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
- 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。
- 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();
- // 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。
- 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。
- 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。
- 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
- 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。
- 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
转载于:https://www.cnblogs.com/jpfss/p/7131347.html
Google 以图搜图 - 相似图片搜索原理 - Java实现 (转)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 ...
- 以图搜图 相似图片搜索的原理(一)
转自:http://www.ruanyifeng.com/blog/2011/07/principle_of_similar_image_search.html 上个月,Google把"相似 ...
- 以图搜图 相似图片搜索的原理(二)
转自:http://www.ruanyifeng.com/blog/2013/03/similar_image_search_part_ii.html 二年前,我写了<相似图片搜索的原理> ...
- 以图搜图 - Google 相似图片搜索原理 - Java实现
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 ...
- “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 ...
- 自动化 Google 以图搜图
Google_Image_Searcher 最新代码请见 github 1. requirements selenium beautifulsoup4 requests Chrome & we ...
- python以图搜图api_网络图片搜索-以图搜图【最新版】_自动识别接口_图像识别_数据API-云市场-阿里云...
{"moduleinfo":{"advanList_count":[{"count_phone":4,"count":4 ...
- 以图搜图服务快速搭建
以图搜图服务快速搭建 电商公司,管理的商品少则几千,多则上百万.如何帮助用户从多如牛毛的商品中找到类似的商品就成了问题. 以图搜图就可以很好的帮助解决这个问题,通过 Towhee(resnet50 模 ...
最新文章
- 使用OpenCV和Imutils构建图像的蒙太奇效果
- 分享一款Markdown的css样式
- 填写各类表格时有时在多个选择前有小方框 在其中打勾
- 基于内容的图像检索 Database for Content-Based Image Retrieval
- 【LeetCode】剑指 Offer 67. 把字符串转换成整数
- LeetCode 221. 最大正方形(动态规划)
- 三菱PLC编程软件Work2的FB块加密后的解密方法
- ubuntu下载chrome等软件
- 力扣14最长公共子串
- SAP数据接口技术类型
- WORD里表格(图表、框图、形状)复制到另一WORD里表格会变形的解决办法
- ice的意思_ice是什么意思_ice的翻译_音标_读音_用法_例句_爱词霸在线词典
- 生物计算机 量子计算机,光子计算机、生物计算机和量子计算机
- Unexpected token u in JSON at position 0 at JSON.parse (<anonymous>)
- 完全依赖XP必将自食其果
- 微信小程序分析送积分功能如何实现_微信小程序积分商城该怎么进行操作?
- Library Genesis
- 美国零售业初创公司排名前5位的软件开发公司
- SpringBoot+MyBatis+MySql实现的医院管理系统
- ant安装和ant的环境配置
热门文章
- python axes_Python Matplotlib.axes.Axes.axis()用法及代码示例
- 国学经典成就李白 《孟子》之类读本要早读
- 【系统安全】X509证书介绍
- 达里奥:典型的去杠杆化过程是怎么进行的zz
- Element UI Dialog 对话框改成固定高度,超出部分滚动条滚动
- python数据分析与数据化运营_电商数据分析与数据化运营.pdf
- SHdovw与internetexplor
- UE5 视差材质(这个真是太有用了)
- ruby小概念 须知
- AcWing 3205. 最优配餐