怎么用Python構建圖片處理搜索引擎

這篇文章給大家分享的是有關怎么用Python構建圖片處理搜索引擎的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

***公司和反向圖片搜索

有很多***的科技公司把RIQ用得很好。例如，Pinterest  2014年***次實現視覺搜索。隨后2015年它發布了一個白皮書，揭示了視覺搜索的結構。反向圖片搜索使得Pinterest能夠從時尚的東西中提取視覺元素，然后給消費者推薦類似的產品。

眾所周知，Google圖片使用反向圖片搜索技術，它允許用戶上傳一張圖片然后搜索相關的圖片。上傳的圖片通過算法分析，制作出一個數學模型，然后跟Google數據庫中成千上萬的圖片進行比較，直到找到匹配的或者相似的圖片。

這是OpenCV2.4.9特性體驗報告的一張圖

算法和Python庫

在我們動手之前，讓我們大致看一下構建一個圖片搜索需要哪些Python元素。

專利算法

SIFT(尺度不變特征變換)

使用圖像標識符來識別相似圖像的沒有費用的專利技術。即使圖片的尺寸、角度、深度不同，這項技術還是能將內容相似的圖片匹配成功。

SIFT以大量的從圖片中提取的特性作為搜索的標準。

能匹配相同物體從不同視角拍攝的圖片，能夠通過不變的特性進行搜索匹配。

SURF(加速魯棒特征)算法

SURF和SIFT一樣也是不收費的專利算法，可以說是加速版的SIFT。與SIFT不同的是，SURF使用盒過濾器近似高斯拉普拉斯算子。

SURF使用Hessian矩陣來判斷圖像的位置和大小。

在許多應用中，旋轉不變性都不是一個必要條件，所以不用尋找方向的話算法速度會快很多。

SURF包含了幾個特性使得計算的每一個步驟都得到了速度上的提升。圖片經過旋轉和模糊之后，SURF依舊工作的很好，而且比SIFT快3倍。不過在光源和視角變換方面SURF不太行。

OpenCV提供了SURF功能，SURF.compute和SURF.detect可以用來找到描述符和關鍵點。

開源算法

KAZE算法

KAZE是一個開源2D多尺度和新特性探測和描述算法，它運作于非線性尺度空間。添加劑算子分裂(AOS)的有效技術和可變熱導擴散被用來構建非線性尺度空間。

多尺度圖像處理的基礎很簡單–構建一個圖像的尺度空間，然后用一個函數處理圖像，增強圖像的尺度或者時間。

AKAZE(加速KAZE)算法

從名字可以猜到，這個算法更快，它能快速找到兩個圖片之間匹配的關鍵。AKAZE使用一個二進制描述符和非線性尺度空間來平衡準確度和速度。

BRISK(二進制魯棒尺度不變關鍵點)算法

BRISK在探測和匹配描述符和關鍵點方面很棒。

這個算法適應性很強的、尺度空間基于FAST的、使用bit-string描述符的探測器，它能夠顯著地加快搜索的速度。

尺度空間關鍵點探測和關鍵點描述有助于性能的優化

FREAK(快速視網膜關鍵點)算法

這是一個由人眼啟發的新的關鍵點描述符。根據圖像強度的比較有效地計算出一個二進制級聯字符串。相比于BRISK, SURF 和  SIFT，FREAK計算更快，更省內存。

ORB(原生的FAST和旋轉的BRIEF)

ORB是一個二進制描述符，它能夠抗噪聲并具有旋轉不變性。ORB基于FAST關鍵點探測和BRIEF描述符，這兩者共同造就了它的低消耗和高性能。

除了快速和準確的方向組件，計算原生BRIEF，分析變化以及與原生BRIEF的關系，是ORB的另一大特色。

Python庫

OpenCV

OpenCF分學術使用版本和商用版本。作為一個開源機器學習和機器視覺庫，OpenCV使得各類機構能夠很容易地基于OpenCV構建自己的版本。

超過2500個優化的算法，包含目前***進的機器學習和機器視覺算法，能夠處理各類需求：人臉檢測、物體鑒定、相機移動跟蹤、尋找相似圖片，眼球跟蹤，場景識別等。

***公司像Google, Yahoo, IBM, Sony, Honda, Microsoft 和 Intel 都大量使用OpenCV庫。

OpenCV使用Python, Java, C, C++ 和 MATLAB做編程接口，同時支持Windows, Linux, Mac OS 和  Android平臺。

Python Imaging Library(PIL)

PIL在做圖像及圖形處理的時候支持若干種語言格式，它使得你的Python能夠處理圖像。

圖像處理的標準流程包括圖像增強，透明度和屏蔽處理，圖像濾波，每像素的操作等。

構建圖片搜索引擎

一個圖片搜索引擎能夠從已有的圖片中挑出相似的圖片，***的就是Google的圖片搜索引擎。對于新的圖片搜索引擎項目，有很多構建的方法，這里列舉一些：

使用圖像提取，圖像描述提取，元數據提取和搜索結果提取，建立一個圖像搜索引擎。

定義你的圖像描述符，對數據集進行索引，定義你的相似讀矩陣，然后搜索并排名。

選擇要搜索的圖片，選擇已有圖片的文件夾，在文件夾中遍歷圖片，創建圖片特征索引，用相同的特征和要搜索的圖片進行匹配，獲取能夠匹配的圖片。

我們的做法是一開始匹配圖片的灰度版本，逐漸開始使用像SIFT 和  SURF這樣復雜的特征匹配算法，最終使用了開源的算法BRISK。這些算法都只需要很小的修改，就能給出有效的結果。基于這些算法構建一個圖像搜索引擎可以有很多應用，例如分析圖像受歡迎程度，圖片內物體的鑒定等等。

感謝各位的閱讀！關于“怎么用Python構建圖片處理搜索引擎”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！