14、构建图像相似度引擎

构建图像相似度引擎

1. 图像数据处理与算法选择

1.1 图像数据表示

在处理图像数据时，我们已具备将其输入算法所需的条件。此前主要讨论了黑白图像的处理，而彩色图像的处理同样简单。每个像素可用三个特征表示，分别对应 RGB 值；若希望保留单一特征，也可使用三个 RGB 值的均值。

1.2 寻找相似图像

通常，MNIST 数字数据库用于分类任务，即根据手写数字找出其目标标签。这里我们采用不同方式，对于给定图像，尝试在数据集中找到与之最相似的图像，这是无监督任务，不使用标签信息。

我们先使用之前处理文本特征时介绍的余弦相似度算法。该算法为 X 矩阵的每一行计算单位向量，然后计算两两向量的点积，得到向量间的余弦夹角，以此衡量两幅图像的“接近”程度。以下是具体代码：

import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity

# 假设 digits 是已加载的图像数据
X = digits.data
co_sim = cosine_similarity(X[0].reshape(1,-1), X)

cosf = pd.DataFrame(co_sim).T
cosf.columns = ['similarity']
cosf.sort_values('similarity', ascending=False)

运行上述代码后，第一行的相似度为 1，因为这是原始图像本身。下面按相似度排序展示其他图像。例如，查看图像编号 877： <