相似圖片

前情回顧：

圖片顏色直方圖

前期文章，我們分享了圖片的3D顏色直方圖，利用顏色直方圖是反映圖片的像素的分布狀態，當然不同的圖片，其顏色直方圖肯定有所不同，利用不同圖片的顏色直方圖的對比值，便可以很容易找到2張相似的圖片。

圖片的3D顏色直方圖：

既然要使用圖片的顏色直方圖來進行相似圖片的對比，首先需要對圖片進行直方圖的數據收集與保持

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()

代碼截圖

首先我們建立一個計算圖片 RGB空間的3D顏色直方圖函數，利用此函數來進行圖片直方圖的計算工作

我們依然使用cv2.calcHist函數來進行圖片直方圖的計算，關于此函數的具體參數定義，可以參考往期文章，這里我們一般搜索的圖片為彩色圖片，所以計算圖片的RGB空間直方圖

然后使用cv2.normalize opencv 圖片歸一化函數(歸一化數據。該函數分為范圍歸一化與數據值歸一化)，通俗地講就是將矩陣的值通過某種方式變到某一個區間內，這樣可以有效的節約計算機空間來計算

Cv.normalize(InputArry src,InputOutputArray dst,double alpha=1, double beta=0,int norm_type=NORM_L2,int dtype=-1,InputArray mark=noArry())

· src 輸入數組；

· dst 輸出數組，數組的大小和原數組一致；

· alpha 1,用來規范值，2.規范范圍，并且是下限；

· beta 只用來規范范圍并且是上限；//為0時則為值歸一化，否則為范圍歸一化

· norm_type 歸一化選擇的數學公式類型；

· dtype 當為負，輸出在大小深度通道數都等于輸入，當為正，輸出只在深度與輸入不同，不同的地方由dtype決定；

· mark 掩碼。選擇感興趣區域，選定后只能對該區域進行操作。

然后返回flatten數組形式的3D圖片直方圖

收集圖片直方圖數據：

建立好了圖片直方圖函數，便可以收集我們的圖片直方圖的數據，這里跟我們首先需要神經網絡類似，需要有前期的"預訓練模型"

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{} 字典用來保存圖片的路徑與圖片直方圖數據

for root, dirs, files in os.walk，首先使用os.walk 函數遍歷整個圖片的文件夾來獲取圖片的相對路徑地址

我們按照imagePath[imagePath.rfind("/") + 1:]圖片的路徑作為key , 圖片的features = desc.describe(image)直方圖數據作為value組成一個index字典用來保存圖片的數據

待獲取了圖片的字典數據后，我們使用f.write(pickle.dumps(index))

保存圖片的直方圖數據，以便后期進行搜索使用，當然這部分數據可以保存到自己的服務器上，當用戶搜索相識圖片時，前端獲取用戶的圖片數據，服務器進行相識圖片檢索，然后返回前端檢索到的圖片數據進行圖片的展示。

代碼截圖

以上我們搜集了圖片的直方圖數據，并保存了數據，這點跟我們前期講解的神經網絡的預訓練模型類似，下一步當然是進行"神經網絡的預測"進行圖片的檢測

相關圖片的搜索：

想要進行圖片的相識圖片搜索工作，首先保證前面幾個步驟已經完成，且保存了自己的數據，接下來當然是接受用戶的輸入圖片，進行圖片的相識性搜索

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()

首先我們建立圖片直方圖的函數，這里這個函數主要是把用戶傳遞過來的圖片進行圖片直方圖的操作，函數的具體含義參考以上文章內部

代碼截圖

然后我們新建一個搜索函數，主要處理輸入直方圖與數據庫直方圖的對比

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

首先我們加載index數據庫，這里保存了圖片的直方圖數據

然后遍歷所有index的數據for (k, features) in self.index.items():計算每個數據庫中的圖片直方圖與輸入圖片直方圖的卡方距離

卡方距離

卡方距離越小，說明2張圖片越相似

利用sorted 函數sorted([(v, k) for (k, v) in results.items()])

對圖片卡方距離進行排序，以便最小的距離值排列在最前面

代碼截圖

初始化數據

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")

首先接受用戶傳遞的圖片

desc = RGBHistogram([8, 8, 8])

queryFeatures = desc.describe(queryImage)

使用以上函數計算用戶圖片的顏色直方圖

index = pickle.loads(open("index.cpickle", "rb").read())

searcher = Searcher(index)

初始化顏色直方圖搜索引擎數據，主要是打開服務器上的圖片直方圖數據進行圖片的搜索

results = searcher.search(queryFeatures)

進行圖片的相似性檢索

tageA = np.zeros((166 * 3, 400, 3), dtype="uint8")

tageB = np.zeros((166 * 3, 400, 3), dtype="uint8")

初始化2個標簽，用來展示我們搜索到的相似圖片，這里我們方便查看設置了6張圖片的展示

每個圖片resize 到400*166

當然你完全可以只展示一張最相似的圖片

代碼截圖

我們檢索了所有數據庫中的圖片，結果已經存放在results數組中，由于我們sorted了數組，所以最小值的前六個數組當然在數組最前面，我們只需要提取前6個數據即可

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)

遍歷前6個數據，獲取圖片保存的路徑地址與每個圖片相似度的置信度

把前3個圖片數據保存到tageA中，后3個圖片數據保存到tageB中，最后便可以成功展示我們檢索到的6張相似圖片

代碼截圖

這里程序成功的找到了相似圖片，小編這里復制了3張圖片，程序能夠完美找到圖片

相似圖片

總結

以上是生活随笔為你收集整理的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的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。