先说一下搜索的原理,其实就是不管你搜索什么,都是将你要搜的东西提取出特征值,然后按照特征值比较相似度,按照相似度排序呈献给用户就可以了,所以总共来说需要解决两个问题,一个是如何取得特征值,一个是如何计算相似度。
首先说特征值,特征值可以用图片的颜色比例来,比如python用PIL中的histogram函数就可以得到颜色分布
这幅图的颜色分布直方图是这样的
通过这样我们就得到了一个图像的特征值,这种方法是得到的颜色的分配,还有另一种方式得到的则是图像的内容特征。
基本想法是将图片弄成8*8的小图片这样摒弃掉细节内容,将图片灰度,根据灰度确定一个阈值,然后转换成01矩阵,其他的内容都好说,简要说一下确定阈值的方法,有一个知名的方法叫OSTU,又叫大律法,他的想法是使得分配后的方差尽可能的大。再说的具体点就是
对图像Image,记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1。 图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t,当t使得值g=w0*(u0-u)2+w1* (u1-u)2 最大时t即为分割的最佳阈值。
下面是具体的程序:
#coding=utf-8
import Image,ImageDraw
ret = {}
def twoValue(image,G):
for y in xrange(0,image.size[1]):
for x in xrange(0,image.size[0]):
g = image.getpixel((x,y))
if g > G:
ret[(x,y)] = 1
else:
ret[(x,y)] = 0
def OtsuGray(image):
hist = image.histogram()
totalH = 0
for h in range(0,256):
v =hist[h]
if v == 0 : continue
totalH += v*h
width = image.size[0]
height = image.size[1]
total = width*height
v = 0
gMax = 0.0
tIndex = 0
total0 = 0.0
total1 = 0.0
n0H = 0.0
n1H = 0.0
for t in range(1,255):
v = hist[t-1]
if v == 0: continue
total0 += v
total1 = total - total0
n0H += (t-1)*v
n1H = totalH - n0H
if total0 > 0 and total1 > 0:
u0 = n0H/total0
u1 = n1H/total1
w0 = total0/total
w1 = 1.0-w0
uD = u0-u1
g = w0 * w1 * uD * uD
if gMax < g:
gMax = g
tIndex = t
return tIndex
def saveImage(filename,size):
image = Image.new("1",size)
draw = ImageDraw.Draw(image)
for x in xrange(0,size[0]):
for y in xrange(0,size[1]):
draw.point((x,y),ret[(x,y)])
image.save(filename)
def handle(filename,outputname):
im = Image.open(filename)
im = im.convert('L')
otsu = OtsuGray(im)
twoValue(im,otsu)
saveImage(outputname,im.size)
if __name__=='__main__':
handle('111.jpg','temp.jpg')
这样转换后的图片是这样子的
得到了特征值后就是计算相似度,比如第二种得到特征值的方法,我们只需将得到的矩阵进行异或,异或后,1越少的越相近,而对于第一种特征值最普遍的方法就是把他看成向量,然后想想向量的点乘,计算两个向量的夹角,夹角越小越相似,cos夹角=(a1*b1+a2*b2+a3*b3....)/(|a|*|b|),当然了,还有其他得到相似度的计算方法,这个就是具体问题具体对待了呢。
ps:话说根据本文的方法你也可以进行验证码识别的一些邪恶举动呢。。。但是不要做坏事哦~
pss:这篇文章介绍一些有趣的图像算法,有兴趣的童鞋可以围观