商标

tensorflow安装：https://www.cnblogs.com/ljysy/p/10660885.html
注意tensorflow镜像位置有变化
https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/tensorflow/
找到要用的版本 点击右键 复制地址
https://www.bilibili.com/read/cv5938350/

最终使用：https://blog.csdn.net/qq_41133375/article/details/106673776

1. 商标检索
   注重的是图片之间的相似性
   A Large-scale Dataset and Benchmark for Similar Trademark Retrieval

不管对目前生活的态度是什么样的，现在最好的做法就是先往前走。
二： 检索的顺序

需要思考的问题：

1. 商标检索与“以图搜图”的区别和联系

图像检索方面的文章：
https://yongyuan.name/blog/cbir-technique-summary.html#fn:BoW
基于内容的图像检索（CBIR：Content-Based Image Retrieval ）是指根据图像对象的内容及上下文信息在大规模多媒体数据中检索所需信息。本文将对基于内容的图像检索技术做一个简单的介绍，有兴趣的可以参考文中给出的参考资料。

常用于内容检索的图像特征有图像的颜色、纹理、形状、边缘以及语义特征。其中，颜色，纹理，形状，图像边缘特征，是基于人的视觉原理，而语义特征是基于用户查询中对于图像内容的描述。颜色特征主要包括颜色直方图、颜色矩等，颜色特征是一种全局特征，它描述了图像或图像某个区域所对应的景物的表面性质；纹理特征是一种统计特征，它需要在包含多个像素点的区域中进行统计计算，纹理特征常具有旋转不变性，并且对噪声有较强的抵抗能力。主要包括粗糙性、方向性、对比性等。纹理特征描述方法大致可分为四类：统计法、结构法、模型法、频谱法等；形状特征是物体自身的一个重要特征，一般来说一个物体可以有不同的颜色，但它的形状不会有很大差别。形状描述方法主要有两类：基于边缘和基于区域的形状方法，基于边缘的形状特征提取用面积、周长、偏心率、角点、链码、兴趣点、傅里叶描述子、矩描述子等特征来描述物体的形状，适用于图像边缘较为清晰、容易获取的图像；基于区域的形状特征提取的主要思路是通过图像分割技术提取出图像中感兴趣的物体，依靠区域内像素的颜色分布信息提取图像特征，适合于区域能够较为准确地分割出来、区域内颜色分布较为均匀的图像。
参考：http://blog.csdn.net/kezunhai/article/details/11614989]

https://cloud.tencent.com/developer/article/1090156

几个概念：

1. 基于内容的图像检索技术
   基于内容的图像检索技术（content-based image retrieval）
2. 图像的特征

• 基于文本的特征
• 视觉特征
  （1）通用的视觉特征
  色彩、纹理和形状
  （2）领域的视觉特征
  与具体的应用紧密相关，如人的面部特征或者是指纹特征

2. 颜色特征的提取
   特点：颜色特征对图像本身的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性。

   颜色特征的表达：
   [1] 我们需要选择合适的颜色空间来描述颜色特征；
   [2]我们要采用一定的量化方法将颜色特征表达为向量的形式；
   [3]定义一种相似度（距离）标准用来衡量图像之间在颜色上的相似性。
   # 其实这也是所有的通用方法：选择描述空间 -> 量化出来 -> 根据量化的结果进行分析

• 颜色直方图
  它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，特别适合于描述无法自动分割的图像。
  HSV空间更符合人们的需求，有从RGB到HSV的转换公式。
• 颜色矩
  由于颜色分布信息主要集中在低阶矩中，因此仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。与颜色直方图相比，该方法的另一个好处在于无需对特征进行向量化。
• 颜色聚合向量
  其核心思想是将属于直方图每一个 bin的像素进行分为两部分：如果该 bin 内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。
• 颜色相关图

3. 纹理特征的提取

纹理特征是一种不依赖于颜色或亮度的反映图像中同质现象的视觉特征。它是所有物体表面共有的内在特性，例如云彩、树木、砖、织物等都有各自的纹理特征。
纹理特征包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系。
http://www.cs.cmu.edu/~juny/Prof/papers/Part2-CBIR.pdf
(1)Tamura纹理特征
粗糙度，对比度，方向度，线像度，规整度和粗略度。
(2)自回归纹理模型
(3)小波变换

4.形状特征的提取

物体和区域的形状是图像表达和图像检索中的另一重要的特征。
形状特征有两种表示方法，一种是轮廓特征的，一种是区域特征的。
（1）傅立叶形状描述符
对这种复坐标函数的傅立叶变换会产生一系列复数系数。这些系数在频率上表示了物体形状，其中
低频分量表示形状的宏观属性，高频分量表达了形状的细节特征。形状描述符可以从这些变换参数
中得出。为了保持旋转无关性，我们仅仅保留了参数的大小信息，而省去了相位信息。
（2）形状无关矩
（3）基于内角的形状特征