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)
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。