CN112541902A - 相似区域搜索方法、装置、电子设备及介质 - Google Patents

Abstract

本发明涉及图像处理技术，揭露一种相似区域搜索方法，包括：对获取的原始图像进行缩放处理，得到缩放图像；利用训练好的特征数据提取模型对缩放图像进行提取处理，得到多个特征数据，根据多个特征数据确定目标区域；根据目标区域对缩放图像进行遍历查找和偏移比较，得到查找区域，计算目标区域和查找区域之间的相似度；若相似度大于或者等于预设的相似阈值，判定查找区域为相似区域；将相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。本发明还涉及区块链技术，所述特征数据等可以存储在区块链节点中。本发明还揭露一种相似区域搜索装置、电子设备及存储介质。本发明可以解决在图像中进行相似区域搜索的准确率和效率都不高的问题。

Description

相似区域搜索方法、装置、电子设备及介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种相似区域搜索方法、装置、电子设备及计算机可读存储介质。

背景技术

计算机视觉是人工智能领域重要的一个方向，图像搜索，特别是对图像中相似区域进行搜索的应用逐渐广泛。

现有技术中，在图像中搜索相似区域的常用方法是将目标区域(即待搜索区域)进行灰度处理，识别出该目标区域的外围轮廓并根据轮廓来搜索相似区域，然而，由于灰度处理识别出的外围轮廓通常不太清晰且识别速度较慢，所以无法准确且高效的根据外围轮廓搜索出所有的相似区域。因此，现有技术中在图像中进行相似区域搜索的准确率和效率都不高。

发明内容

本发明提供一种相似区域搜索方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决在图像中进行相似区域搜索的准确率和效率都不高的问题。

为实现上述目的，本发明提供的一种相似区域搜索方法，包括：

获取原始图像，对所述原始图像进行缩放处理，得到缩放图像；

利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域；

根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度；

若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域；

将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。可选地，所述对所述原始图像进行缩放处理，得到缩放图像，包括：

获取预设的缩放比例；

获取原始图像中的第i个像素点的位置，其中，i的初始值为1，i为正整数；

将所述缩放比例与所述位置相乘，得到所述第i个像素点的虚像素位置；

根据所述虚像素位置进行推理识别，得到所述第i个像素点的缩放像素点集合；

利用双线性插值算法对所述缩放像素点集合进行插值处理，得到所述第i个像素点的真实缩放像素位置；

令i＝i+1，重复执行获取原始图像中的第i个像素点的位置，直至i等于所述原始图像中的像素点的总数，得到所述原始图像中所有像素点的真实缩放像素位置；

根据所述真实缩放像素位置确定所述缩放图像。

可选地，所述利用训练好的特征区域提取模型对所述缩放图像进行提取处理，得到多个特征数据之前，所述方法还包括：

获取训练样本集合；

将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型。

可选地，所述将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型，包括：

确定每条训练通道的参数，通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据；

根据所述每条训练通道的预测特征数据生成每条训练通道的预测边框；

根据所述每条训练通道的预测边框计算每条训练通道的损失函数，对损失函数未达到收敛条件的训练通道调整内部参数并重新进行独立训练，直至每条训练通道的损失函数都达到所述收敛条件，得到所述训练好的特征数据提取模型。

可选地，所述通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据，包括：

对所述训练样本集合进行向量转换，得到多维向量；

通过每条训练通道的卷积层和池化层对所述多维向量进行卷积和池化处理，得到特征图像；

通过每条训练通道的全连接层和输出层对所述特征图像进行预测，得到每条训练通道对应的预测特征数据。

可选地，所述根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度，包括：

确定所述目标区域的大小为标准框选尺寸；

根据所述标准框选尺寸将所述目标区域在所述缩放图像上自左向右，自上向下进行偏移框选，得到多个查找区域；

获取所述目标区域的第一外围连通区域的第一外像素点集合和所述目标区域的第一内部连通区域的第一内像素点集合；

获取所述多个查找区域的第二外围连通区域的第二外像素点集合和任意一个所述多个查找区域的第二内部连通区域的第二内像素点集合；

获取所述第一外像素点集合与所述第二外像素点集合之间的相同外像素点数，以及所述所述第一内像素点集合与所述第二内像素点集合之间相同内像素点数；

根据相似度计算公式以及所述相同外像素点数和所述相同内像素点数进行相似度计算，得到所述目标区域与所述多个查找区域之间的相似度。

获取所述目标区域的第一外围连通区域的像素点集合和任意一个所述查找区域的第二外围连通区域的像素点集合的相同像素点数，以及所述目标区域的第一内部连通和所述查找区域内部连通区域的相同点数；

结合预设的相似度计算公式、所述查找区域外围连通点集的相同点数和所述查找区域内部连通区域的相同点数，得到所述目标区域和所述查找区域之间的相似度。

可选地，所述将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域，包括：

将所述相似区域映射到二维坐标系中，得到所述相似区域的横坐标和纵坐标；

将所述横坐标和所述纵坐标除以所述缩放比例，得到目标横坐标和目标纵坐标；

根据所述目标横坐标和所述目标纵坐标在所述原始图像中进行查找，得到目标相似区域。

为了解决上述问题，本发明还提供一种相似区域搜索装置，所述装置包括：

图像缩放模块，用于获取原始图像，对所述原始图像进行缩放处理，得到缩放图像；

目标区域确定模块，用于利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域；

相似度计算模块，用于根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度；

相似区域判定模块，用于若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域；

还原处理模块，用于将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的相似区域搜索方法。

为了解决上述问题，本发明还提供一种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的相似区域搜索方法。

本发明实施例首先通过对获取到的原始图像进行缩放处理，得到缩放图像，将原始图像缩放为预设比例大小的图像便于后续进行特征提取和遍历查找处理，提高搜索效率，利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域，提高所述目标区域识别的准确性，根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度，若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域，将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。因此，本发明提出的相似区域搜索方法、装置及计算机可读存储介质，可以解决在图像中进行相似区域搜索的准确率和效率都不高的问题。

附图说明

图1为本发明实施例提供的相似区域搜索方法的流程示意图；

图2为本发明实施例提供的相似区域搜索装置的模块示意图；

图3为本发明实施例提供的实现相似区域搜索方法的电子设备的内部结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种相似区域搜索方法，所述相似区域搜索方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述相似区域搜索方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明实施例提供的一种相似区域搜索方法的流程示意图。在本实施例中，所述相似区域搜索方法包括：

S1、获取原始图像，对所述原始图像进行缩放处理，得到缩放图像。

本发明实施例中，所述原始图像可以是一张或多张图像，所述原始图像可以包含多个相同或类似区域。

例如，所述原始图像可以为职场平面图，具体的，职场平面图中可以包含多个办公座位；或者所述原始图像可以为海关出入通道图，海关出入通道图中包含多个通道。

所述获取原始图像可以是从其他第三方系统下载，例如，从工位系统中直接下载职场平面图。

具体地，所述对所述原始图像进行缩放处理，得到缩放图像，包括：

获取预设的缩放比例；

获取原始图像中的第i个像素点的位置，其中，i的初始值为1，i为正整数；

将所述缩放比例与所述位置相乘，得到所述第i个像素点的虚像素位置；

根据所述虚像素位置进行推理识别，得到所述第i个像素点的缩放像素点集合；

利用双线性插值算法对所述缩放像素点集合进行插值处理，得到所述第i个像素点的真实缩放像素位置；

令i＝i+1，重复执行获取原始图像中的第i个像素点的位置，直至i等于所述原始图像中的像素点的总数，得到所述原始图像中所有像素点的真实缩放像素位置；

根据所述真实缩放像素位置确定所述缩放图像。

其中，所述预设的缩放比例为

由于预设的缩放比例

和

是浮点数，因此所述虚像素位置也为浮点数，故需要对所述虚像素位置进行推理识别，找到所述虚像素位置附近预设数量的像素位置，即缩放像素点集合。

进一步地，根据所述虚像素位置进行推理识别包括：在预设的二维坐标系上确定所述虚像素位置，找到周围距离所述虚像素位置最近的预设数量的缩放像素点，其中，所述缩放像素点的位置为整数，由此汇总得到缩放像素点集合。

S2、利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域。

本发明实施例中，所述利用训练好的特征区域提取模型对所述缩放图像进行提取处理，得到多个特征数据之前，所述方法还包括：

获取训练样本集合；

将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型。

在本发明实施例中，训练好的特征区域提取模型包含多条满足所述收敛条件的训练通道。

详细地，所述训练样本集合由多个标记了目标区域的图片(如职场平面图)组成，所述目标区域可为图片中的任意位置，例如，目标区域为职场平面图中的工位区域。

其中，所述卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，本发明实施例中，卷积神经网络包含多条训练通道，每条训练通道包括输入层、卷积层、池化层、全连接层和输出层。卷积层包括卷积核，卷积核可以为一个矩阵，用于对输入图像进行卷积，具体计算方法为对输入的图像的不同局部矩阵和卷积核矩阵各个位置的元素相乘，然后相加。

优选的，在本发明实施例中，每个训练通道对应不同的卷积核，一个卷积神经网络可以包括多个卷积层。

具体地，所述将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型，包括：

确定每条训练通道的参数，通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据；

根据所述每条训练通道的预测特征数据生成每条训练通道的预测边框；

根据所述每条训练通道的预测边框计算每条训练通道的损失函数，对损失函数未达到收敛条件的训练通道调整内部参数并重新进行独立训练，直至每条训练通道的损失函数都达到所述收敛条件，得到所述训练好的特征数据提取模型。

详细地，所述每个训练通道的参数包括卷积层的卷积核对应的参数，例如，卷积矩阵的大小，具体实施时，卷积矩阵可以设为3*3，不同的卷积层可以设置不同的卷积核。此外，每个训练通道的参数还可以包括池化层的参数，例如，池化矩阵的大小，可以将池化矩阵的大小设为3*3，或者每个训练通道的参数还可以包括输出层的参数，例如线性系数矩阵及偏移向量等，每个训练通道对应的参数可以均不相同。

具体地，所述通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据，包括：

对所述训练样本集合进行向量转换，得到多维向量；

通过每条训练通道的卷积层和池化层对所述多维向量进行卷积和池化处理，得到特征图像；

通过每条训练通道的全连接层和输出层对所述特征图像进行预测，得到每条训练通道对应的预测特征数据。

详细地，所述预测特征数据包括但不限于像素点位于所述目标区域内的概率、目标区域的旋转角度、位于所述目标区域内的像素点到所述正样本边框每个边的距离，根据上述预测特征数据可以得到多个可能包含目标区域的边框，即预测边框。

具体地，所述根据所述多个特征数据确定得到目标区域，包括：

对所述目标区域内的每个像素点，根据所述特征数据中的预测旋转角度生成预设的旋转边框上的多个特征点；

将每个旋转边框上的特征点进行直线拟合，生成多条直线，将所述直线进行互相交叉形成闭合的目标区域。

其中，当所述旋转边框为多边形时，所述旋转边框上的多个特征点可以为多边形的顶点。

S3、根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度。

本发明实施例中，所述根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度，包括：

确定所述目标区域的大小为标准框选尺寸；

根据所述标准框选尺寸将所述目标区域在所述缩放图像上自左向右，自上向下进行偏移框选，得到多个查找区域；

获取所述目标区域的第一外围连通区域的第一外像素点集合和所述目标区域的第一内部连通区域的第一内像素点集合；

获取所述多个查找区域的第二外围连通区域的第二外像素点集合和任意一个所述多个查找区域的第二内部连通区域的第二内像素点集合；

获取所述第一外像素点集合与所述第二外像素点集合之间的相同外像素点数，以及所述所述第一内像素点集合与所述第二内像素点集合之间相同内像素点数；

根据相似度计算公式以及所述相同外像素点数和所述相同内像素点数进行相似度计算，得到所述目标区域与所述多个查找区域之间的相似度。

进一步地，所述第一外像素点集合是指所述目标区域的第一外围连通区域的区域轮廓线条上的像素点集合，所述第一内像素点集合是指所述目标区域的第一外围连通区域的区域内部完整的连通区域，所述第二外像素点集合是指所述查找区域的第二外围连通区域的区域轮廓线条上的像素点集合，所述第二内像素点集合是指所述查找区域的第二内部连通区域的内部完整的连通区域。

详细地，所述相似度公式为：

s＝((w/(k-b)+b/(k-w))/2

其中，s为相似度，w为所述所述第一内像素点集合与所述第二内像素点集合之间相同内像素点数，b为所述第一外像素点集合与所述第二外像素点集合之间的相同外像素点数，k为所述查找区域和所述目标区域的点数集合。

具体地，若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域，若所述相似度小于预设的相似阈值，判定所述查找区域为非相似区域，进而将所述目标区域与下一个查找区域进行相似度计算，根据所述相似度进行判别。

优选地，本发明实施例中，所述相似阈值为0.8.

本发明实施例中，基于目标区域的局部细节搜索图片中相同的区域，具体采用目标区域的外围轮廓和内部区域的特征进行搜索，因此，在进行目标区域特征搜索的时，对目标的种类及形状要求不高，故可以用于多种图形、多种场景的图形搜索中，实用性强。

S4、若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域。

在本发明实施例中，若得到多个查找区域，则将所述目标区域的像素与多个查找区域的像素进行计算，从而得到相似度最高的查找区域为相似区域。

S5、将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

具体的，所述将相似区域按照所述缩放比例进行还原处理，得到目标相似区域，包括：

将所述相似区域映射到二维坐标系中，得到所述相似区域的横坐标和纵坐标；

将所述横坐标和所述纵坐标除以所述缩放比例，得到目标横坐标和目标纵坐标；

根据所述目标横坐标和所述目标纵坐标在所述原始图像中进行查找，得到目标相似区域。

详细地，在将图片缩放之后，识别速度提升较快，识别到目标区域后根据所述缩放比例进行还原，得到目标相似区域。

本发明实施例首先通过对获取到的原始图像进行缩放处理，得到缩放图像，将原始图像缩放为预设比例大小的图像便于后续进行特征提取和遍历查找处理，提高搜索效率，利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域，提高所述目标区域识别的准确性，根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度，若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域，将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。因此，本发明提出的相似区域搜索方法能够解决在图像中进行相似区域搜索的准确率和效率都不高的问题。

如图2所示，是本发明实施例提供的相似区域搜索装置的模块示意图。

本发明所述相似区域搜索装置100可以安装于电子设备中。根据实现的功能，所述相似区域搜索装置100可以包括图像缩放模块101、目标区域确定模块102、相似度计算模块103、相似区域判定模块104和还原处理模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述图像缩放模块101，用于获取原始图像，对所述原始图像进行缩放处理，得到缩放图像；

所述目标区域确定模块102，用于利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域；

所述相似度计算模块103，用于根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度；

所述相似区域判定模块104，用于若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域；

所述还原处理模块105，用于将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

详细地，所述相似区域搜索装置100中的各模块由电子设备的处理器所执行时，可以实现包括下述步骤的相似区域搜索方法：

所述图像缩放模块101，用于获取原始图像，对所述原始图像进行缩放处理，得到缩放图像。

本发明实施例中，所述原始图像可以是一张或多张图像，所述原始图像可以包含多个相同或类似区域。

例如，所述原始图像可以为职场平面图，具体的，职场平面图中可以包含多个办公座位；或者所述原始图像可以为海关出入通道图，海关出入通道图中包含多个通道。

所述获取原始图像可以是从其他第三方系统下载，例如，从工位系统中直接下载职场平面图。

具体地，所述对所述原始图像进行缩放处理，得到缩放图像，包括：

获取预设的缩放比例；

获取原始图像中的第i个像素点的位置，其中，i的初始值为1，i为正整数；

将所述缩放比例与所述位置相乘，得到所述第i个像素点的虚像素位置；

根据所述虚像素位置进行推理识别，得到所述第i个像素点的缩放像素点集合；

利用双线性插值算法对所述缩放像素点集合进行插值处理，得到所述第i个像素点的真实缩放像素位置；

令i＝i+1，重复执行获取原始图像中的第i个像素点的位置，直至i等于所述原始图像中的像素点的总数，得到所述原始图像中所有像素点的真实缩放像素位置；

根据所述真实缩放像素位置确定所述缩放图像。

其中，所述预设的缩放比例为

由于预设的缩放比例

和

是浮点数，因此所述虚像素位置也为浮点数，故需要对所述虚像素位置进行推理识别，找到所述虚像素位置附近预设数量的像素位置，即缩放像素点集合。

进一步地，根据所述虚像素位置进行推理识别包括：在预设的二维坐标系上确定所述虚像素位置，找到周围距离所述虚像素位置最近的预设数量的缩放像素点，其中，所述缩放像素点的位置为整数，由此汇总得到缩放像素点集合。

所述目标区域确定模块102，用于利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域。

本发明实施例中，所述装置还包括，训练模块，所述训练模块用于：

利用训练好的特征区域提取模型对所述缩放图像进行提取处理，得到多个特征数据之前，获取训练样本集合；

将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型。

在本发明实施例中，训练好的特征区域提取模型包含多条满足所述收敛条件的训练通道。

详细地，所述训练样本集合由多个标记了目标区域的图片(如职场平面图)组成，所述目标区域可为图片中的任意位置，例如，目标区域为职场平面图中的工位区域。

其中，所述卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，本发明实施例中，卷积神经网络包含多条训练通道，每条训练通道包括输入层、卷积层、池化层、全连接层和输出层。卷积层包括卷积核，卷积核可以为一个矩阵，用于对输入图像进行卷积，具体计算方法为对输入的图像的不同局部矩阵和卷积核矩阵各个位置的元素相乘，然后相加。

优选的，在本发明实施例中，每个训练通道对应不同的卷积核，一个卷积神经网络可以包括多个卷积层。

具体地，所述将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型，包括：

确定每条训练通道的参数，通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据；

根据所述每条训练通道的预测特征数据生成每条训练通道的预测边框；

根据所述每条训练通道的预测边框计算每条训练通道的损失函数，对损失函数未达到收敛条件的训练通道调整内部参数并重新进行独立训练，直至每条训练通道的损失函数都达到所述收敛条件，得到所述训练好的特征数据提取模型。

详细地，所述每个训练通道的参数包括卷积层的卷积核对应的参数，例如，卷积矩阵的大小，具体实施时，卷积矩阵可以设为3*3，不同的卷积层可以设置不同的卷积核。此外，每个训练通道的参数还可以包括池化层的参数，例如，池化矩阵的大小，可以将池化矩阵的大小设为3*3，或者每个训练通道的参数还可以包括输出层的参数，例如线性系数矩阵及偏移向量等，每个训练通道对应的参数可以均不相同。

具体地，所述通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据，包括：

对所述训练样本集合进行向量转换，得到多维向量；

通过每条训练通道的卷积层和池化层对所述多维向量进行卷积和池化处理，得到特征图像；

通过每条训练通道的全连接层和输出层对所述特征图像进行预测，得到每条训练通道对应的预测特征数据。

详细地，所述预测特征数据包括但不限于像素点位于所述目标区域内的概率、目标区域的旋转角度、位于所述目标区域内的像素点到所述正样本边框每个边的距离，根据上述预测特征数据可以得到多个可能包含目标区域的边框，即预测边框。

具体地，所述根据所述多个特征数据确定得到目标区域，包括：

对所述目标区域内的每个像素点，根据所述特征数据中的预测旋转角度生成预设的旋转边框上的多个特征点；

将每个旋转边框上的特征点进行直线拟合，生成多条直线，将所述直线进行互相交叉形成闭合的目标区域。

其中，当所述旋转边框为多边形时，所述旋转边框上的多个特征点可以为多边形的顶点。

所述相似度计算模块103，用于根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度。

本发明实施例中，所述相似度计算模块103具体用于：

确定所述目标区域的大小为标准框选尺寸；

根据所述标准框选尺寸将所述目标区域在所述缩放图像上自左向右，自上向下进行偏移框选，得到多个查找区域；

获取所述目标区域的第一外围连通区域的第一外像素点集合和所述目标区域的第一内部连通区域的第一内像素点集合；

获取所述多个查找区域的第二外围连通区域的第二外像素点集合和任意一个所述多个查找区域的第二内部连通区域的第二内像素点集合；

获取所述第一外像素点集合与所述第二外像素点集合之间的相同外像素点数，以及所述所述第一内像素点集合与所述第二内像素点集合之间相同内像素点数；

根据相似度计算公式以及所述相同外像素点数和所述相同内像素点数进行相似度计算，得到所述目标区域与所述多个查找区域之间的相似度。

进一步地，所述第一外像素点集合是指所述目标区域的第一外围连通区域的区域轮廓线条上的像素点集合，所述第一内像素点集合是指所述目标区域的第一外围连通区域的区域内部完整的连通区域，所述第二外像素点集合是指所述查找区域的第二外围连通区域的区域轮廓线条上的像素点集合，所述第二内像素点集合是指所述查找区域的第二内部连通区域的内部完整的连通区域。

详细地，所述相似度公式为：

s＝((w/(k-b)+b/(k-w))/2

其中，s为相似度，w为所述所述第一内像素点集合与所述第二内像素点集合之间相同内像素点数，b为所述第一外像素点集合与所述第二外像素点集合之间的相同外像素点数，k为所述查找区域和所述目标区域的点数集合。

具体地，若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域，若所述相似度小于预设的相似阈值，判定所述查找区域为非相似区域，进而将所述目标区域与下一个查找区域进行相似度计算，根据所述相似度进行判别。

优选地，本发明实施例中，所述相似阈值为0.8.

本发明实施例中，基于目标区域的局部细节搜索图片中相同的区域，具体采用目标区域的外围轮廓和内部区域的特征进行搜索，因此，在进行目标区域特征搜索的时，对目标的种类及形状要求不高，故可以用于多种图形、多种场景的图形搜索中，实用性强。

所述相似区域判定模块104，用于若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域。

在本发明实施例中，若得到多个查找区域，则将所述目标区域的像素与多个查找区域的像素进行计算，从而得到相似度最高的查找区域为相似区域。

所述还原处理模块105，用于将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

具体的，所述将相似区域按照所述缩放比例进行还原处理，得到目标相似区域，包括：

将所述相似区域映射到二维坐标系中，得到所述相似区域的横坐标和纵坐标；

将所述横坐标和所述纵坐标除以所述缩放比例，得到目标横坐标和目标纵坐标；

根据所述目标横坐标和所述目标纵坐标在所述原始图像中进行查找，得到目标相似区域。

详细地，在将图片缩放之后，识别速度提升较快，识别到目标区域后根据所述缩放比例进行还原，得到目标相似区域。

本发明实施例首先通过对获取到的原始图像进行缩放处理，得到缩放图像，将原始图像缩放为预设比例大小的图像便于后续进行特征提取和遍历查找处理，提高搜索效率，利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域，提高所述目标区域识别的准确性，根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度，若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域，将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。因此，本发明提出的相似区域搜索装置能够解决在图像中进行相似区域搜索的准确率和效率都不高的问题。

如图3所示，是本发明实现相似区域搜索方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如相似区域搜索程序12。

其中，所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如相似区域搜索程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行相似区域搜索程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的相似区域搜索程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

获取原始图像，对所述原始图像进行缩放处理，得到缩放图像；

利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域；

根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度；

若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域；

将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

进一步地，所述电子设备1集成的模块/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，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的，例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取原始图像，对所述原始图像进行缩放处理，得到缩放图像；

利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域；

根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度；

若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域；

将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种相似区域搜索方法，其特征在于，所述方法包括：

获取原始图像，对所述原始图像进行缩放处理，得到缩放图像；

利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域；

根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度；

若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域；

将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

2.如权利要求1所述的相似区域搜索方法，其特征在于，所述对所述原始图像进行缩放处理，得到缩放图像，包括：

获取预设的缩放比例；

获取原始图像中的第i个像素点的位置，其中，i的初始值为1，i为正整数；

将所述缩放比例与所述位置相乘，得到所述第i个像素点的虚像素位置；

根据所述虚像素位置进行推理识别，得到所述第i个像素点的缩放像素点集合；

利用双线性插值算法对所述缩放像素点集合进行插值处理，得到所述第i个像素点的真实缩放像素位置；

令i＝i+1，重复执行获取原始图像中的第i个像素点的位置，直至i等于所述原始图像中的像素点的总数，得到所述原始图像中所有像素点的真实缩放像素位置；

根据所述真实缩放像素位置确定所述缩放图像。

3.如权利要求1所述的相似区域搜索方法，其特征在于，所述利用训练好的特征区域提取模型对所述缩放图像进行提取处理，得到多个特征数据之前，所述方法还包括：

获取训练样本集合；

将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型。

4.如权利要求3所述的相似区域搜索方法，其特征在于，所述将所述训练样本集合输入至卷积神经网络中，利用所述训练样本集合对所述卷积神经网络中包含的多条训练通道进行训练，直至所述多条训练通道满足预设的收敛条件，得到所述训练好的特征区域提取模型，包括：

确定每条训练通道的参数，通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据；

根据所述每条训练通道的预测特征数据生成每条训练通道的预测边框；

根据所述每条训练通道的预测边框计算每条训练通道的损失函数，对损失函数未达到收敛条件的训练通道调整内部参数并重新进行独立训练，直至每条训练通道的损失函数都达到所述收敛条件，得到所述训练好的特征数据提取模型。

5.如权利要求4所述的相似区域搜索方法，其特征在于，所述通过所述训练样本集合对每条训练通道独立训练，得到每条训练通道对应的预测特征数据，包括：

对所述训练样本集合进行向量转换，得到多维向量；

通过每条训练通道的卷积层和池化层对所述多维向量进行卷积和池化处理，得到特征图像；

通过每条训练通道的全连接层和输出层对所述特征图像进行预测，得到每条训练通道对应的预测特征数据。

6.如权利要求1至5中任一项所述的相似区域搜索方法，其特征在于，所述根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度，包括：

确定所述目标区域的大小为标准框选尺寸；

根据所述标准框选尺寸将所述目标区域在所述缩放图像上自左向右，自上向下进行偏移框选，得到多个查找区域；

获取所述目标区域的第一外围连通区域的第一外像素点集合和所述目标区域的第一内部连通区域的第一内像素点集合；

获取所述多个查找区域的第二外围连通区域的第二外像素点集合和任意一个所述多个查找区域的第二内部连通区域的第二内像素点集合；

获取所述第一外像素点集合与所述第二外像素点集合之间的相同外像素点数，以及所述所述第一内像素点集合与所述第二内像素点集合之间相同内像素点数；

根据相似度计算公式以及所述相同外像素点数和所述相同内像素点数进行相似度计算，得到所述目标区域与所述多个查找区域之间的相似度。

7.如权利要求1至5中任一项所述的相似区域搜索方法，其特征在于，所述将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域，包括：

将所述相似区域映射到二维坐标系中，得到所述相似区域的横坐标和纵坐标；

将所述横坐标和所述纵坐标除以所述缩放比例，得到目标横坐标和目标纵坐标；

根据所述目标横坐标和所述目标纵坐标在所述原始图像中进行查找，得到目标相似区域。

8.一种相似区域搜索装置，其特征在于，所述装置包括：

图像缩放模块，用于获取原始图像，对所述原始图像进行缩放处理，得到缩放图像；

目标区域确定模块，用于利用训练好的特征数据提取模型对所述缩放图像进行提取处理，得到多个特征数据，根据所述多个特征数据确定目标区域；

相似度计算模块，用于根据所述目标区域对所述缩放图像进行遍历查找和偏移比较，得到查找区域，计算所述目标区域和所述查找区域之间的相似度；

相似区域判定模块，用于若所述相似度大于或者等于预设的相似阈值，判定所述查找区域为相似区域；

还原处理模块，用于将所述相似区域按照预设的缩放比例进行还原处理，得到目标相似区域。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的相似区域搜索方法。

10.一种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7中任一项所述的相似区域搜索方法。

Images