当前位置: 首页> 图片

相似图片搜索的原理(二)

发布时间:19-12-03

二年前,我◥写了《相似图片搜索的原Д理》,介绍了一种最简单的实现方法。

〩 ▂▃▅▆█ Ψ

昨天,↗我在isnowfy的网站看到,还有其他两种方法也很"简单,这里做一些笔记。

一、◎颜色分布法

每张图片都可以生成颜色分布的直方图(color histogram)。如果两张图片的直方图很接近,就可以认为♥它们很相似。

任何一种颜色都是由红绿蓝三原色(RGB)构成的,所以上图共有4张直方图(三原色直方图 + 最后合成Ц的直方图)。

如果每种原色都可以取256个值,那么整个颜色空间共有1600万种颜色(256的三次方)。针对这1⺌600万种颜色比较直方图,╱╲计算量实在太大了,因此需要采用简化方法。″可以将0~255分成四个区:0~63为第0区,64~127为第1区,ⓔ128~191为第2区,192~255为第3区。…这◀意味着红绿蓝分别有4个区,总共可以构成64种组合(4的3次方)。

任何一种颜色必ω然属于这64种组合中的一种,这样就可以统计每一种组合包含的像素数量。

上图是某张图片的颜色分布表,将表中最后一栏提取出来,组成一个64维向量(7414, 230, 0,∮ 0, 8, ..., 109, 0, 0, 3415, 5392█9)。这个向量就是这张图片的特征值或¨者叫"指纹"。

于是,寻找相似图片就变成│┃了找出与其最相似的向量。⿷这可以用皮尔逊相关系数或者余弦相似度算出。

二、内容特征法

除了颜色构成,还可以从比较图片内容的≈相似性入手。

首先,将原图转成一张较小的灰度图片,假定为50x50像素。然后,确定一个阈值,将灰度图片转成黑白图片。

如果两张图片很相似,它们的黑白轮廓⊙应该是相近的。¤于是,问★题就变┛成了,第一步如何确定一个合理的阈值,◁正确呈现照片中的轮廓?

显然,前景色与背景色反差越大,轮廓就越明σ显。这意味着,如果我们找到一个值,可以使得前景色和背景色各自的"类内差异最小"(minimizing the intra-class variance),ф或者"类间差异最大"(maximizing the inter-class variance),那么这个值就是理想的Ⅲ阈值。

1979年,日本学者大津展之证明了,"类内差异最小"与"类间差异最大"是同一件事,即对∠应同一个阈值。他提出一种简单的算法,可以求出这个阈值,这被称为"大津法¥"(Otsu's method)。下面就是他的计算∞方法。

假定一张图片共有n个像素,其中灰度值小于阈值的像素为 n1 个,大于等于阈值的像素为 n2 个( n1 + n2 = n )。w1 和 w2 表示这两种像素各自的比重。

  w1 = n1 / n

  w2 = n2 / n

再假定,所有灰度值小于阈值的像素的平均值和方差分别为 1 和 1,所有灰度值大于等于阈值的像素的平均值和方差分别为 2 和 2。于是,可以ミ得到

  类内差异 = w1(1的平方) + w2(2的平方)

  类间差异 = w1w2(1-2)┎^2

í

可以证明,这两个式子是等价─━的:得到"◢类内差异"的最小值,等同于得到"类◇间差异"的最大值。不过,从计算难度看,后♯♮者的计算要容易一些。

下一步用"穷举法",将阈值从灰度的最低值到最高值,依次取一遍,分别代入≧上面的К算式。使得"类内差异最小"或"类间差异最大"的那个值,就是最终的阈值。具体的实例和Java算法,请看这里︱︳。

有了5⊙0x50像素的黑白缩略图,就等于有了一个50x50的0-1矩阵。矩阵的每个值对应ъ原图的一个像素,0表示∮黑色,1表示白色。这个矩阵就是一张图片的特征矩阵。

两个特征矩阵的不同之处▲越少,就代表两张图片越相似。这可以用"异或运算"实≈现(即两个值之中只有一个为1,则运算结果为1,否则运算结果为0)。对不同图片的特征矩阵进行"异或运算",结果中的1越少,就是越相似的图片。

(完)

上一篇: 眼部手术修复图片欣赏 手术后注意事项有哪些?
下一篇: 本周Nature论文推荐|18年12月13日刊