花40分钟写一个-CBIR引擎-代码公开
浏览网页的时候发现一篇不错的文章"用Python和OpenCV创建一个图片搜索引擎的完整指南 " http://python.jobbole.com/80860/. 作者在浏览自己旅游的照片的时候，发现照片太多了分类不过来，一时技痒写了个分类软件，虽然简单但是有用。关键的是我发现他在原文中使用了半个小时就写出来了。【2022年，现在这里的技术已经过时，应该使用milvus】
蛮快的嘛，我想。那么我要用多长时间写出来了，毕竟对于CBIR也是研究过的。
那么立即来做，首先我要找到是图片。我没有那么多旅游图片（汗），但是别人的照片也是可以一样用的。找到了之前专门用于测试CBIR的图片集，大概是这个样子
就是各种奇奇怪 怪 的照片。然后搭建opencv的基本框架。我们python用的不熟，但是c++下面自己是有类库的，所以用起来也不是很复杂
首先是读入所有的图片： //递归读取目录下全部文件 void getFiles(string path, vector <string > & files,string flag){ //文件句柄 long hFile = 0; //文件信息 struct _finddata_t fileinfo; string p; if((hFile = _findfirst(p.assign(path).append( "\\*").c_str(), &fileinfo)) != - 1){ do{ //如果是目录,迭代之,如果不是,加入列表 if((fileinfo.attrib & _A_SUBDIR)){ if(strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0 && flag == "r") getFiles( p.assign(path).append( "\\").append(fileinfo.name), files,flag ); } else{ files.push_back(p.assign(path).append( "\\").append(fileinfo.name) ); } } while(_findnext(hFile, &fileinfo) == 0); _findclose(hFile); } } //递归读取目录下全部图片 void getFiles(string path, vector <Mat > & files,string flag){ vector <string > fileNames; getFiles(path,fileNames,flag); for ( int i = 0;i <fileNames.size();i ++){ Mat tmp = imread(fileNames[i]); if (tmp.rows > 0) //如果是图片 files.push_back(tmp); } } //递归读取目录下全部图片和名称 void getFiles(string path, vector <pair <Mat,string >> & files,string flag){ vector <string > fileNames; getFiles(path,fileNames,flag); for ( int i = 0;i <fileNames.size();i ++){ Mat tmp = imread(fileNames[i]); if (tmp.rows > 0){ pair <Mat,string > apir; apir.first = tmp; apir.second = fileNames[i]; files.push_back(apir); } } } 然后是编写hsv距离，这个参考以前的资料 double GetHsVDistance(Mat src_base,Mat src_test1){ Mat hsv_base; Mat hsv_test1; /// Convert to HSV cvtColor( src_base, hsv_base, COLOR_BGR2HSV ); cvtColor( src_test1, hsv_test1, COLOR_BGR2HSV ); /// Using 50 bins for hue and 60 for saturation int h_bins = 50; int s_bins = 60; int histSize[] = { h_bins, s_bins }; // hue varies from 0 to 179, saturation from 0 to 255 float h_ranges[] = { 0, 180 }; float s_ranges[] = { 0, 256 }; const float * ranges[] = { h_ranges, s_ranges }; // Use the o-th and 1-st channels int channels[] = { 0, 1 }; /// Histograms MatND hist_base; MatND hist_test1; /// Calculate the histograms for the HSV images calcHist( &hsv_base, 1, channels, Mat(), hist_base, 2, histSize, ranges, true, false ); normalize( hist_base, hist_base, 0, 1, NORM_MINMAX, - 1, Mat() ); calcHist( &hsv_test1, 1, channels, Mat(), hist_test1, 2, histSize, ranges, true, false ); normalize( hist_test1, hist_test1, 0, 1, NORM_MINMAX, - 1, Mat() ); /// Apply the histogram comparison methods double base_test1 = compareHist( hist_base, hist_test1, 0 ); return base_test1; }
封装成函数。这个函数比原文中作者提出的方法要简单，我偷懒了。
然后就是要编写主函数程序，这个比较麻烦的地方就是要比较出最前面的10 个图片 。我采用比较笨的方法，赶时间嘛：
int _tmain( int argc, _TCHAR * argv[]) { vector <pair <Mat,string >> imagepairs; vector < double > dresult; double dmax = 0; int imax = - 1; //读入图片 getFiles( "images",imagepairs); Mat src = imread( "images/0.jpg"); //距离测算 for ( int i = 0;i <imagepairs.size();i ++){ double tmp = GetHsVDistance(src,imagepairs[i].first); if (tmp == 1) tmp = 0; //不能搞自己 char cbuf[ 1024]; sprintf_s(cbuf, "dst/%d.jpg",i); dresult.push_back(tmp); //推入vecresult中 } //寻找前10个图片 for ( int index = 0;index < 10;index ++){ for ( int i = 0;i <imagepairs.size();i ++){ if (dresult[i] >dmax){ dmax = dresult[i]; imax = i; } } char cbuf[ 1024]; sprintf_s(cbuf, "dst/%d.jpg",index); imwrite(cbuf,imagepairs[imax].first); dresult[imax] = 0; //剔出队列 dmax = 0; imax = - 1; } printf( "OK"); waitKey(); return 0; }
前后花了40-50分钟时间，最后的效果不如作者的效果。主要差距在核心算法上面。看来日常的算法总结重构的确很有价值。
这篇文章先写到这里，最近事多，等到闲下来再进行重构。欢迎大家批评指正。
