OpenCV框架 各類演算法，Python構建相似圖片搜尋引擎！
頂級公司和反向圖片搜尋
有很多頂級的科技公司把RIQ用得很好。例如，Pinterest 2014年第一次實現視覺搜尋。隨後2015年它釋出了一個白皮書，揭示了視覺搜尋的結構。反向圖片搜尋使得Pinterest能夠從時尚的東西中提取視覺元素，然後給消費者推薦類似的產品。
學習Python中有不明白推薦加入交流群
號：516107834
群裡有志同道合的小夥伴，互幫互助，
群裡有不錯的學習教程！
眾所周知，Google圖片使用反向圖片搜尋技術，它允許使用者上傳一張圖片然後搜尋相關的圖片。上傳的圖片通過演算法分析，製作出一個數學模型，然後跟Google資料庫中成千上萬的圖片進行比較，知道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
演算法和Python庫
在我們動手之前，讓我們大致看一下構建一個圖片搜尋需要哪些Python元素。
專利演算法
SIFT（尺度不變特徵變換）
- 使用影象識別符號來識別相似影象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尋的標準。
- 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尋匹配。
SURF（加速魯棒特徵）演算法
- SURF和SIFT一樣也是不收費的專利演算法，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運算元。
- SURF使用Hessian矩陣來判斷影象的位置和大小。
- 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演算法速度會快很多。
- 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後，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。
開源演算法
KAZE演算法
- KAZE是一個開源2D多尺度和新特性探測和描述演算法，它運作於非線性尺度空間。新增劑運算元分裂（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。
- 多尺度影象處理的基礎很簡單--構建一個影象的尺度空間，然後用一個函式處理影象，增強影象的尺度或者時間。
AKAZE（加速KAZE）演算法
- 從名字可以猜到，這個演算法更快，它能快速找到兩個圖片之間匹配的關鍵。AKAZE使用一個二進位制描述符和非線性尺度空間來平衡準確度和速度。
BRISK（二進位制魯棒尺度不變關鍵點）演算法
- BRISK在探測和匹配描述符和關鍵點方面很棒。
- 這個演算法適應性很強的、尺度空間基於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於效能的優化
FREAK（快速視網膜關鍵點）演算法
- 這是一個由人眼啟發的新的關鍵點描述符。根據影象強度的比較有效地計算出一個二進位制級聯字串。相比於BRISK, SURF 和 SIFT，FREAK計算更快，更省記憶體。
ORB（原生的FAST和旋轉的BRIEF）
- ORB是一個二進位制描述符，它能夠抗噪聲並具有旋轉不變性。ORB基於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效能。
- 除了快速和準確的方向元件，計算原生BRIEF，分析變化以及與原生BRIEF的關係，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於OpenCV構建自己的版本。
- 超過2500個優化的演算法，包含目前最先進的機器學習和機器視覺演算法，能夠處理各類需求：人臉檢測、物體鑑定、相機移動跟蹤、尋找相似圖片，眼球跟蹤，場景識別等。
- 頂級公司像Google, Yahoo, IBM, Sony, Honda, Microsoft 和 Intel 都大量使用OpenCV庫。
- OpenCV使用Python, Java, C, C++ 和 MATLAB做程式設計介面，同時支援Windows, Linux, Mac OS 和 Android平臺。
Python Imaging Library（PIL）
- PIL在做影象及圖形處理的時候支援若干種語言格式，它使得你的Python能夠處理影象。
- 影象處理的標準流程包括影象增強，透明度和遮蔽處理，影象濾波，每畫素的操作等。
構建圖片搜尋引擎
一個圖片搜尋引擎能夠從已有的圖片中挑出相似的圖片，最受歡迎的就是Google的圖片搜尋引擎。對於新的圖片搜尋引擎專案，有很多構建的方法，這裡列舉一些：
- 使用影象提取，影象描述提取，元資料提取和搜尋結果提取，建立一個影象搜尋引擎。
- 定義你的影象描述符，對資料集進行索引，定義你的相似讀矩陣，然後搜尋並排名。
- 選擇要搜尋的圖片，選擇已有圖片的資料夾，在資料夾中遍歷圖片，建立圖片特徵索引，用相同的特徵和要搜尋的圖片進行匹配，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這樣複雜的特徵匹配演算法，最終使用了開源的演算法BRISK。這些演算法都只需要很小的修改，就能給出有效的結果。基於這些演算法構建一個影象搜尋引擎可以有很多應用，例如分析影象受歡迎程度，圖片內物體的鑑定等等。
例子
一個IT公司需要為客戶構建一個影象搜尋引擎，功能是一個品牌的Logo提交進去，與這個品牌相關的圖片都會顯示出來。客戶可以根據搜尋的結果，分析一個品牌在一個地區的受歡迎程度。這項技術還處於應用的早期，RIQ的潛力還沒有完全被發覺出來。