及装置、计算机设备及计算机可读介质 |
| CN110033018A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技（深圳）有限公司 | 图形相似度判断方法、装置及计算机可读存储介质 |
| CN110413824A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 一种相似图片的检索方法及装置 |
| CN110532866A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技（深圳）有限公司 | 视频数据检测方法、装置、计算机设备及存储介质 |
| CN111079571A (zh) * | 2019-11-29 | 2020-04-28 | 杭州数梦工场科技有限公司 | 证卡信息识别及其边缘检测模型训练方法、装置 |
| US10699413B1 (en) * | 2018-03-23 | 2020-06-30 | Carmax Business Services, Llc | Automatic image cropping systems and methods |
| CN111428122A (zh) * | 2020-03-20 | 2020-07-17 | 南京中孚信息技术有限公司 | 图片检索方法、装置及电子设备 |
-
2020
- 2020-12-31 CN CN202011623979.XA patent/CN112651953B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10699413B1 (en) * | 2018-03-23 | 2020-06-30 | Carmax Business Services, Llc | Automatic image cropping systems and methods |
| CN109033472A (zh) * | 2018-09-05 | 2018-12-18 | 深圳灵图慧视科技有限公司 | 图片检索方法及装置、计算机设备及计算机可读介质 |
| CN110033018A (zh) * | 2019-03-06 | 2019-07-19 | 平安科技（深圳）有限公司 | 图形相似度判断方法、装置及计算机可读存储介质 |
| CN110413824A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 一种相似图片的检索方法及装置 |
| CN110532866A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技（深圳）有限公司 | 视频数据检测方法、装置、计算机设备及存储介质 |
| CN111079571A (zh) * | 2019-11-29 | 2020-04-28 | 杭州数梦工场科技有限公司 | 证卡信息识别及其边缘检测模型训练方法、装置 |
| CN111428122A (zh) * | 2020-03-20 | 2020-07-17 | 南京中孚信息技术有限公司 | 图片检索方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 赵起超;任明武;: "一种基于颜色属性的通用目标检测方法", 微电子学与计算机, no. 02 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191661A (zh) * | 2021-05-17 | 2021-07-30 | 广州市珑玺信息科技有限公司 | 广告监播的方法、装置、存储介质及处理器 |
| CN113191661B (zh) * | 2021-05-17 | 2024-07-23 | 上海鑫尤视网络科技有限公司 | 广告监播的方法、装置、存储介质及处理器 |
| CN113821672A (zh) * | 2021-09-24 | 2021-12-21 | 北京搜房科技发展有限公司 | 侵权图片的确定方法及装置 |
| CN113963305A (zh) * | 2021-12-21 | 2022-01-21 | 网思科技股份有限公司 | 一种视频关键帧和特写片段提取方法 |
| CN114625906A (zh) * | 2022-03-10 | 2022-06-14 | 平安国际智慧城市科技股份有限公司 | 图像处理方法、装置、计算机设备及介质 |
| CN117540047A (zh) * | 2023-11-24 | 2024-02-09 | 中科世通亨奇(北京)科技有限公司 | 基于图片检索视频的方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651953B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
| CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
| CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
| CN112102340B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| WO2020082731A1 (zh) | 电子装置、证件识别方法及存储介质 | |
| US20180253852A1 (en) | Method and device for locating image edge in natural background | |
| CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
| CN111899270A (zh) | 卡片边框检测方法、装置、设备及可读存储介质 | |
| CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
| CN114444565B (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
| WO2023185234A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| CN114581646A (zh) | 文本识别方法、装置、电子设备及存储介质 | |
| CN114758145B (zh) | 一种图像脱敏方法、装置、电子设备及存储介质 | |
| US20240193987A1 (en) | Face liveness detection method, terminal device and non-transitory computer-readable storage medium | |
| CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
| CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
| CN114973057A (zh) | 基于人工智能的视频图像检测方法及相关设备 | |
| CN112116585B (zh) | 图像移除篡改盲检测方法、系统、设备及存储介质 | |
| CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 | |
| CN113840135A (zh) | 色偏检测方法、装置、设备及存储介质 | |
| WO2024174726A1 (zh) | 基于深度学习的手写及打印文本检测方法和装置 | |
| JP4967045B2 (ja) | 背景判別装置、方法及びプログラム | |
| CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
| CN114677319A (zh) | 干细胞分布确定方法、装置、电子设备及存储介质 |
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 |