以图搜图相关资料

       声明:本文为笔者原创,转载请注明出处:blog.youkuaiyun.com/carson2005 

       基于内容的图片检索(Content Based Image Retrieval, CBIR),也有人称之为以图搜图,是一个很老的研究领域,它是利用机器学习、模式识别、计算机视觉等相关技术对图片的内容进行分析、检测、检索的一种应用。随着近年来模式识别与机器学习的快速发展,该领域又逐渐火热起来,并涌现出很多实际可用的商业系统。同时,越来越多的公司和机构开始涉足该领域,以此来推动以图搜图的快速发展与成长。以下是本人收集的以图搜图的相关资料,包括国内外相关公司,开源代码,科研人员链接,相关期刊、会议杂志等。


一、国内外图片搜索、以图搜图相关的公司

1.TineEyet: http://www.tineye.com/   位于加拿大多伦多市的一家公司,主要从事图像识别与检索方面的业务,客户包括eBey,kKayak, Getty Images, Digg, iStockphoto, SmileTrain, Photoshelter等。该公司提供手机端的商用图像检索、识别API

2.淘淘搜:http://www.taotaosou.com/ 位于杭州的一家公司,于2010年4月由阿里巴巴集团投资成立,专门从事图片购物搜索领域。目前主要提供衣服、鞋子、包等的图片搜索业务。  

3.图图搜衣:http://tutuso.cn/ 广东图图搜衣网络科技有限公司,位于广东佛山的一家公司,主要从事相似女装图片搜索、比价等业务

4.图视:http://www.1000look.net/ 江苏图视网络科技有限公司,于2011年成立于南京市,专注于图像检索、识别方面,目前从事书本检索,logo检索,衣服检索等业务。  

5.Cortexica: http://www.cortexica.com/  位于伦敦的一家公司,主要从事衣服、鞋子、包、汽车等检索业务。该公司提供手机端的图片检索,识别API

6.Picitup: http://www2.picitup.com/   基于颜色的衣服、鞋子等相似图片搜索,目前产品已经应用于eBey.com, Art.com, Shopping.com等

7.北京华旗图像数据智能技术有限公司:http://www.icitimage.com/index.htm  国家知识产权局商标图片检索系统,外观专利图片检索系统  

8.中科奥森:http://www.authenmetric.com/products-%E4%BA%BA%E8%84%B8%E7%85%A7%E7%89%87%E6%B5%B7%E9%87%8F%E6%AF%94%E5%AF%B9%E7%B3%BB%E7%BB%9F2.html 人脸检索系统  

9.搜图购:http://www.tucue.com/product.html   杭州图酷科技有限公司,衣服,箱包的图片搜索购物

10.纳特微视科技有限公司:  http://www.netovision.com/Products1.html  海量视频目标搜寻系统 

11.搜狗图片检索:http://pic.sogou.com/ 

12.百度识图:http://shitu.baidu.com/ 

13.Incogna: http://www.incogna.com/#random 搜图购物 

14.google goggles: http://www.google.com/mobile/goggles/#text android平台的图片搜索app

15.搜搜慧眼http://huiyan.qq.com/ 腾讯公司的图书,cd,海报,条形码,logo等检索、识别的app

16.Kooaba:http://www.kooaba.com/  瑞士一家公司,基于云平台的图像识别API,商标识别,红酒识别等  

17. 尚街:http://www.instreet.cn/ 北京一家公司,从事基于内容的图片、视频广告植入

18. Sketch2Photo: http://cg.cs.tsinghua.edu.cn/montage/home.htm   清华大学基于手绘简笔草图的图片检索 

19.Imense: http://imense.com/ 英国剑桥的一家公司,从事证件识别、相似图片检索等业务 

20.Imprezzeo: http://www.imprezzeo.com 基于内容的图片检索,人脸识别 

21.Pixolution: http://www.pixolution.de/index.php?id=2#1 德国柏林一家公司,基于内容的图片检索

22. Muvis: http://muvis.cs.tut.fi/ 坦佩雷理工大学开发的桌面图像搜索引擎

23. 拍购http://paigou.cc/   北京一家公司,从事手机购物app

24. Superfish: http://superfish.com/ 美国加州的一家公司,相似图片检索

25.VSearch: http://www.vsearchtech.com  位于硅谷的创业团队,从事相似图片检索购物业务  

26. ChicEngine:http://www.chicengine.com/ 美国一家公司,从事时尚服饰检索,

27.SenSeeTive: https://www.visual-recognition.com/ 法国巴黎一家公司,图片、视频检索

28.  MobileAcuity: http://www.mobileacuity.com/ 英国一家公司,手机拍照,图片检索;

29. 图答应:http://www.tudaying.com/ 亮风台上海信息技术有限公司的一款产品,微信图像识别

30. 应用拍拍:http://snapp.hiscene.com/pages/main/ 图标识别

31. 一个图片搜索插件:  http://www.hit-gallery.com/  上海智琢软件,

 

二、以图搜图相关的科研项目、开源代码等

1. Lire: http://www.semanticmetadata.net/lire/

     https://code.google.com/p/lire/

http://www.lire-project.net/  

一个以图搜图的Java开源库

2. Octagon: http://octagon.viitala.eu/ 一个免费的以图搜图软件,2007年已停止更新 

3. http://www.cs.washington.edu/research/imagedatabase/ 华盛顿大学以图搜图项目主页  

4. CIRES: http://amazon.ece.utexas.edu/~qasim/research.htm 基于内容的图片检索系统

5. Photobook: http://vismod.media.mit.edu/vismod/demos/photobook/ MIT的一个以图搜图项目

6. http://www.ci.gxnu.edu.cn/cbir/liu.aspx 广西师范大学的一个以图搜图系统

7. Fire:http://code.google.com/p/fire-cbir/    http://thomas.deselaers.de/fire/

开源图片搜索引擎

8. Jcbir:  http://code.google.com/p/jcbir/  利用小波边缘和k均值聚类分析的一个java图片检索开源代码  

9. Sora-core:  http://code.google.com/p/sora-core/  一个简单的图片检索系统平台,开源,内含FFT,分割,动态阈值,颜色直方图等

10. http://cbir.info/  一个图片检索的资料网站 

11. 搜狗互联网图片库:http://www.sogou.com/labs/dl/p2.html 可以下载下来进行图片检索实验。图片共计635GB

12. Luminate: http://www.luminate.com/  基于图像识别的广告植入 

13. IMAGENET: http://www.image-net.org/ 一个图片库,可以下载 

14. GIFThttp://www.gnu.org/software/gift/ 基于反馈信息的图片检索开源库 

15.  Caliph & Emir: http://www.semanticmetadata.net/features/  基于MPEG-7的图片检索

16.  anaktisi: http://orpheus.ee.duth.gr/anaktisi/  基于相关反馈的图片检索库,内部实现了一系列新的CBIR特征描述符

17.  svetlana lazebnik: http://www.cs.illinois.edu/homes/slazebni/  伊利诺伊大学助理教授,主攻图像分解,图像检索方面;

18. 荷兰乌德勒支大学图像与多媒体研究中心:http://www.cs.uu.nl/centers/give/multimedia/index.html 图像、多媒体检索与匹配

19. 德克萨斯大学奥斯丁分校助理教授Kristen Grauman:http://www.cs.utexas.edu/~grauman/  图像检索 

20. ImageRecover:  http://www.cs.bu.edu/groups/ivc/ImageRover/ 波士顿大学以图搜图 

21. IMEDIA: https://www.rocq.inria.fr/imedia/index_UK.html 法国国家信息与自动化研究所,以图搜图项目, 

22. 百度深度学习研究中心博士后于尹安:http://www.cbsr.ia.ac.cn/users/ynyu/index.htm 

23.  百度技术副总监于凯:http://www.dbs.ifi.lmu.de/~yu_k/

24.  百度深度学习研究中心,深度神经网络图片检索系统:http://www.cbsr.ia.ac.cn/users/ynyu/dnn.html

25.  意大利博洛尼亚大学Windsurf: http://www-db.deis.unibo.it/Windsurf/ 

26.   希腊国立雅典理工大学VIRaL: http://viral.image.ntua.gr/

27.   美国马歇尔大学PxSearch: http://inperc.com/wiki/index.php?title=Pixcavator_image_search

28.  ElasticVision: http://elastic-vision.software.informer.com/ 图像聚类软件 

29.   OpenDIR:http://code.google.com/p/opendir/ google开源项目

30.   

31. 

 

 

三、以图搜图相关的期刊、杂志、会议等

1. ACM ICMR 2014(ACM International Conference on Multimedia Retrieval),http://www.icmr2014.org/ ICMR2014于4月1日至4日在英国苏格兰格拉斯哥大学举办,会议主要探讨文本、图像、视频、音频等多媒体信息检索方面的研究

2. VECTR2013the 5th International Workshop on Video Event Categorization,Tagging and Retrieval,2013ICCV的一个附属workshop,视频标记,聚类,事件分析,检索方面; 于2013128日在澳大利亚悉尼举行

3.  ICCV2013,于2013123-6日在澳大利亚悉尼举行,计算机视觉、图像处理领域的三大顶级会议之一。

4. MMEDIA 2014(the 6th International Conference on Advances in Multimedia), 2014223-27,法国阿尔卑斯海滨省尼斯市,多媒体编解码、多媒体分析及内容检索、 

5. CVPR2014, http://www.pamitc.org/cvpr14/ 2014年6月24-27日,美国俄亥俄州,计算机时间领域的三大会议之一 

6. ICPR2014, International Conference on Pattern Recognition, http://www.icpr2014.org/  2014824-28,瑞典,斯德哥尔摩 

7. ECCV2014http://eccv2014.org/  计算机视觉领域三大会议之一 ,201495--12,瑞士,苏黎世

8. ICIP2014http://www.icip2014.com/ 2014年10月27-30,法国,巴黎 

9.  

10.  

11.  

 

 

<think>好的,用户想用Python实现以图搜图功能,我需要根据他们提供的引用资料来整理回答。首先,我得回忆一下常见的图像哈希算法,比如aHash、dHash、pHash,这些在引用里都有提到。用户提供的三个引用分别介绍了不同的方法,比如引用2是aHash,引用3是dHash和pHash,引用1提到了使用BRISK特征描述符。 首先,我应该分步骤说明不同的方法。先介绍基于哈希的方法,比如均值哈希、差值哈希和感知哈希,这些都是计算图片的指纹然后比较汉明距离。这部分用户可能已经看过,但需要简明扼要地解释每个算法的步骤,并给出代码示例。比如aHash缩小图片、计算均值、生成二进制字符串,再转为十六进制。然后比较汉明距离,判断相似度。 接下来是dHash,类似的方法,但比较相邻像素的差异。同样需要代码示例,可能引用3里的内容。然后pHash,使用DCT变换,取低频部分,可能稍微复杂一点,但用户可能只需要基本实现,所以可能需要简化说明。 然后,特征匹配方法,比如引用1提到的BRISK算法,结合OpenCV。这里需要说明如何提取特征描述符,然后使用BFMatcher或FLANN进行匹配,计算相似度。这部分可能需要示例代码,比如使用ORB或SIFT,但要注意专利问题,比如SIFT在OpenCV的版本中是否需要付费使用,可能需要建议使用ORB代替。 另外,用户可能对如何选择算法有疑问,比如哈希方法适合快速比较,但精度可能不如特征匹配。需要比较不同方法的优缺点,帮助用户根据场景选择。 最后,可能需要提供优化建议,比如预处理图片,调整阈值,或者结合多种方法提高准确率。同时,提醒用户注意图片尺寸和内容变化对结果的影响。 检查是否有遗漏的步骤,比如加载库、处理多张图片、建立索引等。但用户可能只需要基础实现,所以保持回答简洁,但结构清晰,分点说明。确保代码示例正确,并解释关键步骤,比如特征匹配中的比率测试。 最后生成相关问题,可能涉及算法比较、优化方法、处理大规模数据等,帮助用户进一步探索。</think>### Python实现以图搜图功能的步骤与方法 #### 1. **基于哈希的快速匹配算法** 这类算法通过生成图像的“指纹”(哈希值)并计算相似度实现快速搜索。 **(1)均值哈希(aHash)** - **步骤**: 1. 缩小图像至$8 \times 8$像素 2. 转换为灰度图 3. 计算像素平均值$avg$ 4. 生成二进制哈希值(像素值>平均值记为1,否则为0) 5. 将64位二进制转为16位十六进制字符串[^2] - **代码示例**: ```python from PIL import Image def a_hash(image_path): img = Image.open(image_path).resize((8,8)).convert('L') avg = sum(img.getdata()) / 64 binary_str = ''.join('1' if pixel > avg else '0' for pixel in img.getdata()) return ''.join(f'{int(binary_str[i:i+4], 2):x}' for i in range(0, 64, 4)) ``` **(2)差值哈希(dHash)** 与aHash类似,但比较相邻像素差异: ```python def d_hash(image_path): img = Image.open(image_path).resize((9,8)).convert('L') # 注意尺寸为9x8 pixels = list(img.getdata()) hash_str = ''.join('1' if pixels[i] > pixels[i+1] else '0' for i in range(64)) return ''.join(f'{int(hash_str[i:i+4], 2):x}' for i in range(0, 64, 4)) ``` **(3)汉明距离计算** 比较两个哈希值的差异位数: ```python def hamming_distance(hash1, hash2): return sum(c1 != c2 for c1, c2 in zip(hash1, hash2)) ``` --- #### 2. **基于特征匹配的精确方法** 使用OpenCV等库提取图像特征进行匹配[^1]: ```python import cv2 def feature_match(img1_path, img2_path): # 初始化ORB检测器(SIFT需注意专利问题) orb = cv2.ORB_create() # 读取图像并提取特征 img1 = cv2.imread(img1_path, 0) kp1, des1 = orb.detectAndCompute(img1, None) img2 = cv2.imread(img2_path, 0) kp2, des2 = orb.detectAndCompute(img2, None) # 暴力匹配器 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(des1, des2) # 按距离排序,取前10%作为优质匹配 matches = sorted(matches, key=lambda x: x.distance) good_matches = matches[:int(len(matches)*0.1)] return len(good_matches) ``` --- #### 3. **方案对比与选择建议** | 方法 | 优点 | 缺点 | 适用场景 | |-----------|---------------------|---------------------|-------------------| | 哈希算法 | 速度快($O(1)$复杂度) | 对旋转/缩放敏感 | 海量图片快速去重 | | 特征匹配 | 对形变/光照鲁棒性强 | 计算复杂度高($O(n^2)$) | 小规模高精度匹配 | | 深度学习(推荐) | 准确率最高(需预训练模型) | 需GPU资源 | 商业级以图搜图系统 | --- #### 4. **优化建议** 1. **预处理统一尺寸**:将所有图像缩放至相同尺寸(如$256 \times 256$) 2. **结合多算法**:例如先用哈希算法粗筛,再用特征匹配精查 3. **建立索引数据库**:对哈希值或特征向量使用KD-Tree加速搜索 相关问题
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值