ImageSearch

发表于 |

以图搜图

  1. 两大类

    • pHash + hamming距离
    • CNN + cos距离

  2. pHash

    cv2的dct变换和库函数imagehash调用的scipy.fftpack.dct结果不太一样，所以编码结果也不一样

    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
    import numpy as np
    import cv2
    import imagehash
    from PIL import Image


    def pHash(img_file):
        
        # step1: gray, 0-255, 32x32
        img = cv2.imread(img_file, 0)
        img = cv2.resize(img, (32,32), interpolation=cv2.INTER_CUBIC)
        
        # step2: dct, left-top 8x8
        img = cv2.dct(img.astype(np.float32))
        img = img[:8,:8]
        
        # step3: flatten, mean, 0-1 binary
        img = img.reshape((-1)).tolist()
        mean = sum(img)/len(img)
        img_print = ['1' if i>mean else '0' for i in img]
        
        # hex encoding
        return ''.join(['%x' % int(''.join(img_print[i:i+4]),2) for i in range(0,32*32,4)])
        
    cv_hash = pHash(img_file)
    scipy_hash = imagehash.phash(Image.open(img_file), hash_size=8, highfreq_factor=4)  # imagehash object
    scipy_hash = scipy_hash.__str__()

    以上编码得到16位的16进制编码，类似这张图像的低级特征指纹。

    Hamming距离：两个等长字符串，在对应位置的不同字符的个数

    • 如果不同字符数不超过5，说明近似
    • 如果大于10，说明不同