实现1：图片颜色直方图的获取（图像描述符）
图片由无数个像素点组成，每个像素点可用三原色表示也就是red,green,blue；
在元组的使用中，我们通常建立（r,g,b）三元组来表示一个像素，也就是所谓的rgb像素表示法。我们把图片所有的像素点都有这种方法来获取后，组成一个直方图。这个直方图就十分抽象地代表了目标图片。
图像描述符是RGB颜色空间中的3D颜色直方图，每个红色，绿色，蓝色通道有8个区间。在计算8个区间的3D直方图时，OpenCV会将特征向量存储为(8, 8, 8)数组。由于要计算相似性，需要将特征向量重塑成为一维的向量。
实现代码：
#rgbhistogram.py
import imutils
import cv2
class RGBHistogram:
def __init__(self, bins):
self.bins = bins
def describe(self, image):
hist = cv2.calcHist([image], [0, 1, 2],
None, self.bins, [0, 256, 0, 256, 0, 256])
# OpenCV 3+
hist = cv2.normalize(hist,hist)
return hist.flatten()`
第1、2行：导入了“OpenCV，imutils”包；
第3行：定义了一个直方图的类，命名为“RGBHistogram”来完成直方图的获取
第4、5：行是一个构造函数，用来创建直方图类的对象，实现对象的初始化；
第6行：定义了一个用来返回特征向量的函数命名为“describe”；
第7、8行：这里我们提取实际的3D RGB直方图（或实际上，BGR，因为OpenCV将图像存储为NumPy数组，但通道的顺序相反）。我们假设self.bins是一个三个整数的列表，指定每个通道的箱数。
第9行：调用OpenCV的normalize()进行归一化操作，防止数据溢出与错误数据的产生；
第10行：计算3D直方图时，直方图将表示为带有(N, N, N)区间的NumPy数组。为了更容易地计算直方图之间的距离，我们简单地将该直方图展平为具有的形状(N ** 3,)。示例：当我们实例化RGBHistogram时，每个通道将使用8个bin。没有展平我们的直方图，形状就会如此(8, 8, 8)。但是通过展平它，形状就变成了(512,)。
实现2：索引数据集
顾名思义，在此步骤中要实现对所有图片的遍历。在获取到描述符之后，要把图像的描述符应用到每个图像中，简单来说是将每个图像的颜色直方图提取后，存储在字典中，并将字典写入文件。
#index.py
from pyimagesearch.rgbhistogram import RGBHistogram
from imutils.paths import list_images
import argparse
import _pickle as cPickle
import cv2
ap = argparse.ArgumentParser()
ap.add_argument("-d", "--dataset", required = True,
help = "Path to the directory that contains the images to be indexed")
ap.add_argument("-i", "--index", required = True,
help = "Path to where the computed index will be stored")
args = vars(ap.parse_args())
index = {}
desc = RGBHistogram([8, 8, 8])
for imagePath in list_images(args["dataset"]):
imagePath = imagePath.replace("\\","/")
k = imagePath[imagePath.rfind("/") + 1:]
image = cv2.imread(imagePath)
features = desc.describe(image)
index[k] = features
f = open(args["index"], "wb")
f.write(cPickle.dumps(index))
f.close()
print("[INFO] done...indexed {} images".format(len(index)))
第1-5行输入必要的argparse、_pickle和OpenCV必要的包；
第6-11行规定了键盘输入的格式，–dataset 参数规定了图像存储的磁盘的路径，–index 参数规定了索引被调用后的存储路径；
第13行实例化RGBHistogram类将分别为红色，绿色和蓝色通道使用8个分档；
第14-19行用list_images来抓取图像路径并开始遍历我们的数据集，数据集中的所以文件名都是唯一的，因此文件名为键；
第21-23行图像从磁盘加载出来，使用RGBHistogram从图像中提取直方图，最后将直方图存储在索引中；
第24行定义输出的格式，其中format()用来获取…的值，并且最终返回给用户。
实验小测试：
在pycharm命令终端输入python index.py --dataset images --index index.cpickle
如果出现结果如下图，说明取得了阶段性胜利！
实现3：相似性的计算
此次用的相似性公式是卡方距离计算，将两个数值输入到公式当中计算出来的结果越小说明两者越相似。
#searcher.py
import numpy as np
class Searcher:
def __init__(self, index):
self.index = index
def search(self, queryFeatures):
results = {}
for (k, features) in self.index.items():
d = self.chi2_distance(features, queryFeatures)
results[k] = d
results = sorted([(v, k) for (k, v) in results.items()])
return results
def chi2_distance(self, histA, histB, eps = 1e-10):
d = 0.5 * np.sum([((a - b) ** 2) / (a + b + eps)
for (a, b) in zip(histA, histB)])
return d
第1行 导入必要的numpy包；
第2行定义一个搜索类，命名为Search；
第3、4行定义类的构造函数，用来调用搜索类时进行对象的初始化操作，必要时可以加上相应参数；
第5-9行 这是实际搜索发生的部分。遍历索引中的图像文件名和相应的功能。然后使用卡方距离来比较我们的颜色直方图。将计算的距离存储在results字典中，指示两个图像彼此有多相似。
第10、11行 按卡方距离从小到大排序，其目的是找出目标图像最相似的图像；
第12-15行这里定义用于比较两个直方图的卡方距离函数。一般来说，大箱与小箱之间的差异不太重要，应该按此加权。这正是卡方距离的作用。我们提供一个epsilon虚拟值来避免那些讨厌的“除以零”错误。如果图像的特征向量的卡方距离为零，则认为图像是相同的。距离越大，它们就越不相似。
#search.py
from pyimagesearch.searcher import Searcher
import numpy as np
import argparse
import os
import _pickle as cPickle
import cv2
ap = argparse.ArgumentParser()
ap.add_argument("-d", "--dataset", required = True,
help = "Path to the directory that contains the images we just indexed")
ap.add_argument("-i", "--index", required = True,
help = "Path to where we stored our index")
args = vars(ap.parse_args())
index = cPickle.loads(open(args["index"], "rb").read())
searcher = Searcher(index)
for (query, queryFeatures) in index.items():
results = searcher.search(queryFeatures
path = os.path.join(args["dataset"], query)
queryImage = cv2.imread(path)
cv2.imshow("Query", queryImage)
print("query: {}".format(query))
montageA = np.zeros((166 * 5, 400, 3), dtype = "uint8")
montageB = np.zeros((166 * 5, 400, 3), dtype = "uint8")
for j in range(0, 10):
(score, imageName) = results[j]
path = os.path.join(args["dataset"], imageName)
result = cv2.imread(path)
print("\t{}. {} : {:.3f}".format(j + 1, imageName, score))
if j < 5:
montageA[j * 166:(j + 1) * 166, :] = result
else:
montageB[(j - 5) * 166:((j - 5) + 1) * 166, :] = result
cv2.imshow("Results 1-5", montageA)
cv2.imshow("Results 6-10", montageB)
cv2.waitKey(0)
第1-6行：导入我们需要的包。Searcher类存储在pyimagesearch模块中。
第7-12行 与索引步骤中相同的方式定义键盘输入的参数。
第13-14行 使用cPickle从磁盘加载索引并初始化我们的Searcher。
第15行：我们将把索引中的每个图像视为一个查询，看看我们得到的结果。通常，查询是 外部的，而不是数据集的一部分，但在我们开始之前，让我们只执行一些示例搜索。
第16行：这是进行实际搜索的地方。我们将当前图像视为查询并执行搜索。
第17-20行：加载并显示我们的查询图像。
第21、22行：定义显示框的大小
第23-31行：为了显示前10个结果，使用两个蒙太奇图像。第一个蒙太奇显示结果1-5，第二个蒙太奇显示结果6-10。
第32-34行： 搜索结果显示给用户。
代码测试2：
在pycharm命令终端输入python search.py --dataset images --index index.cpickle
实现4：外部查询功能
根据项目的目标，最终需要对指定图像进行查询而不是所有图像的遍历。需要对键盘输入进行进一步的规格化修改。同时将要搜索的目标图像通过磁盘读出并展示出来。
#search_external.py
from pyimagesearch.rgbhistogram import RGBHistogram
from pyimagesearch.searcher import Searcher
import numpy as np
import argparse
import os
import _pickle as cPickle
import cv2
ap = argparse.ArgumentParser()
ap.add_argument("-d", "--dataset", required = True,
help = "Path to the directory that contains the images we just indexed")
ap.add_argument("-i", "--index", required = True,
help = "Path to where we stored our index")
ap.add_argument("-q", "--query", required = True,
help = "Path to query image")
args = vars(ap.parse_args())
queryImage = cv2.imread(args["query"])
cv2.imshow("Query", queryImage)
print("query: {}".format(args["query"]))
desc = RGBHistogram([8, 8, 8])
queryFeatures = desc.describe(queryImage)
index = cPickle.loads(open(args["index"], "rb").read())
searcher = Searcher(index)
results = searcher.search(queryFeatures)
montageA = np.zeros((166 * 3, 400, 3), dtype = "uint8")
montageB = np.zeros((166 * 3, 400, 3), dtype = "uint8")
for j in range(0, 6):
(score, imageName) = results[j]
path = os.path.join(args["dataset"], imageName)
result = cv2.imread(path)
print("\t{}. {} : {:.3f}".format(j + 1, imageName, score))
if j < 3:
montageA[j * 166:(j + 1) * 166, :] = result
else:
montageB[(j - 3) * 166:((j - 3) + 1) * 166, :] = result
cv2.imshow("Results 1", montageA)
cv2.imshow("Results 2", montageB)
cv2.waitKey(0)
第1-7行 关键包numpy、argparse、os、_pickle、OpenCV的导入；
第8-15行 完成对键盘输入格式的限定；
第16-18行 对搜索的目标图像进行展示，以根据两者的结果进行对比；
第19、20行 对彩色直方图进行初始化操作；
第21-23行 对磁盘图像进行读取搜索；
第24-35行 与搜索部分类似，完成对图像以及数据的展示，其中输出格式中#输出：\t表示表格格式 {}表示要显示的位置 {：.3f}表示结果保留三位小数 ,format里的三个值分别对应三个{}里的值。
代码测试3：
在pycharm命令终端输入python search_external.py --dataset images --index index.cpickle --query queries/Lakers-001.png
小结：
自此，简单图像搜索引擎已经实现，具体的结构图如下：
PS：index.cpickle 文件不是代码，所以无法显示。
有兴趣的朋友可以留言免费获取该项目源码！
