一种图片处理方法及装置的制造方法
【技术领域】
[0001] 本发明涉及计算机领域，尤其涉及一种图片处理方法及装置。
【背景技术】
[0002] 在对图片的处理过程中，可通过全局特征（globalfeature)算法和/或局部特征 (localfeature)算法进行对图片的特征进行提取，将提取的图片的特征应用于图片索引 或图片相似度判断等场景中。例如，在互联网平台的广告系统中，若投放的广告类型为图 片，可通过全局特征算法GIST(GeneralizedSearchTree,通用搜索树）对图片进行去重判 断和相似度计算，可提取每张图片的GIST特征，对提取到的GIST特征计算向量的欧式距 离，根据欧式距离计算每张图片的相似度，还可将提取到的每张图片的GIST特征作为广告 特征的表达，但是需离线保存并计算所有图片，加载每张图片的GIST全局特征，维度高，计 算复杂度大，且无法描述图片的细节特征，根据欧式距离计算每张图片的相似度的阈值为 [0, +…），阈值难以精确确定，降低了图片处理的效率。现有技术中对图片的特征进行提 取，得到的特征向量维度高，计算复杂度大，图片处理精度低，图片处理效率低。
【发明内容】
[0003] 本发明实施例提供一种图片处理方法及装置，可解决现有技术中对图片的特征进 行提取得到的特征向量维度高，计算复杂度大，图片处理精度低，图片处理效率低的技术问 题。
[0004] 本发明第一方面提供了一种图片处理方法，可包括：
[0005] 提取图片的多个特征向量，并将所述图片的多个特征向量映射为拟合向量；
[0006] 查找所述拟合向量中每个特征向量对应的预设CRC编码，根据所述拟合向量中每 个特征向量对应的预设CRC编码生成散列值；
[0007] 获取预设拟合系数，并根据所述散列值和所述预设拟合系数对所述拟合向量进行 加权计算，得到所述图片的加权向量；
[0008] 将所述图片的加权向量映射为所述图片的签名。
[0009] 本发明第二方面提供了一种图片处理装置，可包括：
[0010] 图片特征处理模块，用于提取图片的多个特征向量，并将所述图片的多个特征向 量映射为拟合向量；
[0011] 散列值处理模块，用于查找所述拟合向量中每个特征向量对应的预设CRC编码， 根据所述拟合向量中每个特征向量对应的预设CRC编码生成散列值；
[0012] 加权计算模块，用于获取预设拟合系数，并根据所述散列值和所述预设拟合系数 对所述拟合向量进行加权计算，得到所述图片的加权向量；
[0013] 签名模块，用于将所述图片的加权向量映射为所述图片的签名。
[0014] 本发明第三方面提供了一种终端，可包括：如上述第二方面所述的装置。
[0015] 实施本发明实施例，具有如下有益效果：
[0016] 可提取图片的多个特征向量，并将图片的多个特征向量映射为拟合向量，由拟合 向量中每个特征向量对应的预设CRC编码生成散列值，从而可根据散列值和预设拟合系数 对拟合向量进行加权计算得到图片的加权向量，将图片的加权向量映射为图片的签名。采 用本发明实施例，可提高图片处理精度，可降低特征向量的维度，从而简化了计算复杂度， 提高了图片处理效率。
【附图说明】
[0017] 为了更清楚地说明本发明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 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的前提下，还可以 根据这些附图获得其他的附图。
[0018] 图1是本发明实施例提供的一种图片处理方法的流程示意图；
[0019] 图2是本发明实施例提供的图片处理方法的具体示意图；
[0020] 图3是本发明实施例提供的一种图片处理装置的结构示意图；
[0021] 图4是本发明实施例提供的图片特征处理模块的结构示意图；
[0022] 图5是本发明实施例提供的散列值处理模块的结构示意图。
【具体实施方式】
[0023] 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，所描述的实施例仅仅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。
[0024] 在本发明实施例中，一种图片处理装置可以为：个人电脑、服务器等终端，也可以 通过终端中的客户端模块实现，例如：图片处理客户端、广告图片处理客户端等。
[0025] 本发明实施例中，可对训练样本进行分类训练以构建特征分析模型，再将需要处 理的图片输入到特征分析模型中，输出图片的特征向量，从而提取到图片的特征向量。进 一步，将图片的多个特征向量映射为拟合向量，由拟合向量中每个特征向量对应的预设 CRC (Cyclic Redundancy Check,循环冗余校验）编码生成散列值，从而可根据散列值和预设 拟合系数对拟合向量进行加权计算得到图片的加权向量，将图片的加权向量映射为图片的 签名。具体实现中，本发明实施例可以应用于互联网平台的广告系统的广告图片处理方案 中，在得到每张广告图片的签名时，可通过对比多张广告图片的签名确定该多张图片的相 似度，还可以通过广告图片的签名进行索引或者用于广告特征的表达等等。
[0026] 下面将结合附图1，对本发明实施例提供的图片处理方法进行详细介绍。
[0027] 请参见图1，为本发明实施例提供了一种图片处理方法的流程示意图，该方法可以 包括以下步骤：S101~S104。
[0028] S101，提取图片的多个特征向量，并将图片的多个特征向量映射为拟合向量。
[0029] 作为一种可选的实施方式，本发明实施例中提取图片的多个特征向量，其中，多个 特征向量包括但不局限于：图片细节特征向量、色彩特征向量和纹理特征向量，还可以包括 其他图片的特征向量，具体不受本发明实施例的限制。
[0030] 作为一种可选的实施方式，图片细节特征向量具体可以描述图片局部特征，则提 取图片的特征向量具体可以包括：
[0031]提取图片的SIFT(scale-invariantfeaturetransform，尺度不变特征转换）特 征点，对图片的SIFT特征点进行数据聚类，确定每个SIFT特征点所属的预设类别，统计图 片中所述预设类别的频率，由统计得到的图片中所述预设类别的频率生成图片的图片细节 特征序列，将图片细节特征序列映射为图片的图片细节特征向量。
[0032] 具体实现中，图片细节特征向量可通过预先建立的特征分析模型进行提取。具体 的，特征分析模型的建立过程可以为：通过尺度不变特征转换算法对训练样本进行图片的 SIFT特征点的提取，通过聚类算法对提取到特征点进行分类，不同数目的聚类簇对应不同 的训练模型，由测试样本对训练模型的准确率进行测试，将准确率最高的训练模型确定为 特征分析模型。
[0033] 聚类算法例如K-Means算法，K-Means算法可合并词义相近的视觉词汇，构造一个 包含K个词汇的视觉词表，K为大于0的正整数。其中，在B0W模型中，假定对于一个文档， 忽略它的单词顺序和语法、句法等要素，将其仅仅看作是若干个词汇的集合，文档中每个单 词的出现都是独立的，不依赖于其它单词是否出现，则文档中任意一个位置出现的任何单 词，都不受该文档语意影响而独立选择的。
[0034] 在K-Means算法中，可将图片设为由至少一个"视觉词汇"组成的集合，且视觉词 汇之间没有顺序，对于同一类目标的不同实例之间存在共同的部位特征，将不同实例之间 共同的部位特征提取出来，作为识别这一类目标的视觉词汇包，再将相似的特征聚为一个 簇（也称为词典包或vocabulary)中，在同一个词典包中的视觉词汇，都可以用该词典包编 号来表示，最终将一幅图片中的所有特征点表示为一序列用词典包编号描述的特征向量。 本发明实施例中，每个SIFT特征点所属的预设类别包括：词典包编号。
[0035] 本发明实施例中，通过SIFT算法对预设数量的训练样本进行图片的SIFT特征点 的提取，即提取图片的视觉词汇，其中，预设数量例如50000,训练样本例如广告系统中的广 告图片。在SIFT算法中，每个特征点可以通过特征点周围区域4*4区域范围的像素的8个 方向进行描述，对每个特征点可得到4*4*8 = 128维的特征点向量，可用于表示该特征点的 梯度幅值与梯度方向。提取图片的SIFT特征点后，再汇总所有提取到的特征点，构成128 维的特征点向量，并计算该128维特征点向量的余弦相似度，将计算结果作为K-Means算法 的输入，通过K-Means算法，构造一个包含K个词汇的视觉词表：SIFT-vocabulary，得到训 练模型，其中，K为聚类簇的数目，K值大小具体不受本发明实施例的限制。例如，对训练模 型，可分别选取K= 50,K= 300,k= 600,k= 1200共四组对测试样本进行测试，测试结 果中K= 50时准确率最高，则将准确率最高的训练模型即K= 50时对应的训练模型确定 为特征分析模型。
[0036] 进一步的，可通过确定的特征分析模型对图片进行分析处理，具体的，提取图片的 SIFT特征点，对图片的SIFT特征点进行数据聚类，确定每个SIFT特征点所属的预设类别， 则可通过特征分析模型1得到该图片的每个SIFT特征点所属的预设类别，再统计图片中预 设类别的频率，由统计得到的图片中预设类别的频率生成图片的图片细节特征序列，将图 片细节特征序列映射为图片的图片细节征向量。例如，图片中的SIFT特征点所属的预设类 别包括：类别1-