python實現圖像檢索的三種(直方圖/OpenCV/哈希法)

這篇文章主要介紹了python實現圖像檢索的三種(直方圖/OpenCV/哈希法),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨着小編來一起學習學習吧

 

簡介：

本文介紹了圖像檢索的三種實現方式，均用python完成，其中前兩種基於直方圖比較，哈希法基於像素分佈。
檢索方式是：提前導入圖片庫作爲檢索範圍，給出待檢索的圖片，將其與圖片庫中的圖片進行比較，得出所有相似度後進行排序，從而檢索結果爲相似度由高到低的圖片。由於工程中還包含Qt界面類、觸發函數等其他部分，在該文檔中只給出關鍵函數的代碼。

開發系統：MacOS
實現方式：Qt + Python

方法一：自定義的直方圖比較算法

a) 基本思路

遍歷圖片像素點，提取R\G\B值並進行對應的計數，得到原始直方圖，但由於0-255的範圍太大，因此每一個像素值的統計量均偏小，因此分別將R\G\B的256個像素值映射到0-31共32個像素值上，將像素值範圍由256*3縮小到32*3。記錄像素值採用的數據結構爲一維數組，第1到32個值爲R的像素直方圖，第33到第64個值爲G的像素統計，第65到96個值爲B的像素統計。得到直方圖後，計算待檢索圖的直方圖和圖片庫中圖像的直方圖之間的相似性。

b) 具體實現

用到的函數：

• split_Img()
• calc_Hist(img)
• calc_Similar(h1,h2)
• calc_Similar_Split(h1,h2)

遍歷圖片的像素點以計算直方圖：calc_Hist(img)

嘗試了兩種方式，第一種是對圖像遍歷時逐個調用getpixel()來獲取R,G,B的值，但發現這種方式的速度太慢。第二種採用的是內存讀取，利用load()函數一次性讀取圖像的像素值，然後對像素值進行遍歷，該方法的速度比逐個提取更快。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

#統計直方圖，用load()載入圖片的像素pix，再分別讀取每個像素點的R\G\B值進行統計（分別爲0-255） #將256個顏色值的統計情況投影到32個，返回R\G\B投影后的統計值數組，共32*3=96個元素 def calc_Hist(img):   '''   #120張圖片，4.43s   w,h = img.size   pix = img.load() #載入圖片，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張圖，3.49s     w,h = img.size   pix = img.load() #載入圖片，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存放最終結果，32*3   calc = [0 for i in range(0,96)]   step = 0 #calc的下標，0~95   start = 0 #每次統計的開始位置   while step < 96:     for i in range(start,start+8): #8個值爲1組，統計值相加，eg：色彩值爲0~7的統計值全部轉換爲色彩值爲0的統計值       calc[step] += calcR[i]     start = start+8     step += 1   #print calc   return calc

 

 

直方圖比較 calc_Similar(h1,h2)

採用的公式是： 

其中N爲顏色級數，Sim越靠近1則兩幅圖像的相似度越高。

c) 問題和改進

簡單實現直方圖比較後，檢索的結果並不好，和預期相比誤差較大。分析原因，直方圖比較主要依靠整幅圖像的色彩統計來進行比較，而對像素的位置並沒有很好的記錄，因此會造成誤判。

同時增加calc_Similar_Split(h1,h2)函數，加入分塊比較的部分，計算方法是：對每個小塊調用calc_Similar(h1,h2)，累加計算結果，最後除以16取平均值。

測試發現效果顯著提升，基於顏色相似的同時保留了形狀信息。

函數如下：

1 2 3 4 5 6 7 8 9 10

#該函數用於統一圖片大小爲256*256，並且分割爲16個塊，返回值是16個局部圖像句柄的數組 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)]   #計算兩個直方圖之間的相似度，h1和h2爲直方圖，zip表示同步遍歷 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)

#該函數用於統一圖片大小爲256*256，並且分割爲16個塊，返回值是16個局部圖像句柄的數組 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)] #計算兩個直方圖之間的相似度，h1和h2爲直方圖，zip表示同步遍歷 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庫的直方圖比較算法實現

openCV開源庫已經集成了直方圖提取、直方圖均衡化以及直方圖比較的功能，調用方便。爲了進一步瞭解直方圖比較的各類實現方法，利用openCV重新進行了實驗。

a) 基本思路

對圖片庫中每個圖片提取直方圖並均衡化，然後調用cv庫函數進行直方圖比較，結果進行排序，並顯示。

b) 具體實現

首先調用cv2.imread()讀取圖像，然後調用cv2.calcHist()計算直方圖，cv2.normalize()均衡化後進入比較階段，調用cv2.compareHist()，比較待檢索圖和圖片庫圖像之間的直方圖差異，然後調用DisplayTotalPics()進行顯示。

關鍵代碼如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

results = {} #記錄結果 reverse = True #correlation/intersection方法reverse爲true，另外兩種爲false   imgCV = cv2.imread(self.testImg.encode('utf-8')) #self.testImg爲待匹配圖片 testHist = cv2.calcHist([imgCV],[0,1,2],None,[8,8,8],[0,256,0,256,0,256]) #提取直方圖 testHist = cv2.normalize(testHist,testHist,0,255,cv2.NORM_MINMAX).flatten() #均衡化   #計算self.testImg和其他圖片的直方圖差異，INTERSECTION方法效果比較好 for (k, hist) in self.index_cv.items(): #self.index_cv保存的是圖片庫中圖片的直方圖信息   d = cv2.compareHist(testHist,hist, cv2.cv.CV_COMP_INTERSECT)   results[k] = d   #對結果排序，以v即上面的d作爲關鍵字   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) 問題與解決

openCV中的compareHist函數中提供了4中比較方法：
1．相關係數標準(method=CV_COMP_CORREL) 值越大，相關度越高，最大值1，最小值0
2．卡方係數標準(method=CV_COMP_CHISQR) 值越小，相關度越高，無上限，最小值0
3．相交係數標準(method=CV_COMP_INTERSECT)值大，相關度越高，最大9.455319，最小0
4．巴氏係數的標準(method=CV_COMP_BHATTACHARYYA) 值小，相關度越高，最大值1，最小值0

測試後選擇的是method = cv2.cv.CV_COMP_INTERSECT

另外，該方法的速度很快，完全基於圖像的色彩分佈，但在一些情況下精度並不高。

方法三：平均哈希值比較算法實現

用到的函數：getKey(),getCode(),cmpCode()

a) 基本思路

平均哈希值的比較算法是基於像素分佈的，比較對象是灰度圖的圖像指紋。圖像指紋的計算通過比較每個圖的像素值和平均像素值來計算，然後計算圖像指紋之間的漢明距離，排序後得到相似圖像。

b) 具體實現

具體方法是：計算進行灰度處理後圖片的所有像素點的平均值，然後遍歷灰度圖片每一個像素，如果大於平均值記錄爲1，否則爲0，這一步通過定義函數getCode(img)完成。接着計算編碼之間的漢明距離，即一組二進制數據變爲另一組數據所需的步驟數，漢明距離越小，說明圖像指紋的相似度越高。計算漢明距離可以通過簡單的遍歷和計數來完成，函數爲compCode(code1,code2),其中code1和code2爲getCode得到的圖像指紋。

關鍵函數代碼如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

#獲取排序時的關鍵值（即漢明距離）    def getKey(x):   return int(x[1])   #由灰度圖得到2值“指紋”，從而計算漢明距離 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數組   avg = sum(pixel)/len(pixel) #計算像素平均值     cp = [] #二值數組   for px in pixel:     if px > avg:       cp.append(1)     else:       cp.append(0)   return cp   #計算兩個編碼之間的漢明距離 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) 問題與優化

我們發現在數據量大時，該方法的檢索速度較慢，因此我們將圖像指紋也作爲圖像的屬性存在self.hashCode中，在importFolder時計算好，避免後續操作中的冗餘重複計算。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。