以图搜图 - Google 相似图片搜索原理

转自：http://blog.csdn.net/luohong722/article/details/7100058

前阵子在阮一峰的博客上看到了这篇《相似图片搜索原理》博客，就有一种冲动要将这些原理实现出来了。

Google "相似图片搜索"：你可以用一张图片，搜索互联网上所有与它相似的图片。

打开Google图片搜索页面：

点击使用上传一张angelababy原图：

点击搜索后，Google将会找出与之相似的图片，图片相似度越高就越排在前面。如：

这种技术的原理是什么？计算机怎么知道两张图片相似呢？

根据Neal Krawetz博士的解释，实现相似图片搜素的关键技术叫做"感知哈希算法"（Perceptualhash algorithm），它的作用是对每张图片生成一个"指纹"（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。

以下是一个最简单的Java实现：

预处理：读取图片

[java] view plain copy print?

File inputFile = newFile(filename);
BufferedImage sourceImage = ImageIO.read(inputFile);//读取图片文件

File inputFile = newFile(filename);
BufferedImage sourceImage = ImageIO.read(inputFile);//读取图片文件

第一步，缩小尺寸。

将图片缩小到8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。

[java] view plain copy print?

int width= 8;
intheight = 8;
// targetW，targetH分别表示目标长和宽
int type= sourceImage.getType();// 图片类型
BufferedImagethumbImage = null;
double sx= (double) width / sourceImage.getWidth();
double sy= (double) height / sourceImage.getHeight();

int width= 8;
intheight = 8;
// targetW，targetH分别表示目标长和宽
int type= sourceImage.getType();// 图片类型
BufferedImagethumbImage = null;
double sx= (double) width / sourceImage.getWidth();
double sy= (double) height / sourceImage.getHeight();

[java] view plain copy print?

// 将图片宽度和高度都设置成一样，以长度短的为准
if (b) {
if(sx > sy) {
sx= sy;
width= (int) (sx * sourceImage.getWidth());
}else {
sy= sx;
height= (int) (sy * sourceImage.getHeight());
}
}
// 自定义图片
if (type== BufferedImage.TYPE_CUSTOM) { // handmade
ColorModelcm = sourceImage.getColorModel();
WritableRasterraster = cm.createCompatibleWritableRaster(width,height);
booleanalphaPremultiplied = cm.isAlphaPremultiplied();
thumbImage= new BufferedImage(cm, raster, alphaPremultiplied, null);
} else {
// 已知图片，如jpg，png，gif
thumbImage= new BufferedImage(width, height, type);
}
// 调用画图类画缩小尺寸后的图
Graphics2Dg = target.createGraphics();
//smoother than exlax:
g.setRenderingHint(RenderingHints.KEY_RENDERING, RenderingHints.VALUE_RENDER_QUALITY);
g.drawRenderedImage(sourceImage,AffineTransform.getScaleInstance(sx, sy));
g.dispose();

// 将图片宽度和高度都设置成一样，以长度短的为准
if (b) {if(sx > sy) {sx= sy;width= (int) (sx * sourceImage.getWidth());}else {sy= sx;height= (int) (sy * sourceImage.getHeight());}
}
// 自定义图片
if (type== BufferedImage.TYPE_CUSTOM) { // handmadeColorModelcm = sourceImage.getColorModel();WritableRasterraster = cm.createCompatibleWritableRaster(width,height);booleanalphaPremultiplied = cm.isAlphaPremultiplied();thumbImage= new BufferedImage(cm, raster, alphaPremultiplied, null);} else {// 已知图片，如jpg，png，gifthumbImage= new BufferedImage(width, height, type);
}
// 调用画图类画缩小尺寸后的图
Graphics2Dg = target.createGraphics();
//smoother than exlax:
g.setRenderingHint(RenderingHints.KEY_RENDERING, RenderingHints.VALUE_RENDER_QUALITY);
g.drawRenderedImage(sourceImage,AffineTransform.getScaleInstance(sx, sy));
g.dispose();

第二步，简化色彩。

将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。

[html] view plain copy print?

int[]pixels = new int[width * height];
for (inti = 0; i < width; i++) {
for(int j = 0; j < height; j++) {
pixels[i* height + j] = rgbToGray(thumbImage.getRGB(i, j));
}
}
/**
* 灰度值计算
* @param pixels 彩色RGB值(Red-Green-Blue 红绿蓝)
* @return int 灰度值
*/
public static int rgbToGray(int pixels) {
// int _alpha =(pixels >> 24) & 0xFF;
int _red = (pixels >> 16) & 0xFF;
int _green = (pixels >> 8) & 0xFF;
int _blue = (pixels) & 0xFF;
return (int) (0.3 * _red + 0.59 * _green + 0.11 * _blue);
}

int[]pixels = new int[width * height];
for (inti = 0; i < width; i++) {for(int j = 0; j < height; j++) {pixels[i* height + j] = rgbToGray(thumbImage.getRGB(i, j));}
}
/*** 灰度值计算* @param pixels 彩色RGB值(Red-Green-Blue 红绿蓝)* @return int 灰度值*/
public static int rgbToGray(int pixels) {// int _alpha =(pixels >> 24) & 0xFF;int _red = (pixels >> 16) & 0xFF;int _green = (pixels >> 8) & 0xFF;int _blue = (pixels) & 0xFF;return (int) (0.3 * _red + 0.59 * _green + 0.11 * _blue);
}

第三步，计算平均值。

计算所有64个像素的灰度平均值。

[java] view plain copy print?

int avgPixel= 0;
int m = 0;
for (int i =0; i < pixels.length; ++i) {
m +=pixels[i];
}
m = m /pixels.length;
avgPixel = m;

int avgPixel= 0;
int m = 0;
for (int i =0; i < pixels.length; ++i) {m +=pixels[i];
}
m = m /pixels.length;
avgPixel = m;

第四步，比较像素的灰度。

将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。

[java] view plain copy print?

int[] comps= new int[width * height];
for (inti = 0; i < comps.length; i++) {
if(pixels[i] >= avgPixel) {
comps[i]= 1;
}else {
comps[i]= 0;
}
}

int[] comps= new int[width * height];
for (inti = 0; i < comps.length; i++) {if(pixels[i] >= avgPixel) {comps[i]= 1;}else {comps[i]= 0;}
}

第五步，计算哈希值。

将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。

= = 8f373714acfcf4d0

[html] view plain copy print?

StringBufferhashCode = new StringBuffer();
for (inti = 0; i < comps.length; i+= 4) {
intresult = comps[i] * (int) Math.pow(2, 3) + comps[i + 1] * (int) Math.pow(2, 2)+ comps[i + 2] * (int) Math.pow(2, 1) + comps[i + 2];
hashCode.append(binaryToHex(result));//二进制转为16进制
}
StringsourceHashCode = hashCode.toString();

StringBufferhashCode = new StringBuffer();
for (inti = 0; i < comps.length; i+= 4) {intresult = comps[i] * (int) Math.pow(2, 3) + comps[i + 1] * (int) Math.pow(2, 2)+ comps[i + 2] * (int) Math.pow(2, 1) + comps[i + 2];hashCode.append(binaryToHex(result));//二进制转为16进制
}
StringsourceHashCode = hashCode.toString();

得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算"汉明距离"（Hammingdistance）。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。

[java] view plain copy print?

int difference = 0;
int len =sourceHashCode.length();
for (inti = 0; i < len; i++) {
if(sourceHashCode.charAt(i) != hashCode.charAt(i)) {
difference++;
}
}

int difference = 0;
int len =sourceHashCode.length();for (inti = 0; i < len; i++) {if(sourceHashCode.charAt(i) != hashCode.charAt(i)) {difference++;}
}

你可以将几张图片放在一起，也计算出他们的汉明距离对比，就可以看看两张图片是否相似。

这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。

实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。

以上内容大部分直接从阮一峰的网站上复制过来，想看原著的童鞋可以去在最上面的链接点击进去看。

提供源码下载，源码下载链接：http://download.csdn.net/detail/luohong722/3965112

参考链接：神奇的图像处理算法, 11款相似图片搜索引擎推荐，以图搜图将不再是难事，http://insidesearch.blogspot.com/2011/07/teaching-computers-to-see-image.html

以图搜图 - Google 相似图片搜索原理 - Java实现相关推荐

Google 以图搜图 - 相似图片搜索原理 - Java实现
前阵子在阮一峰的博客上看到了这篇<相似图片搜索原理>博客,就有一种冲动要将这些原理实现出来了. Google "相似图片搜索":你可以用一张图片,搜索互联网上所有与它相 ...
Google 以图搜图 - 相似图片搜索原理 - Java实现（转）
前阵子在阮一峰的博客上看到了这篇<相似图片搜索原理>博客,就有一种冲动要将这些原理实现出来了. Google "相似图片搜索":你可以用一张图片,搜索互联网上所有与它相 ...
淘宝/天猫按图搜索商品API接口，以图搜商品API接口,图片搜索API接口
一.淘宝/天猫按图搜索商品API接口,拍立淘搜索图接口,以图搜商品API接口代码分享 1.公共参数: 名称类型必须描述 key String 是调用key(必须以GET方式拼接在URL中) s ...
以图找图：相似图片搜索的原理
来源: 阮一峰你可以用一张图片,搜索互联网上所有与它相似的图片.点击搜索框中照相机的图标. 一个对话框会出现. 你输入网片的网址,或者直接上传图片,Google就会找出与其相似的图片.下面这张图片是 ...
以图搜图 1 Milvus 人脸搜索图片搜索引擎多维近似向量查找工具向量搜索引擎
搜索难点: (1)计算量太大解决: (2)使用一些算法,比如利用搜索树等算法写的一些工具常用工具: (1)Annoy https://github.com/spotify/annoy 特点: 缺点 ...
11款相似图片搜索引擎推荐，以图搜图将不再是难事
你想凭着一张现有图片找出它的原始图片,或者是凭着一张小的缩略图找出原始大图吗? 下面的十一款搜索引擎可以帮你实现,以图找图,以图搜图,以图片搜索相似的图片. 1.http://tineye.com/ ...
搜索技术之--以图搜图
以图搜图,是通过搜索图像文本或者视觉特征,为用户提供互联网上相关图形图像资料检索服务的专业搜索引擎系统,是搜索引擎的一种细分.通过输入与图片名称或内容相似的关键字来进行检索,另一种通过上传与搜索结果相 ...
“以图搜图”，背后的原理你不懂
点 Google "相似图片搜索":你可以用一张图片,搜索互联网上所有与它相似的图片. 打开Google图片搜索页面: 点击[相机]使用上传一张<深度学习>的原 ...
“以图搜图”，背后的原理你不懂 1
Google "相似图片搜索":你可以用一张图片,搜索互联网上所有与它相似的图片. 打开Google图片搜索页面: 点击[相机]使用上传一张<深度学习>的原图: 点 ...

以图搜图 - Google 相似图片搜索原理 - Java实现

以图搜图 - Google 相似图片搜索原理 - Java实现相关推荐

最新文章

热门文章