【技术实现步骤摘要】
本专利技术涉及图片检测，尤其涉及一种图片相似度检测方法、装置、设备及存储介质。
技术介绍
1、相关技术中，图片相似度计算的方法主要分为基于特征匹配的方法和基于深度学习的方法，其中，基于特征匹配的方法通过提取图片的局部特征或全局特征进行匹配，如sift算法（scale invariant feature transform，尺度不变特征变换），该算法通过构建图片的关键点描述符来实现相似度计算；基于深度学习的方法，通过训练特定的嵌入模型，将图片映射到低维特征空间中进行匹配。
2、然而，相关技术中，基于特征匹配的方法对于高分辨率图片或大规模数据集计算效率和准确率较低；而基于深度学习的方法需要较高的计算资源，对小样本场景或跨领域任务的泛化能力有限，难以满足实时性要求，无法满足多场景、多领域的实际应用需求，亟需改进。
技术实现思路
1、本专利技术提供了一种图片相似度检测方法、装置、设备及存储介质，以至少解决相关技术中，对于高分辨率图片或大规模数据集需要较高的计算资源，计算效率和准确率较低，对小样本场景或跨领域任务的泛化能力有限，难以满足实时性要求，无法满足多场景、多领域的实际应用需求等技术问题。
2、本专利技术提供了一种图片相似度检测方法，包括以下步骤：获取至少两张初始图片，并分别计算所述至少两张初始图片的离散度，以根据满足不同预设离散条件的离散度分别确定对应初始图片的前景部分和背景部分，并分离出所述背景部分，以得到对应的最终图片；将预先构建的图片滤波器分别和所述最终
3、本专利技术还提供了一种图片相似度检测装置，包括：第一获取模块，用于获取至少两张初始图片，并分别计算所述至少两张初始图片的离散度，以根据满足不同预设离散条件的离散度分别确定对应初始图片的前景部分和背景部分，并分离出所述背景部分，以得到对应的最终图片；卷积模块，用于将预先构建的图片滤波器分别和所述最终图片进行卷积，以得到对应的卷积图片；确定模块，用于基于预先构建的差分金字塔和预设特征点阈值，确定所述卷积图片中的至少一个特征点；计算模块，用于计算所述至少一个特征点在至少四个目标方向的方向模值，并利用所述至少四个目标方向和所述方向模值确定所述至少一个特征点对应的特征向量；第一生成模块，用于利用所述特征向量计算不同最终图片中至少一个特征点的欧式距离，以基于所述欧式距离得到所述不同最终图片之间的相似度。
4、本专利技术还提供了一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现上述任一种图片相似度检测方法的步骤。
5、本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被处理器执行时实现上述任一种图片相似度检测方法的步骤。
6、本专利技术还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述任一种图片相似度检测方法的步骤。
7、通过本专利技术，可以通过计算初始图片的离散度，确定初始图片的前景部分和背景部分，并分离出背景部分，得到对应的最终图片，并对最终图片利用预先构建的图片滤波器进行卷积，进而得到卷积图片，通过预先构建的差分金字塔和一定特征点阈值，确定特征点，进而计算特征点在目标方向的方向模值，从而得到对应的特征向量，并计算欧式距离，以得到不同图片之间的相似度。因此，可以解决对于高分辨率图片或大规模数据集需要较高的计算资源，计算效率和准确率较低，对小样本场景或跨领域任务的泛化能力有限，难以满足实时性要求，无法满足多场景、多领域的实际应用需求等技术问题，达到快速进行相关特征的提取和计算，提高图片相似度的计算效率，有效避免图片旋转等因素带来的影响的技术效果。
本文档来自技高网...【技术保护点】
1.一种图片相似度检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图片相似度检测方法，其特征在于，所述分别计算所述至少两张初始图片的离散度，包括：
3.根据权利要求2所述的图片相似度检测方法，其特征在于，所述根据满足不同预设离散条件的离散度分别确定对应初始图片的前景部分和背景部分，包括：
4.根据权利要求1所述的方法，其特征在于，在将预先构建的图片滤波器分别和所述最终图片进行卷积之前，还包括：
5.根据权利要求1所述的图片相似度检测方法，其特征在于，在基于预先构建的差分金字塔和预设特征点阈值，确定所述卷积图片中的至少一个特征点之前，还包括：
6.根据权利要求1所述的图片相似度检测方法，其特征在于，所述基于预先构建的差分金字塔和预设特征点阈值，确定所述卷积图片中的至少一个特征点，包括：
7.根据权利要求1所述的图片相似度检测方法，其特征在于，所述利用所述至少四个目标方向和所述方向模值确定所述至少一个特征点对应的特征向量，包括：
8.一种图片相似度检测装置，其特征在于，包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。