基于图像信息网络的海量图像对比方法、装置和设备

技术领域

本发明涉及图像处理领域，特别是涉及一种基于图像信息网络的海量图像对比方法、装置和设备。

背景技术

目前对于海量图像的对比和分析，大多采用图像的图像颜色直方图特征或者图像的二维离散余弦变换得到图像指纹，根据图像指纹进行海量图像的内容分析来判断两个图像是否相似。

但是上述方式对样本库的依赖性较高，随着图像的增多，对于海量图像的对比来说，现有相关技术需要根据大量的样本图像进行模型训练，训练成本高，训练时间长且抗噪能力差，导致图像内容对比速度和准确度都不高。

发明内容

有鉴于此，本发明的目的在于提出一种基于图像信息网络的海量图像对比方法、装置和设备，本发明能够针对性的解决现有在海量图像的对比速度和准确度不高的问题。

基于上述目的，第一方面，本发明提出了一种基于图像信息网络的海量图像对比方法，所述图像信息网络是基于图像信息空间以多级树集合为基础构造的森林结构，所述多级树包括根节点和子节点，任意两个所述根节点对应的图像之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的图像之间的差异率小于等于所述预设阈值，所述图像信息空间是指图像特征向量所在的多维向量空间，所述图像特征向量为在相同坐标系下对图像提取特征矩阵后计算得到，所述方法包括：获取待对比图像，对所述待对比图像进行归一化处理，得到归一化图像；计算所述归一化图像的图像特征，所述图像特征包括图像特征矩阵和所述图像特征矩阵的模；遍历所述图像信息网络的根节点，通过所述归一化图像的特征数量和特征向量对所述根节点进行筛选得到备选根节点；根据所述归一化图像的图像特征和所述备选图像的图像特征，计算所述归一化图像与所述备选图像的图像特征差异率，通过所述图像特征差异率判断所述归一化图像是否与所述备选图像相似，其中，所述备选图像为所述备选根节点对应的图像；输出相似图像集合，所述相似图像集合中包括所有与所述归一化图像相似的备选图像。

可选地，所述获取待对比图像之前，包括：获取资源图像，所述资源图像包括来源于至少一个数据库的多个图像；对所述资源图像进行归一化处理后，得到多个储备图像，所述归一化处理至少包括分辨率、幅形比和色彩空间的归一化处理；计算所述储备图像的图像特征，所述储备图像的图像特征包括图像的特征矩阵和图像特征矩阵的模；根据所述储备图像的图像特征，将所述储备图像作为根节点或子节点，构建所述图像信息网络。

可选地，所述图像特征还包括：图像特征向量和所述图像特征向量的模，计算所述归一化图像的图像特征，包括：对所述归一化图像进行特征提取，得到所述归一化图像的图像特征矩阵；对所述图像特征矩阵进行模值计算，得到所述图像特征矩阵的模；根据所述图像特征矩阵的特征值，计算所述图像特征向量；对所述图像特征向量进行模值计算，得到所述图像特征向量的模。

可选地，遍历图像信息网络的根节点通过归一化图像的特征数量和特征向量对根节点进行筛选得到备选根节点，包括：根据归一化图像的特征向量和根节点对应图像的特征向量，计算所述归一化图像与根节点对应图像的向量差异值；根据归一化图像的特征向量的模、所述根节点对应图像的特征向量的模以及所述归一化图像与根节点对应图像的特征向量的向量差异值，计算归一化图像和所述根节点对应图像的特征向量差异率；将所述归一化图像的特征数量和所述根节点对应图像的特征数量的差值小于等于第一预设阈值作为第一预设条件；将所述归一化图像和所述根节点对应图像的特征向量差异率小于等于第二预设阈值作为第二预设条件；在根节点对应图像同时满足所述第一预设条件和第二预设条件时，确定所述根节点图像为备选根节点。

可选地，根据归一化图像的图像特征和备选图像的图像特征，计算所述归一化图像与备选图像的图像特征差异率，通过所述图像特征差异率判断所述归一化图像是否与所述备选图像相似，包括：根据图像特征差异率计算公式，得到所述归一化图像与备选图像的图像特征差异率；判断所述图像特征差异率是否满足第三预设条件，若否，则确定所述归一化图像和所述备选图像不相似；若是，则确定所述归一化图像和所述备选图像相似，将所述备选图像添加到所述相似图像集合中；

其中，所述第三预设条件为：

其中，dis(p，q)表示归一化图像q和所述备选图像p的图像特征的差异率，θ为固有误差，

可选地，图像特征差异率计算公式为：

其中，p表示备选图像，q表示归一化图像，diff(p，q)表示归一化图像q和备选图像p的图像特征矩阵的差异值，modULBPM(p)表示备选图像的特征矩阵的模，modULBPM(q)表示归一化图像的特征矩阵的模，modULBPM(p)和modULBPM(q)作为分母不能为0，当modULBPM(p)与modULBPM(q)均为0时dis(p，q)＝0。

可选地，所述方法还包括：在所述归一化图像和所述备选图像相似的情况下，则遍历所述备选图像对应的备选根节点所关联的全部子节点并计算所述归一化图像与备选根节点的每一子节点对应图像的图像特征差异率；将所述备选根节点所关联的全部子节点对应图像及其与所述归一化图像的图像特征差异率添加到相似图像集合中。

可选地，所述方法还包括：统计所述相似图像集合中的图像总数；在所述图像总数大于1的情况下，按照相似图像集合中每一图像与所述归一化图像的图像差异率大小对所述相似图像集合中的图像进行正向排序。

第二方面，提供一种基于图像信息网络的海量图像对比装置，所述装置包括：图像处理模块，用于获取待对比图像，对所述待对比图像进行归一化处理，得到归一化图像；计算模块，用于计算所述归一化图像的图像特征，所述图像特征包括图像特征矩阵和所述图像特征矩阵的模；筛选模块，用于遍历所述图像信息网络的根节点，通过所述归一化图像的特征数量和特征向量对所述根节点进行筛选得到备选根节点；对比模块，用于根据所述归一化图像的图像特征和所述备选图像的图像特征，计算所述归一化图像与所述备选图像的图像特征差异率，通过所述图像特征差异率判断所述归一化图像是否与所述备选图像相似，其中，所述备选图像为所述备选根节点对应的图像；结果输出模块，用于输出相似图像集合，所述相似图像集合中包括所有与所述归一化图像相似的备选图像。

第三方面，还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现第一方面所述的方法。

第四方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现第一方面任一项所述的方法。

总的来说，本发明至少存在以下有益效果：

本发明实施例提供的一种基于图像信息网络的海量图像对比方法，通过对待对比图像进行归一化处理，得到归一化图像；计算归一化图像的图像特征，遍历图像信息网络的根节点，通过归一化图像的特征数量和特征向量对根节点进行筛选得到备选根节点；根据归一化图像的图像特征和备选图像的图像特征，计算归一化图像与备选图像的图像特征差异率，通过图像特征差异率判断归一化图像是否与备选图像相似，以得到相似图像集合。本发明实例可以快速的在海量图像资源中完成比对，找出与指定图像相似的资源图像集合，提高了图像查找的准确率和效率。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出本发明实施例的一种可选的基于图像信息网络的海量图像对比方法的应用环境的示意图；

图2示出本发明实施例的另一种可选的基于图像信息网络的海量图像对比方法的应用环境的示意图；

图3示出本发明实施例的图像信息空间的结构示意图；

图4示出本发明实施例的一种树形结构的创建过程；

图5示出本发明实施例基于图像信息网络的海量图像对比方法的步骤流程图；

图6示出本发明实施例一种邻域

图7示出本发明一个示例性实施例提供的基于图像信息网络的海量图像对比装置的结构示意图；

图8示出在一个例子中本发明实施例的电子设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明实施例的一个方面，提供了一种基于图像信息网络的海量图像对比方法，作为一种可选地实施方式，上述基于图像信息网络的海量图像对比方法可以但不限于应用于如图1所示的应用环境中。该应用环境中包括：与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有基于图像信息网络的海量图像快速对比应用程序。上述终端设备102中包括人机交互屏幕1022，第一处理器1024及第一存储器1026。人机交互屏幕1022用于显示图像；第一处理器1024用于获取待对比图像，以及执行海量图像快速对比方法。第一存储器1026用于存储图像。

此外，服务器106中包括数据库1062及处理引擎1064，数据库1062中用于存储图像。处理引擎1064用于：对待对比图像进行归一化处理，得到归一化图像；计算归一化图像的图像特征；遍历图像信息网络的根节点，通过归一化图像的特征数量和特征向量对根节点进行筛选得到备选根节点；根据归一化图像的图像特征和备选图像的图像特征，计算归一化图像与备选图像的图像特征差异率，通过图像特征差异率判断归一化图像是否与备选图像相似；输出相似图像集合。

在一个或多个实施例中，本发明上述基于图像信息网络的海量图像对比方法可以应用于图2所示的应用环境中。如图2所示，用户108与用户设备204之间可以进行人机交互。用户设备204中包含有第二存储器206和第二处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作，构建图像信息网络。

可选地，上述终端设备102和用户设备204包括但不限于为手机、平板电脑、笔记本电脑、PC机，车载电子设备，可穿戴设备等终端，上述网络104可以包括但不限于无线网络或有线网络。其中，该无线网络包括：WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。

相关技术中对海量图像的对比和分析，大多采用图像的图像颜色直方图特征或者图像的二维离散余弦变换得到图像指纹，根据图像指纹进行海量图像的内容分析来判断两个图像是否相似。但是上述方式对样本库的依赖性较高，随着图像的增多，对于海量图像的对比来说，现有相关技术需要根据大量的样本图像进行模型训练，训练成本高，训练时间长且抗噪能力差，导致图像内容对比速度和准确度都不高。

为了解决上述技术问题，作为一种可选地实施方式，本发明实施例提供了一种基于图像信息网络的海量图像对比方法、装置和设备。

本实施例中，图像信息网络是基于图像信息空间以多级树集合为基础构造的森林结构，多级树包括根节点和子节点，任意两个根节点对应的图像之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的图像之间的差异率小于等于预设阈值，图像信息空间是指图像特征向量所在的多维向量空间，图像特征向量为在相同坐标系下对图像提取特征矩阵后计算得到。

下面对本实施例的图像信息空间和图像信息网络进行说明。

为了确保所有的图像内容在相同维度的信息空间中，即坐标系相同，本实施例将图像特征向量所在的多维向量空间作为图像信息空间。在图像信息空间中，每幅图像都有它的坐标，通过坐标可以计算图像间的距离，相同的图像具有相同的坐标，相似图像距离小，不同的图像距离大。通过计算图像的距离我们可以将图像信息空间分为多个区域，每个区域中心位置的图像内容代表整个区域的主要内容，图像信息空间中每一圆形区域的关系包括相离、相切和相交三种关系，相离即区域之间没有共同区域，相切即区域之间有且仅有一个公共点，该点为切点，相交即区域之间有公共区域。

这样可以得到如图3所示的图像信息空间，如图3所示，图3中A、B、C、D四个点为各自圆形区域的中心位置，圆的半径代表图像信息空间中到圆心的最大距离，A、B、C、D的图像内容代表各圆形区域的主要内容。c1、c2为与图像C内容相似的图像，b1、b2为与图像B内容相似的图像，d1、d2、d3为与图像D内容相似的图像，且c1、c2、b1、b2、d1、d2、d3与各自所在区域圆心的距离不大于半径。

基于图3所示的图像信息空间，可以通过选择中心点和指定半径来划分区域，从而将整个图像信息空间区域化，进而可以根据这种区域化特性建立一种树结构来记录区域间的关系，即上述的多级树集合。

图4示出一种树形结构的创建过程，可根据图像信息空间中各区域之间的关系将树结构分为两级，第一级为根节点对应各空间区域的圆心，第二级为子节点对应各空间区域中的非圆心点。若对空间区域再划分多层子区域，树结构也会产生相应的多级子节点，树结构的级数与信息空间的空间区域层数相对应，本实施例中以2级树结构为例进行描述。

如图4所示，可根据图像信息空间得到多个多级树结构，多级树包括根节点和子节点，以多个多级树结构组成的多级树集合为基础构造的森林结构为图像信息网络，图像信息网络中的每个子节点至少属于1个根节点，根节点下可以没有子节点。

基于上述图像信息空间以及图像信息网络可知，本实施例的图像信息网络中子节点的图像是与其根节点相似的图像，而每一根节点对应的图像各不相似，将图像信息网络应用在海量图像对比时，可根据图像信息网络中图像与图像之间的相似性关系，快速进行图像的对比。

图5示出根据本发明实施例的基于图像信息网络的海量图像对比方法的步骤流程图。如图5所示，该基于图像信息网络的海量图像对比方法包括如下步骤S501～S505：

S501、获取待对比图像，对待处理图像进行归一化处理，得到归一化图像。

本实施例中，待对比图像可以是来源于一个或多个资源库的图像，可以是用户指定的图像，可以是来自互联网的图像，也可以是一个视频片段中的一帧或多帧图像。

可以理解的是，本实施例是基于图像信息网络的海量图像对比方法，因此，在获取待对比图像之前，需要根据资源图像进行图像信息网络的创建，具体地，在获取待对比图像之前，本实施例包括：获取资源图像，对资源图像进行归一化处理后，得到多个储备图像，计算储备图像的图像特征，根据储备图像的图像特征，将储备图像作为根节点或子节点，构建图像信息网络。

本实施例中，资源图像包括来源于至少一个数据库的多个图像，例如资源图像为来自数据库A的多个图像，或者，资源图像为来自数据库A的多个图像和数据库B的多个图像，进而提高图像信息网络的适用范围。

本实施例中，归一化处理至少包括分辨率、幅形比和色彩空间的归一化处理，进而使得每一个待对比图像都具有相同的图像维度，进而便于在同一坐标系下对海量图像的内容进行分析，也便于根据图像的像素进行不同图像内容之间的相似性分析，加快图像内容的分析对比速率。

对资源图像进行归一化处理后，得到多个储备图像，基于上述构建图像信息网络的过程可知，图像信息网络是根据图像之间的相似度构建的，而计算图像之间的相似度需要基于图像的特征矩阵和图像特征矩阵的模，因此，储备图像的图像特征包括图像的特征矩阵和图像特征矩阵的模，通过计算储备图像的图像特征为构建图像信息网络提供基础数据，且可以减少后续图像对比的计算量。具体的图像信息网络的构建过程，在上文均有描述，在此不再赘述。

可以理解的是，构建图像信息网络的图像均为归一化后的图像，因此，为了提高对比效率，本实施例获取待对比图像之后，对待处理图像进行归一化处理，得到归一化图像，再根据该归一化图像与图像信息网络中的图像作对比。

S502、计算归一化图像的图像特征。

本实施例中，计算归一化图像的图像特征，包括：对归一化图像进行特征提取，得到归一化图像的图像特征矩阵，对图像特征矩阵进行模值计算，得到图像特征矩阵的模，图像特征用于和图像信息网络中的图像进行特征比对，以判断图像相似性。

本实施例中，图像特征包括但不仅限于由UniformLBP特征组成的图像特征，LBP(Local Binary Pattern，局部二值模式)是一种理论简单，计算量小的局部特征描述算子，UniformLBP指LBP的均匀模式或等价模式。UniformLBP特征对于图像纹理变化具有很好的敏感性，因此，本实施例采用图像的UniformLBP特征作为图像特征，可以更好的反映图像的内容特征。

在一个可选的例子中，图像特征也可以是其它图像特征，例如sift特征(sift，Scale-invariant feature transform，尺度不变特征变换)、hog特征(hog，Histogram ofOriented Gradient，方向梯度直方图)和haar(哈尔)特征等，在此不一一列举。

以图像特征为UniformLBP特征为例，本实施例中，图像特征包括图像特征矩阵以及图像特征矩阵的模，计算归一化图像的图像特征矩阵可以通过归一化图像的低八位特征数据和高八位特征数据，得到十六位特征数据，根据十六位特征数据得到LBP

图6示出一种邻域

本实施例中，公式1为：

其中，c为中心像素，i为邻域内的特征点，pixel为像素值。

可以理解的是，在根据像素的特征矩阵得到图像的特征矩阵时，需要适应图像的局部变形和旋转，因此，本实施例在得到YUV三个分量的LBP

本实施例中，图像特征矩阵的模是通过对图像特征矩阵进行模值计算得到，具体的，图像特征矩阵的模值计算公式为：

modULBPM

其中，i为YUV分量，w

本实施例中，图像特征还包括：图像特征向量和图像特征向量的模，计算所述归一化图像的图像特征，包括：根据图像特征矩阵的特征值，计算图像特征向量；对图像特征向量进行模值计算，得到图像特征向量的模。

本实施例中，图像信息空间是指图像特征向量所在的多维向量空间，图像特征向量为在相同坐标系下对图像提取特征矩阵后计算得到。

例如，根据公式1对图像f进行特征矩阵的计算，得到图像f的特征矩阵ULBPM(f)，其中每个特征值为16位整数的Uniform LBP

本实施例中，图像特征向量FV表示为：

FV＝(v

其中，FV的维度为3481，v

其中，w和h为分量下图像的宽和高，ULBPM(m，n)为图像的特征矩阵ULBPM在(m，n)点处的特征值，VLBP

本实施例中，图像特征向量的模计算公式为：

其中，modFV为图像特征向量FV的模，v

通过上述内容可计算出图像的图像特征矩阵、图像特征矩阵的模、图像特征向量和图像特征向量的模，近而可以根据两个不同图像的上述图像特征来判断二者是否相似。

S503、遍历图像信息网络的根节点，通过归一化图像的特征数量和特征向量对根节点进行筛选得到备选根节点。

可以理解的是，图像的特征数量可以反映图像内容的多少，当两个图像的特征数量相差较多时，两图像不相同，因此，为了加快图像的对比速度，本实施例根据图像的特征数量在图像信息网络中查到到可能与待比对相似的图像。

其中，图像的特征数量可以用图像特征矩阵的模来表示，图像特征矩阵的模越大，表示该图像的特征越多，图像特征矩阵的模越小，表示该图像的特征越少。

具体地，遍历图像信息网络的根节点通过归一化图像的特征数量和特征向量对根节点进行筛选得到备选根节点，包括：根据归一化图像的图像特征向量和根节点对应图像的图像特征向量，计算归一化图像与根节点对应图像的向量差异值；根据归一化图像的图像特征向量的模、根节点对应图像的图像特征向量的模以及归一化图像与根节点对应图像的向量差异值，计算归一化图像和根节点对应图像的特征向量差异率；将归一化图像的特征数量和根节点对应图像的特征数量的差值小于等于第一预设阈值作为第一预设条件；将归一化图像和根节点对应图像的特征向量差异率小于等于第二预设阈值作为第二预设条件；在根节点对应图像同时满足第一预设条件和第二预设条件时，确定根节点图像为备选根节点。

本实施例中，归一化图像与根节点对应图像的向量差异值计算公式为：

其中，DiffFV(p，q)为归一化图像与根节点对应图像的向量差异值，v

归一化图像和根节点对应图像的特征向量差异率计算公式为：

其中，DisFV(p，q)为归一化图像和根节点对应图像的图像特征向量差异率，min(modFV(p)，modFV(q))为根节点对应图像的图像特征向量的模modFV(p)与归一化图像的图像特征向量的模modFV(q)的最小值，modFV(p)、modFV(q)作为分母不能为0，若modFV(p)，modFV(q)同时为0，则DisFV(p，q)＝0。

其中，第一预设条件为：

|fnumULBPM(p)-fnumULBPM(q)|≤M

其中，q表示归一化图像，fhumULBPM(q)为所述归一化图像的特征数量，p表示根节点对应图像，fhumULBPM(p)为所述根节点对应图像的特征矩阵数量，M

DisFV

DisFV(p，q)＞DisFV

上述可以理解为，当根节点对应图像的特征矩阵的模与归一化图像的特征矩阵的模之间的差值在第一预设阈值范围内，且归一化图像和根节点对应图像的特征向量差异率小于等于第二预设阈值，则说明根节点对应图像与归一化图像可能相似，则该节点可作为备选根节点，再根据其他图像特征进一步判断备选根节点对应图像与归一化图像是否相似，可以快速筛选掉与归一化图像不相似的图像，大大提高图像对比速度。

S504、根据归一化图像的图像特征和备选图像的图像特征，计算归一化图像与备选图像的图像特征差异率，通过图像特征差异率判断归一化图像是否与备选图像相似。

本实施例中，备选图像为备选根节点对应的图像。

本实施例中，可根据图像特征差异率计算公式，得到归一化图像与备选图像的图像特征差异率，判断图像特征差异率是否满足第三预设条件，若否，则确定归一化图像和备选图像不相似，若是，则确定归一化图像和所述备选图像相似，将备选图像添加到相似图像集合中。

可以理解的是，图像特征差异率可以反映两图像之间的差异，当该差异过大时，则说明二者不相似，反之，说明二者相似，则本实施例通过在误差允许的范围内归一化图像与备选图像的图像特征差异率的大小，来判断归一化图像与备选图像是否相似。

其中，图像特征差异率计算公式为：

其中，p表示备选图像，q表示归一化图像，diff(p，q)表示归一化图像q和备选图像p的图像特征矩阵的差异值，modULBPM(p)表示备选图像的特征矩阵的模，modULBPM(q)表示归一化图像的特征矩阵的模，modULBPM(p)和modULBPM(q)作为分母不能为0，当modULBPM(p)与modULBPM(q)均为0时dis(p，q)＝0。

上述归一化图像q和备选图像p的图像特征矩阵的差异值diff(p，q)的计算公式为：

其中，diff(p，q)为归一化图像q和备选图像p在YUV分量下对应的特征差异值，diffLBP

基于上述公式9和公式10，则可以得到归一化图像与备选图像的图像特征差异率，进而判断图像特征差异率是否满足第三预设条件。

其中，第三预设条件为：

其中，dis(p，q)表示归一化图像q和备选图像p的图像特征的差异率，θ为固有误差，

由上述方法即可将满足第三预设条件的根节点对应图像作为与待对比图像相似的图像，当用户想要找出与指定图像相似的所有图像时，可快速得到相似图像集合

S505、输出相似图像集合。

本实施例中，相似图像集合中包括所有与归一化图像相似的备选图像，可以理解的是，备选图像是图像信息网络中的图像，图像信息网络是根据资源图像创建的，则相似图像集合中的图像即是图像信息网络中所有与待对比图像相似的资源图像。

可以理解的是，上述图像信息网络中，子节点与其自身的根节点是相似的，则在本实施例中，在归一化图像和备选图像相似的情况下，则遍历备选图像对应的备选根节点所关联的全部子节点，并计算归一化图像与备选根节点的每一子节点对应图像的图像特征差异率，将备选根节点所关联的全部子节点对应图像及其与归一化图像的图像特征差异率添加到相似图像集合中，以便于根据图像差异率大小对相似图像集合中的图像进行排序。

例如，根节点T的子节点包括子节点S、子节点X、子节点Y，则当根节点T对应图像与归一化图像相似时，将子节点S对应图像、子节点X对应图像、子节点Y对应图像均看为与归一化图像相似，并添加到相似图像集合中。

本实施例中，在得到相似图像集合之后，还包括统计相似图像集合中的图像总数，在图像总数大于1的情况下，按照相似图像集合中每一图像与归一化图像的图像差异率大小对相似图像集合中的图像进行正向排序。例如，相似图像集合中的第一个图像是与待比对图像最相似的图像，以便于后续处理。

以上为本实施例提供的一种基于图像信息网络的海量图像对比方法，通过对待对比图像进行归一化处理，得到归一化图像；计算归一化图像的图像特征，遍历图像信息网络的根节点，通过归一化图像的特征数量和特征向量对根节点进行筛选得到备选根节点；根据归一化图像的图像特征和备选图像的图像特征，计算归一化图像与备选图像的图像特征差异率，通过图像特征差异率判断归一化图像是否与备选图像相似，以得到相似图像集合。本实施例可以快速的在海量图像资源中完成比对，找出与指定图像相似的资源图像集合，提高了图像查找的准确率和效率。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

下述为本发明基于图像信息网络的海量图像对比装置实施例，可以用于执行本发明方法实施例。对于本发明基于图像信息网络的海量图像对比装置实施例中未披露的细节，请参照本发明方法实施例。

图7示出了本发明一个示例性实施例提供的基于图像信息网络的海量图像对比装置的结构示意图。该基于图像信息网络的海量图像对比装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该基于图像信息网络的海量图像对比装置700包括：

图像处理模块701，用于获取待对比图像，对所述待对比图像进行归一化处理，得到归一化图像。

计算模块702，用于计算所述归一化图像的图像特征，所述图像特征包括图像特征矩阵和所述图像特征矩阵的模。

筛选模块703，用于遍历所述图像信息网络的根节点，通过所述归一化图像的特征数量和特征向量对所述根节点进行筛选得到备选根节点。

对比模块704，用于根据所述归一化图像的图像特征和所述备选图像的图像特征，计算所述归一化图像与所述备选图像的图像特征差异率，通过所述图像特征差异率判断所述归一化图像是否与所述备选图像相似，其中，所述备选图像为所述备选根节点对应的图像。

结果输出模块705，用于输出相似图像集合，所述相似图像集合中包括所有与所述归一化图像相似的备选图像。

其中，所述图像信息网络是基于图像信息空间以多级树集合为基础构造的森林结构，所述多级树包括根节点和子节点，任意两个所述根节点对应的图像之间的差异率大于预设阈值，每个根节点的子节点与其根节点对应的图像之间的差异率小于等于所述预设阈值，所述图像信息空间是指图像特征向量所在的多维向量空间，所述图像特征向量为在相同坐标系下对图像提取特征矩阵后计算得到。

需要说明的是，上述实施例提供的基于图像信息网络的海量图像对比装置在执行基于图像信息网络的海量图像对比方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于图像信息网络的海量图像对比装置与基于图像信息网络的海量图像快速对比生成方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

本发明实施方式还提供一种与前述实施方式所提供的基于图像信息网络的海量图像对比方法对应的电子设备，以执行上述基于图像信息网络的海量图像对比方法。

图8示出根据本发明实施例的电子设备的示意图。如图8所示，所述电子设备800包括：第三存储器801和第三处理器802，第三存储器801中存储有可在所述第三处理器802上运行的计算机程序，第三处理器802运行所述计算机程序时执行本发明前述任一实施方式所提供的方法。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行上述基于图像信息网络的海量图像对比方法的步骤。

可选地，本领域普通技术人员可以理解，图8所示的结构仅为示意，电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图8其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图8中所示更多或者更少的组件(如网络接口等)，或者具有与图8所示不同的配置。

其中，第三存储器801可用于存储软件程序以及模块，如本发明实施例中的基于图像信息网络的海量图像对比方法和装置对应的程序指令/模块，第三处理器802通过运行存储在第三存储器801内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的基于图像信息网络的海量图像对比方法。第三存储器801可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，第三存储器801可进一步包括相对于第三处理器802远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，第三存储器801具体可以但不限于用于存储图像信息网络。作为一种示例，上述第三存储器801中可以但不限于包括上述基于图像信息网络的海量图像对比装置中的图像处理模块、计算模块、筛选模块、对比模块、结果输出模块。此外，还可以包括但不限于上述基于图像信息网络的海量图像对比装置中的其他模块单元，本示例中不再赘述。

可选地，上述电子设备包括传输装置803，传输装置803用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置803包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置803为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子设备还包括：显示器804，用于显示上述基于图像信息网络的海量图像快速对比的分析结果；和连接总线805，用于连接上述电子设备中的各个模块部件。

本实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述基于图像信息网络的海量图像对比方法，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行基于图像信息网络的海量图像对比方法各步骤的计算机程序。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本发明所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。