[发明专利]通用的文本图片查重方法、存储介质及处理设备

说明书

本发明公开了一种通用的文本图片查重方法、存储介质及处理设备，涉及文本图片识别技术领域。本发明包括如下步骤：S11、建立图片数据库；S12、提取查询图中的文本内容；S13、将查询图的文本内容与图片数据库中的全部图片的文本内容进行相似性比对，找出潜在的重复图；S14、是否存在潜在的重复图；若是，执行步骤S15；否则，执行步骤S16；S15、将查询图与全部重复图两两之间进行差异比对，并根据比对结果得出查重结果，返回步骤S12执行下一个查询图的查重；S16、返回步骤S12,执行下一个查询图的查重。本发明能够避免查重过程中的误查，查重准确率及效率均高，能应用与诸多特殊场景，具备较好的应用价值。

技术领域

本发明涉及文本图片识别技术领域，尤其涉及一种通用的文本图片查重方法、存储介质及处理设备。

背景技术

在零售行业，厂商需要对零售户门店情况进行监督，一种常用的方法是让零售户拍摄店内相关照片上传到厂商后台，再由厂商进行审核评级，最终决定是否发放相对应的奖励。但是，部分零售户存在作弊行为，上传的图片并不属于自己的门店，而是有可能来源于其它零售户分享或者拍摄的其他门店照片。

现有的图片查重方法针对的是通用场景，任意两张图片之间差异比较大，而在文本图片本身相似度就比较高的场景误检很严重，不具备可用性。相反地，基于图像相似度的方法可以很好避免误检，但是因为对图像相似度要求比较高，因此无法检测经过复杂图像编辑操作或者差异较大的对同一文本场景多次拍摄的重复类型。

发明内容

本发明的目的在于提供一种通用的文本图片查重方法、存储介质及处理设备，以解决现有技术中存在的上述技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。

为实现上述目的，本发明提供了以下技术方案：

本发明提供的一种通用的文本图片查重方法，包括如下步骤：S11、建立图片数据库；将拍摄的图片经过OCR识别、使用simhash算法将识别的文本内容映射为一定长度的hash值，将图片及其识别的内容、hash值建立统一的数据库；

S12、提取查询图中的文本内容；

S13、将所述查询图的所述文本内容与所述图片数据库中的全部图片的文本内容进行相似性比对，找出潜在的重复图；具体步骤为：

S131、使用simhash算法将所述查询图的所述文本内容映射为一定长度的hash值；

S132、将所述查询图的hash值与所述图片数据库内所有图片的hash值进行比对，将汉明距离小于第一设定阈值的图片作为潜在的所述重复图；

S133、将所述查询图与全部潜在的所述重复图逐一进行文本内容相似性检测，并根据检测结果更新所述重复图；

S14、是否存在潜在的所述重复图；若是，执行步骤S15；否则，执行步骤S16；

S15、将所述查询图与全部潜在的所述重复图两两之间进行差异比对，并根据比对结果得出查重结果；差异比对时，将所述查询图与每个潜在的所述重复图的文字区域的每个像素值相减，差值取绝对值，对所有差值的绝对值取平均数作为文字区域比对结果，所述文字区域比对结果与第三设定阈值做比较；将所述查询图与每个潜在的所述重复图的非文字区域的每个像素值相减，差值取绝对值，对所有差值的绝对值取平均数作为非文字区域比对结果，所述非文字区域比对结果与第四设定阈值做比较，得出所述查重结果；如得出的所述查重结果为：所述查询图与所述图片数据库中的图片不存在重复，将所述查询图及其对应的文本内容写入到所述图片数据库中，返回步骤S12执行下一个所述查询图的查重；如得出的所述查重结果为：所述查询图与所述图片数据库中的图片存在重复，返回步骤S12执行下一个所述查询图的查重；

S16、返回步骤S12,执行下一个所述查询图的查重。

进一步地，步骤S133包括如下步骤：