python实现图像检索的三种(直方图/OpenCV/哈希法)

这篇文章主要介绍了python实现图像检索的三种(直方图/OpenCV/哈希法),文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

简介：

本文介绍了图像检索的三种实现方式，均用python完成，其中前两种基于直方图比较，哈希法基于像素分布。
检索方式是：提前导入图片库作为检索范围，给出待检索的图片，将其与图片库中的图片进行比较，得出所有相似度后进行排序，从而检索结果为相似度由高到低的图片。由于工程中还包含Qt界面类、触发函数等其他部分，在该文档中只给出关键函数的代码。

开发系统：MacOS
实现方式：Qt + Python

方法一：自定义的直方图比较算法

a) 基本思路

遍历图片像素点，提取R\G\B值并进行对应的计数，得到原始直方图，但由于0-255的范围太大，因此每一个像素值的统计量均偏小，因此分别将R\G\B的256个像素值映射到0-31共32个像素值上，将像素值范围由256*3缩小到32*3。记录像素值采用的数据结构为一维数组，第1到32个值为R的像素直方图，第33到第64个值为G的像素统计，第65到96个值为B的像素统计。得到直方图后，计算待检索图的直方图和图片库中图像的直方图之间的相似性。

b) 具体实现

用到的函数：

split_Img()
calc_Hist(img)
calc_Similar(h1,h2)
calc_Similar_Split(h1,h2)

遍历图片的像素点以计算直方图：calc_Hist(img)

尝试了两种方式，第一种是对图像遍历时逐个调用getpixel()来获取R,G,B的值，但发现这种方式的速度太慢。第二种采用的是内存读取，利用load()函数一次性读取图像的像素值，然后对像素值进行遍历，该方法的速度比逐个提取更快。

#统计直方图，用load()载入图片的像素pix，再分别读取每个像素点的R\G\B值进行统计（分别为0-255）

#将256个颜色值的统计情况投影到32个，返回R\G\B投影后的统计值数组，共32*3=96个元素

def calc_Hist(img):

'''

#120张图片，4.43s

w,h = img.size

pix = img.load() #载入图片，pix存的是像素

calcR = [0 for i in range(0,32)]

calcG = [0 for i in range(0,32)]

calcB = [0 for i in range(0,32)]

for i in range(0,w):

for j in range(0,h):

(r,g,b) = pix[i,j]

#print (r,g,b)

calcR[r/8] += 1

calcG[g/8] += 1

calcB[b/8] += 1

calcG.extend(calcB)

calcR.extend(calcG)

return calcR

'''

#120张图，3.49s

w,h = img.size

pix = img.load() #载入图片，pix存的是像素

calcR = [0 for i in range(0,256)]

calcG = [0 for i in range(0,256)]

calcB = [0 for i in range(0,256)]

for i in range(0,w):

for j in range(0,h):

(r,g,b) = pix[i,j]

#print (r,g,b)

calcR[r] += 1

calcG[g] += 1

calcB[b] += 1

calcG.extend(calcB)

calcR.extend(calcG) #256*3

#calc存放最终结果，32*3

calc = [0 for i in range(0,96)]

step = 0 #calc的下标，0~95

start = 0 #每次统计的开始位置

while step < 96:

for i in range(start,start+8): #8个值为1组，统计值相加，eg：色彩值为0~7的统计值全部转换为色彩值为0的统计值

calc[step] += calcR[i]

start = start+8

step += 1

#print calc

return calc

直方图比较 calc_Similar(h1,h2)

采用的公式是：

其中N为颜色级数，Sim越靠近1则两幅图像的相似度越高。

c) 问题和改进

简单实现直方图比较后，检索的结果并不好，和预期相比误差较大。分析原因，直方图比较主要依靠整幅图像的色彩统计来进行比较，而对像素的位置并没有很好的记录，因此会造成误判。

同时增加calc_Similar_Split(h1,h2)函数，加入分块比较的部分，计算方法是：对每个小块调用calc_Similar(h1,h2)，累加计算结果，最后除以16取平均值。

测试发现效果显著提升，基于颜色相似的同时保留了形状信息。

函数如下：

#该函数用于统一图片大小为256*256，并且分割为16个块，返回值是16个局部图像句柄的数组

def split_Img(img, size = (64,64)):

img = img.resize((256,256)).convert('RGB')

w,h = img.size

sw,sh = size

return [img.crop((i,j,i+sw,j+sh)).copy() for i in xrange(0,w,sw) for j in xrange(0,h,sh)]

#计算两个直方图之间的相似度，h1和h2为直方图，zip表示同步遍历

def calc_Similar(h1,h2):

return sum(1 - (0 if g==s else float(abs(g-s))/max(g,s)) for g,s in zip(h1,h2)) / len(h1)

#该函数用于统一图片大小为256*256，并且分割为16个块，返回值是16个局部图像句柄的数组 def split_Img(img, size = (64,64)): img = img.resize((256,256)).convert('RGB') w,h = img.size sw,sh = size return [img.crop((i,j,i+sw,j+sh)).copy() for i in xrange(0,w,sw) for j in xrange(0,h,sh)] #计算两个直方图之间的相似度，h1和h2为直方图，zip表示同步遍历 def calc_Similar(h1,h2): return sum(1 - (0 if g==s else float(abs(g-s))/max(g,s)) for g,s in zip(h1,h2)) / len(h1)

方法二：openCV库的直方图比较算法实现

openCV开源库已经集成了直方图提取、直方图均衡化以及直方图比较的功能，调用方便。为了进一步了解直方图比较的各类实现方法，利用openCV重新进行了实验。

a) 基本思路

对图片库中每个图片提取直方图并均衡化，然后调用cv库函数进行直方图比较，结果进行排序，并显示。

b) 具体实现

首先调用cv2.imread()读取图像，然后调用cv2.calcHist()计算直方图，cv2.normalize()均衡化后进入比较阶段，调用cv2.compareHist()，比较待检索图和图片库图像之间的直方图差异，然后调用DisplayTotalPics()进行显示。

关键代码如下：

results = {} #记录结果

reverse = True #correlation/intersection方法reverse为true，另外两种为false

imgCV = cv2.imread(self.testImg.encode('utf-8'))

#self.testImg为待匹配图片

testHist = cv2.calcHist([imgCV],[0,1,2],None,[8,8,8],[0,256,0,256,0,256])

#提取直方图

testHist = cv2.normalize(testHist,testHist,0,255,cv2.NORM_MINMAX).flatten()

#均衡化

#计算self.testImg和其他图片的直方图差异，INTERSECTION方法效果比较好

for (k, hist) in self.index_cv.items():

#self.index_cv保存的是图片库中图片的直方图信息

d = cv2.compareHist(testHist,hist, cv2.cv.CV_COMP_INTERSECT)

results[k] = d

#对结果排序，以v即上面的d作为关键字

results = sorted([(v, k) for (k, v) in results.items()], reverse = reverse)

end = time.time()

print 'OpenCV Time:'

print end-start

self.DisplayTotalPics(results)

c) 问题与解决

openCV中的compareHist函数中提供了4中比较方法：
1．相关系数标准(method=CV_COMP_CORREL) 值越大，相关度越高，最大值1，最小值0
2．卡方系数标准(method=CV_COMP_CHISQR) 值越小，相关度越高，无上限，最小值0
3．相交系数标准(method=CV_COMP_INTERSECT)值大，相关度越高，最大9.455319，最小0
4．巴氏系数的标准(method=CV_COMP_BHATTACHARYYA) 值小，相关度越高，最大值1，最小值0

测试后选择的是method = cv2.cv.CV_COMP_INTERSECT

另外，该方法的速度很快，完全基于图像的色彩分布，但在一些情况下精度并不高。

方法三：平均哈希值比较算法实现

用到的函数：getKey(),getCode(),cmpCode()

a) 基本思路

平均哈希值的比较算法是基于像素分布的，比较对象是灰度图的图像指纹。图像指纹的计算通过比较每个图的像素值和平均像素值来计算，然后计算图像指纹之间的汉明距离，排序后得到相似图像。

b) 具体实现

具体方法是：计算进行灰度处理后图片的所有像素点的平均值，然后遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0，这一步通过定义函数getCode(img)完成。接着计算编码之间的汉明距离，即一组二进制数据变为另一组数据所需的步骤数，汉明距离越小，说明图像指纹的相似度越高。计算汉明距离可以通过简单的遍历和计数来完成，函数为compCode(code1,code2),其中code1和code2为getCode得到的图像指纹。

关键函数代码如下：

#获取排序时的关键值（即汉明距离）

def getKey(x):

return int(x[1])

#由灰度图得到2值“指纹”，从而计算汉明距离

def getCode(img):

w,h = img.size

pixel = []

for i in range(0,w):

for j in range(0,h):

pixel_value = img.getpixel((i,j))

pixel.append(pixel_value) #加入pixel数组

avg = sum(pixel)/len(pixel) #计算像素平均值

cp = [] #二值数组

for px in pixel:

if px > avg:

cp.append(1)

else:

cp.append(0)

return cp

#计算两个编码之间的汉明距离

def compCode(code1,code2):

num = 0

for index in range(0,len(code1)):

if code1[index] != code2[index]:

num+=1

#print num

#print '\n'

return num

c) 问题与优化

我们发现在数据量大时，该方法的检索速度较慢，因此我们将图像指纹也作为图像的属性存在self.hashCode中，在importFolder时计算好，避免后续操作中的冗余重复计算。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

python实现图像检索的三种(直方图/OpenCV/哈希法)相关推荐

Python 发送 email 的三种方式
Python发送email的三种方式,分别为使用登录邮件服务器.使用smtp服务.调用sendmail命令来发送三种方法本文原文自米扑博客:Python 发送 email 的三种方式 Python发 ...
测试Python下载图片的三种方法
简介: 通过Python软件包对网络URL图片链接进行下载,可以加快后期处理.本文测试了urllib, request两个软件包对图片进行下载效果.如果图片原网页有了防止下载机制,是无法下载图片. ...
python学习音频-详解python播放音频的三种方法
第一种使用pygame模块 pygame.mixer.init() pygame.mixer.music.load(self.wav_file) pygame.mixer.music.set_vol ...
python可以播放音乐吗_详解python播放音频的三种方法
第一种使用pygame模块 pygame.mixer.init() pygame.mixer.music.load(self.wav_file) pygame.mixer.music.set_vol ...
python如何安装matplotlib_详解python安装matplotlib库三种失败情况
(可能只有最后一句命令有用,可能全篇都没用) (小白方法,可能只适用于本人情况) 安装matplotlib时,出现的三种失败情况 1.read timed out 一开始我在pycharm终端使用pi ...
Python语言学习：三种随机函数random.seed()、numpy.random.seed()、set_random_seed()及random_normal的简介、使用方法(固定种子)详细攻略
Python语言学习:三种随机函数random.seed().numpy.random.seed().set_random_seed()及random_normal的简介.使用方法(固定种子)之详细攻 ...
Python实现二叉树的三种深度遍历方法！
python代码实现了二叉树,这次将会实现二叉树的几种遍历方法,来更好的解析二叉树的结构特点.分别是一种广度遍历,和三种深度遍历方法:先序遍历,中序遍历,后序遍历.下面是代码实现: 1.先序遍历遍历 ...
python调用cmd命令释放端口_详解python调用cmd命令三种方法
目前我使用到的python中执行cmd的方式有三种使用os.system("cmd") 该方法在调用完shell脚本后,返回一个16位的二进制数,低位为杀死所调用脚本的信号号码, ...
python实现单例模式的三种方式及相关知识解释
python实现单例模式的三种方式及相关知识解释模块模式装饰器模式父类重写new继承单例模式作为最常用的设计模式,在面试中很可能遇到要求手写.从最近的学习python的经验而言,singlet ...
【Python】Python创建虚拟环境的三种方式
Python创建虚拟环境的三种方式比较 Python创建虚拟环境的三种方式首先:为什么需要虚拟环境? Pipenv vs Virtualenv vs Conda 1. Virtualenv 2. P ...

python实现图像检索的三种(直方图/OpenCV/哈希法)

python实现图像检索的三种(直方图/OpenCV/哈希法)相关推荐

最新文章

热门文章