Algorithme pour trouver des images similaires

J'ai fait quelque chose de similaire, par la décomposition des images dans les signatures à l'aide la transformée en ondelettes.

Mon approche a été de choisir les plus importantes n coefficients de chaque transformée de canal, et l'enregistrement de leur emplacement. Cela a été fait par tri de la liste de (alimentation,de l'emplacement) de n-uplets en fonction abs(alimentation). Similaire images présentent des similitudes en ce qu'ils y aura des coefficients dans les mêmes endroits.

J'ai trouvé que c'était mieux pour transformer l'image en format YUV, qui vous permet en poids de la similitude dans la forme (canal Y) et la couleur (UV canaux).

Vous pouvez trouver dans ma mise en œuvre de la mactorii, qui, malheureusement, je n'ai pas travaillé autant que je devrais avoir 🙂

Une autre méthode, que certains de mes amis ont utilisé avec des résultats étonnamment bons, c'est simplement de redimensionner votre image à dire, un 4x4 pixels et les magasins qui sont votre signature. Le degré de similitude des 2 images sont peut être marqué par dire, le calcul de la Distance Manhattan entre les 2 images, en utilisant des pixels correspondants. Je n'ai pas les détails de la façon dont ils ont joué le redimensionnement, de sorte que vous pourriez avoir à jouer avec les différents algorithmes disponibles pour cette tâche d'en trouver un qui convient.

J'ai utilisé TAMISER afin de détecter te même objet dans des images différentes. Il est vraiment puissant, mais plutôt complexe, et peut-être exagéré. Si les images sont censés être assez similaire quelques paramètres simples basés sur la différence entre les deux images peuvent vous dire un peu. Quelques conseils:

• Normaliser les images c'est à dire faire de la luminosité moyenne des deux images de la même façon par le calcul de la moyenne de la luminosité à la fois et de mise à l'échelle la plus brillante vers le bas en fonction de la ration (pour éviter l'écrêtage au niveau le plus élevé)), surtout si vous êtes plus intéressé dans la forme que dans la couleur.
• Somme de la différence de couleur sur normalisé de l'image par canal.
• détection des contours dans les images et de mesurer la distance entre les pixels du contour dans les deux images. (pour la forme)
• Diviser les images en un ensemble de régions discrètes et de les comparer à la moyenne de la couleur de chaque région.
• Seuil les images à la une (ou un ensemble de) palier(s) et de compter le nombre de pixels où la résultante noir/blanc images différentes.

Mon laboratoire nécessaires pour résoudre ce problème, et nous avons utilisé Tensorflow. Voici un application complète mise en œuvre pour la visualisation d'images similaires.

Pour un tutoriel sur la vectorisation d'images pour le calcul de similarité, découvrez cette page. Voici le Python (de nouveau, voir le post de flux de travail complet):

from __future__ import absolute_import, division, print_function
"""
This is a modification of the classify_images.py
script in Tensorflow. The original script produces
string labels for input images (e.g. you input a picture
of a cat and the script returns the string "cat"); this
modification reads in a directory of images and 
generates a vector representation of the image using
the penultimate layer of neural network weights.
Usage: python classify_images.py "../image_dir/*.jpg"
"""
# Copyright 2015 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================
"""Simple image classification with Inception.
Run image classification with Inception trained on ImageNet 2012 Challenge data
set.
This program creates a graph from a saved GraphDef protocol buffer,
and runs inference on an input JPEG image. It outputs human readable
strings of the top 5 predictions along with their probabilities.
Change the --image_file argument to any jpg image to compute a
classification of that image.
Please see the tutorial and website for a detailed description of how
to use this script to perform image recognition.
https://tensorflow.org/tutorials/image_recognition/
"""
import os.path
import re
import sys
import tarfile
import glob
import json
import psutil
from collections import defaultdict
import numpy as np
from six.moves import urllib
import tensorflow as tf
FLAGS = tf.app.flags.FLAGS
# classify_image_graph_def.pb:
#   Binary representation of the GraphDef protocol buffer.
# imagenet_synset_to_human_label_map.txt:
#   Map from synset ID to a human readable string.
# imagenet_2012_challenge_label_map_proto.pbtxt:
#   Text representation of a protocol buffer mapping a label to synset ID.
tf.app.flags.DEFINE_string(
'model_dir', '/tmp/imagenet',
"""Path to classify_image_graph_def.pb, """
"""imagenet_synset_to_human_label_map.txt, and """
"""imagenet_2012_challenge_label_map_proto.pbtxt.""")
tf.app.flags.DEFINE_string('image_file', '',
"""Absolute path to image file.""")
tf.app.flags.DEFINE_integer('num_top_predictions', 5,
"""Display this many predictions.""")
# pylint: disable=line-too-long
DATA_URL = 'http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz'
# pylint: enable=line-too-long
class NodeLookup(object):
"""Converts integer node ID's to human readable labels."""
def __init__(self,
label_lookup_path=None,
uid_lookup_path=None):
if not label_lookup_path:
label_lookup_path = os.path.join(
FLAGS.model_dir, 'imagenet_2012_challenge_label_map_proto.pbtxt')
if not uid_lookup_path:
uid_lookup_path = os.path.join(
FLAGS.model_dir, 'imagenet_synset_to_human_label_map.txt')
self.node_lookup = self.load(label_lookup_path, uid_lookup_path)
def load(self, label_lookup_path, uid_lookup_path):
"""Loads a human readable English name for each softmax node.
Args:
label_lookup_path: string UID to integer node ID.
uid_lookup_path: string UID to human-readable string.
Returns:
dict from integer node ID to human-readable string.
"""
if not tf.gfile.Exists(uid_lookup_path):
tf.logging.fatal('File does not exist %s', uid_lookup_path)
if not tf.gfile.Exists(label_lookup_path):
tf.logging.fatal('File does not exist %s', label_lookup_path)
# Loads mapping from string UID to human-readable string
proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()
uid_to_human = {}
p = re.compile(r'[n\d]*[ \S,]*')
for line in proto_as_ascii_lines:
parsed_items = p.findall(line)
uid = parsed_items[0]
human_string = parsed_items[2]
uid_to_human[uid] = human_string
# Loads mapping from string UID to integer node ID.
node_id_to_uid = {}
proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
for line in proto_as_ascii:
if line.startswith('  target_class:'):
target_class = int(line.split(': ')[1])
if line.startswith('  target_class_string:'):
target_class_string = line.split(': ')[1]
node_id_to_uid[target_class] = target_class_string[1:-2]
# Loads the final mapping of integer node ID to human-readable string
node_id_to_name = {}
for key, val in node_id_to_uid.items():
if val not in uid_to_human:
tf.logging.fatal('Failed to locate: %s', val)
name = uid_to_human[val]
node_id_to_name[key] = name
return node_id_to_name
def id_to_string(self, node_id):
if node_id not in self.node_lookup:
return ''
return self.node_lookup[node_id]
def create_graph():
"""Creates a graph from saved GraphDef file and returns a saver."""
# Creates graph from saved graph_def.pb.
with tf.gfile.FastGFile(os.path.join(
FLAGS.model_dir, 'classify_image_graph_def.pb'), 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
_ = tf.import_graph_def(graph_def, name='')
def run_inference_on_images(image_list, output_dir):
"""Runs inference on an image list.
Args:
image_list: a list of images.
output_dir: the directory in which image vectors will be saved
Returns:
image_to_labels: a dictionary with image file keys and predicted
text label values
"""
image_to_labels = defaultdict(list)
create_graph()
with tf.Session() as sess:
# Some useful tensors:
# 'softmax:0': A tensor containing the normalized prediction across
#   1000 labels.
# 'pool_3:0': A tensor containing the next-to-last layer containing 2048
#   float description of the image.
# 'DecodeJpeg/contents:0': A tensor containing a string providing JPEG
#   encoding of the image.
# Runs the softmax tensor by feeding the image_data as input to the graph.
softmax_tensor = sess.graph.get_tensor_by_name('softmax:0')
for image_index, image in enumerate(image_list):
try:
print("parsing", image_index, image, "\n")
if not tf.gfile.Exists(image):
tf.logging.fatal('File does not exist %s', image)
with tf.gfile.FastGFile(image, 'rb') as f:
image_data =  f.read()
predictions = sess.run(softmax_tensor,
{'DecodeJpeg/contents:0': image_data})
predictions = np.squeeze(predictions)
###
# Get penultimate layer weights
###
feature_tensor = sess.graph.get_tensor_by_name('pool_3:0')
feature_set = sess.run(feature_tensor,
{'DecodeJpeg/contents:0': image_data})
feature_vector = np.squeeze(feature_set)        
outfile_name = os.path.basename(image) + ".npz"
out_path = os.path.join(output_dir, outfile_name)
np.savetxt(out_path, feature_vector, delimiter=',')
# Creates node ID --> English string lookup.
node_lookup = NodeLookup()
top_k = predictions.argsort()[-FLAGS.num_top_predictions:][::-1]
for node_id in top_k:
human_string = node_lookup.id_to_string(node_id)
score = predictions[node_id]
print("results for", image)
print('%s (score = %.5f)' % (human_string, score))
print("\n")
image_to_labels[image].append(
{
"labels": human_string,
"score": str(score)
}
)
# close the open file handlers
proc = psutil.Process()
open_files = proc.open_files()
for open_file in open_files:
file_handler = getattr(open_file, "fd")
os.close(file_handler)
except:
print('could not process image index',image_index,'image', image)
return image_to_labels
def maybe_download_and_extract():
"""Download and extract model tar file."""
dest_directory = FLAGS.model_dir
if not os.path.exists(dest_directory):
os.makedirs(dest_directory)
filename = DATA_URL.split('/')[-1]
filepath = os.path.join(dest_directory, filename)
if not os.path.exists(filepath):
def _progress(count, block_size, total_size):
sys.stdout.write('\r>> Downloading %s %.1f%%' % (
filename, float(count * block_size) /float(total_size) * 100.0))
sys.stdout.flush()
filepath, _ = urllib.request.urlretrieve(DATA_URL, filepath, _progress)
print()
statinfo = os.stat(filepath)
print('Succesfully downloaded', filename, statinfo.st_size, 'bytes.')
tarfile.open(filepath, 'r:gz').extractall(dest_directory)
def main(_):
maybe_download_and_extract()
if len(sys.argv) < 2:
print("please provide a glob path to one or more images, e.g.")
print("python classify_image_modified.py '../cats/*.jpg'")
sys.exit()
else:
output_dir = "image_vectors"
if not os.path.exists(output_dir):
os.makedirs(output_dir)
images = glob.glob(sys.argv[1])
image_to_labels = run_inference_on_images(images, output_dir)
with open("image_to_labels.json", "w") as img_to_labels_out:
json.dump(image_to_labels, img_to_labels_out)
print("all done")
if __name__ == '__main__':
tf.app.run()

Image logiciel de reconnaissance de solutions sont en fait pas purement basée sur des algorithmes, mais faire usage de la réseau de neurones concept à la place. Découvrez http://en.wikipedia.org/wiki/Artificial_neural_network et à savoir NeuronDotNet qui comprend également des échantillons intéressants: http://neurondotnet.freehostia.com/index.html

Le calcul de la somme des carrés des différences des pixels de la couleur des valeurs de a considérablement version réduite (par exemple: 6x6 pixels) fonctionne très bien. Les images identiques rendement 0, images similaires rendement de petits nombres, les différentes images de rendement importantes.

Les autres gars au-dessus de l'idée de rompre en YUV première ça a l'air intéressant - bien que mon idée fonctionne très bien, je veux que mes images sont calculés comme "différents" de sorte qu'il donne un résultat correct - même dans la perspective d'une colourblind observateur.

Selon la quantité des résultats exacts dont vous avez besoin, vous pouvez simplement briser les images en n x n pixels des blocs et de les analyser. Si vous obtenez des résultats différents dans le premier bloc, vous ne pouvez pas arrêter le traitement, résultant dans certaines améliorations de performance.

Pour analyser les cases que vous pouvez par exemple obtenir la somme des valeurs de couleur.

Comme une première passe, vous pouvez essayer d'utiliser des histogrammes de couleur. Cependant, vous avez vraiment besoin pour affiner votre problème de domaine. Générique image matching est un problème très difficile.

Excuses pour rejoindre la fin de la discussion.

On peut même utiliser l'ORBE de la méthodologie pour détecter des caractéristiques similaires de points entre deux images.
Lien suivant donne directement la mise en œuvre de l'ORB en python

http://scikit-image.org/docs/dev/auto_examples/plot_orb.html

Même openCV a obtenu la mise en œuvre directe de l'ORB. Si vous avez plus d'infos à suivre l'article de recherche donné ci-dessous.

https://www.researchgate.net/publication/292157133_Image_Matching_Using_SIFT_SURF_BRIEF_and_ORB_Performance_Comparison_for_Distorted_Images