spyder cv2 打开图片_谷歌百度以图搜图如何实现?教你打造属于自己的相似图片搜索引擎
相似图片
前情回顾:
图片颜色直方图
前期文章,我们分享了图片的3D颜色直方图,利用颜色直方图是反映图片的像素的分布状态,当然不同的图片,其颜色直方图肯定有所不同,利用不同图片的颜色直方图的对比值,便可以很容易找到2张相似的图片。
图片的3D颜色直方图:
既然要使用图片的颜色直方图来进行相似图片的对比,首先需要对图片进行直方图的数据收集与保持
import pickleimport cv2import osclass RGBHistogram: def __init__(self, bins): self.bins = bins def describe(self, image): hist = cv2.calcHist([image], [0, 1, 2],None, self.bins, [0, 256, 0, 256, 0, 256]) hist = cv2.normalize(hist,hist) return hist.flatten()
代码截图
首先我们建立一个计算图片 RGB空间的3D颜色直方图函数,利用此函数来进行图片直方图的计算工作
我们依然使用cv2.calcHist函数来进行图片直方图的计算,关于此函数的具体参数定义,可以参考往期文章,这里我们一般搜索的图片为彩色图片,所以计算图片的RGB空间直方图
然后使用cv2.normalize opencv 图片归一化函数(归一化数据。该函数分为范围归一化与数据值归一化),通俗地讲就是将矩阵的值通过某种方式变到某一个区间内,这样可以有效的节约计算机空间来计算
Cv.normalize(InputArry src,InputOutputArray dst,double alpha=1, double beta=0,int norm_type=NORM_L2,int dtype=-1,InputArray mark=noArry())
- · src 输入数组;
- · dst 输出数组,数组的大小和原数组一致;
- · alpha 1,用来规范值,2.规范范围,并且是下限;
- · beta 只用来规范范围并且是上限;//为0时则为值归一化,否则为范围归一化
- · norm_type 归一化选择的数学公式类型;
- · dtype 当为负,输出在大小深度通道数都等于输入,当为正,输出只在深度与输入不同,不同的地方由dtype决定;
- · mark 掩码。选择感兴趣区域,选定后只能对该区域进行操作。
然后返回flatten数组形式的3D图片直方图
收集图片直方图数据:
建立好了图片直方图函数,便可以收集我们的图片直方图的数据,这里跟我们首先需要神经网络类似,需要有前期的"预训练模型"
index = {}desc = RGBHistogram([8, 8, 8])list_images = []for root, dirs, files in os.walk("images"): for file in files: list_images.append(os.path.join(root, file))for imagePath in list_images: k = imagePath[imagePath.rfind("/") + 1:] image = cv2.imread(imagePath) features = desc.describe(image) index[k] = featureswith open("index.cpickle", "wb") as f: f.write(pickle.dumps(index))
index{} 字典用来保存图片的路径与图片直方图数据
for root, dirs, files in os.walk,首先使用os.walk 函数遍历整个图片的文件夹来获取图片的相对路径地址
我们按照imagePath[imagePath.rfind("/") + 1:]图片的路径作为key , 图片的features = desc.describe(image)直方图数据作为value组成一个index字典用来保存图片的数据
待获取了图片的字典数据后,我们使用f.write(pickle.dumps(index))
保存图片的直方图数据,以便后期进行搜索使用,当然这部分数据可以保存到自己的服务器上,当用户搜索相识图片时,前端获取用户的图片数据,服务器进行相识图片检索,然后返回前端检索到的图片数据进行图片的展示。
代码截图
以上我们搜集了图片的直方图数据,并保存了数据,这点跟我们前期讲解的神经网络的预训练模型类似,下一步当然是进行"神经网络的预测"进行图片的检测
相关图片的搜索:
想要进行图片的相识图片搜索工作,首先保证前面几个步骤已经完成,且保存了自己的数据,接下来当然是接受用户的输入图片,进行图片的相识性搜索
import numpy as npimport osimport pickleimport cv2class RGBHistogram: def __init__(self, bins): self.bins = bins def describe(self, image): hist = cv2.calcHist([image], [0, 1, 2], None, self.bins, [0, 256, 0, 256, 0, 256]) hist = cv2.normalize(hist,hist) return hist.flatten()
首先我们建立图片直方图的函数,这里这个函数主要是把用户传递过来的图片进行图片直方图的操作,函数的具体含义参考以上文章内部
代码截图
然后我们新建一个搜索函数,主要处理输入直方图与数据库直方图的对比
class Searcher: def __init__(self, index): self.index = index def search(self, queryFeatures): results = {} for (k, features) in self.index.items(): d = self.chi2_distance(features, queryFeatures) results[k] = d results = sorted([(v, k) for (k, v) in results.items()]) return results def chi2_distance(self, histA, histB, eps = 1e-10): d = 0.5 * np.sum([((a - b) ** 2) / (a + b + eps) for (a, b) in zip(histA, histB)]) return d
首先我们加载index数据库,这里保存了图片的直方图数据
然后遍历所有index的数据for (k, features) in self.index.items():计算每个数据库中的图片直方图与输入图片直方图的卡方距离
卡方距离
卡方距离越小,说明2张图片越相似
利用sorted 函数sorted([(v, k) for (k, v) in results.items()])
对图片卡方距离进行排序,以便最小的距离值排列在最前面
代码截图
初始化数据
queryImage = cv2.imread("queries/11.png")cv2.imshow("Query", queryImage)desc = RGBHistogram([8, 8, 8])queryFeatures = desc.describe(queryImage)index = pickle.loads(open("index.cpickle", "rb").read())searcher = Searcher(index)results = searcher.search(queryFeatures)montageA = np.zeros((166 * 3, 400, 3), dtype="uint8")montageB = np.zeros((166 * 3, 400, 3), dtype="uint8")
首先接受用户传递的图片
desc = RGBHistogram([8, 8, 8])
queryFeatures = desc.describe(queryImage)
使用以上函数计算用户图片的颜色直方图
index = pickle.loads(open("index.cpickle", "rb").read())
searcher = Searcher(index)
初始化颜色直方图搜索引擎数据,主要是打开服务器上的图片直方图数据进行图片的搜索
results = searcher.search(queryFeatures)
进行图片的相似性检索
tageA = np.zeros((166 * 3, 400, 3), dtype="uint8")
tageB = np.zeros((166 * 3, 400, 3), dtype="uint8")
初始化2个标签,用来展示我们搜索到的相似图片,这里我们方便查看设置了6张图片的展示
每个图片resize 到400*166
当然你完全可以只展示一张最相似的图片
代码截图
我们检索了所有数据库中的图片,结果已经存放在results数组中,由于我们sorted了数组,所以最小值的前六个数组当然在数组最前面,我们只需要提取前6个数据即可
for j in range(0, 6):(score, imageName) = results[j]path = os.path.join(imageName)result = cv2.imread(path)if j < 3:tageA[j * 166:(j + 1) * 166, :] = resultelse:tageB[(j - 3) * 166:((j - 3) + 1) * 166, :] = resultcv2.imshow("Results 1-3", tageA)cv2.imshow("Results 4-6", tageB)cv2.waitKey(0)
遍历前6个数据,获取图片保存的路径地址与每个图片相似度的置信度
把前3个图片数据保存到tageA中,后3个图片数据保存到tageB中,最后便可以成功展示我们检索到的6张相似图片
代码截图
这里程序成功的找到了相似图片,小编这里复制了3张图片,程序能够完美找到图片
相似图片
spyder cv2 打开图片_谷歌百度以图搜图如何实现?教你打造属于自己的相似图片搜索引擎相关推荐
- 谷歌百度以图搜图 感知哈希算法 C#简单实现
/// <summary>/// 感知哈希算法/// </summary>public class ImageComparer{ /// <summary>/// ...
- 百度以图搜图API介绍
摘要: 使用Google或Baidu的以图搜图搜索女神的头像,便可尽收网络上该女神的所有"隐私"...,以图搜图隐私问题突出,各家都没有公开公共API,但多想想还是有办法的. 作者 ...
- selenium+webdriver+chrome实现百度以图搜图
1. 环境搭建 1).webdriver+chrome的版本需匹配. 2).打开chrome 输入 "chrome://version/"来查看chrome版本 访问此网站 谷歌浏 ...
- 以图搜图 图像匹配_图像匹配,基于深度学习DenseNet实现以图搜图功能
原标题:图像匹配,基于深度学习DenseNet实现以图搜图功能 度学习的发展使得在此之前以机器学习为主流算法的相关实现变得简单,而且准确率更高,效果更好,在图像检索这一块儿,目前有谷歌的以图搜图,百度 ...
- 图片搜索引擎网站大全,以图搜图网站
当我们需要搜索一些图片的时候使用图片搜索引擎网站可以帮我们更快地找到自己需要的图片,那么有哪些图片搜索引擎网站可以搜索图片呢?下面小编就来和大家分享几个以图搜图的网站. 1.百度图片搜索引擎网站 百度 ...
- 图像匹配,基于深度学习DenseNet实现以图搜图功能
向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程 公众号:datayx 度学习的发展使得在此之前以机器学习为主流算法的相关实现变得简单,而且准确率更高,效果更好,在图 ...
- 基于深度学习实现以图搜图功能
前记: 深度学习的发展使得在此之前以机器学习为主流算法的相关实现变得简单,而且准确率更高,效果更好,在图像检索这一块儿,目前有谷歌的以图搜图,百度的以图搜图,而百度以图搜图的关键技术叫做"感 ...
- “以图搜图”引擎及网站合集(转)
转载---http://blog.csdn.net/forthcriminson/article/details/8698175 1.QBIC http://www.research.ibm.com/ ...
- 7 招教你轻松搭建以图搜图系统!
作者 | 小龙 责编 | 胡巍巍 当您听到"以图搜图"时,是否首先想到了百度.Google 等搜索引擎的以图搜图功能呢?事实上,您完全可以搭建一个属于自己的以图搜图系统:自己建立图 ...
最新文章
- R语言tidyr包pivot_longer函数、pivot_wider函数数据表变换实战(长表到宽表、宽表到长表)
- (19)C++项目练习二----------【音乐播放器】
- SQL基础操作_3_数据字典(涵盖SQL Server、Oracle、Mysql常见系统数据字典)
- 20 个有用的 Go 语言微服务开发框架
- Python 编辑注意点
- Android开发之解决NestedScrollView滑动监听兼容低版本的方法
- 搜索和在线阅读 Github 代码的插件推荐
- Linux下无需按下回车(无阻塞)读取输入键值
- 你的特斯拉Model 3,只需要一台手机就能偷走它
- Android插件框架VirtualAPK学习和使用
- ONENOTE注册CSDN
- rapidminer Cross Validation(交叉检验)手册
- NBA数据爬取及存取
- Adobe国际认证设计师证书含金量怎么样?
- POJ 2210 Metric Time G++
- python实现标号法确定最短路径
- Python 成为最受欢迎的语言靠实力吗?
- mysql mybatis分表查询_mybatis 自动分表
- 沉浸式夜游是城市夜间经济发展的重中之重
- XYT-EDFA光纤放大器-纤亿通谈超远距离传输神器!
热门文章
- 鼎信通达GOIP网关SIM网关介绍 可对接AI机器人
- 工作感悟——工作伙伴或者搭档(1)
- 电脑文件自动备份到移动硬盘,操作方法
- 薄收缩小外形封装(TSSOP)的全球与中国市场2022-2028年:技术、参与者、趋势、市场规模及占有率研究报告
- 学习小记-----行列式矩阵树定理Kirchhoff's theorem
- Firefox对函数getYear()返回不正确的原因和解决办法
- open image v5 标注类别对应
- springMvc接口开发--对访问的restful api接口进行拦截实现功能扩展
- 这位新同事又矮又重,凭啥是阿里P8?
- 基于FPGA的串口传图SDRAM缓存VGA显示