Algorithme pour trouver des images similaires

pHash pourrait vous intéresser.

perceptual hash N. une empreinte digitale d'un fichier audio, vidéo ou image qui est mathématiquement basée sur le contenu audio ou visuel contenu dans. Contrairement aux fonctions de hachage cryptographique qui dépendent de l'effet d'avalanche de petits changements dans l'entrée conduisant à des changements drastiques dans la sortie, les hachages perceptuels sont "proches" les uns des autres si les entrées sont visuellement ou auditorialement similaires.

j'ai utilisé SIFT pour re-détecter le même objet dans des images différentes. C'est vraiment puissant mais plutôt complexe, et pourrait 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.-à-d. rendre la luminosité moyenne des deux images la même en calculant la luminosité moyenne des deux et dimensionner les plus brillants en fonction de la ration (pour éviter de couper au plus haut niveau)) surtout si vous êtes plus intéressé par la forme que par la couleur.
• somme de la différence de couleur par rapport à l'image normalisée par canal.
• trouve des bords dans les images et mesure la distance entre les pixels des bords dans les deux images. (pour la forme)
• divisez les images en un ensemble de régions discrètes et comparez la couleur moyenne de chaque région.
• seuil les images à un (ou un ensemble de) niveau(s) et compter le nombre de pixels où les images Noir/blanc résultant diffèrent.

C'est un problème difficile! Il dépend de la précision que vous devez être, et cela dépend du type d'images que vous travaillez avec. Vous pouvez utiliser des histogrammes pour comparer les couleurs, mais cela ne tient évidemment pas compte de la distribution spatiale de ces couleurs dans les images (c.-à-d. les formes). La détection de contours suivie d'une sorte de segmentation (c'est-à-dire la sélection des formes) peut fournir un motif pour s'accorder avec une autre image. Vous pouvez utiliser des matrices de coocurence pour comparer textures, en considérant les images comme des matrices de valeurs de pixels, et en comparant ces matrices. Il y a de bons livres là-bas sur l'appariement d'images et la vision automatique -- une recherche sur Amazon en trouvera.

Espérons que cette aide!

, Vous pourriez utiliser Perceptive de l'Image Diff

c'est un utilitaire de ligne de commande qui compare deux images en utilisant une métrique perceptuelle. C'est-à-dire qu'il utilise un modèle computationnel du système visuel humain pour déterminer si deux images sont visuellement différentes, de sorte que les changements mineurs dans les pixels sont ignorés. De plus, il réduit drastiquement le nombre de faux positifs causés par des différences dans la génération de nombres aléatoires, OS ou les différences d'architecture de machine.

certaines solutions logicielles de reconnaissance d'image ne sont en fait pas purement basées sur des algorithmes, mais utilisent plutôt le concept réseau neuronal . Vérifier http://en.wikipedia.org/wiki/Artificial_neural_network et à savoir NeuronDotNet qui comprend également des échantillons intéressants: http://neurondotnet.freehostia.com/index.html

Il est de recherche liés à l'aide de réseaux de neurones de Kohonen/auto-organisation des cartes

deux systèmes plus académiques (Google pour PicSOM ) ou moins académique

( http://www.generation5.org/content/2004/aiSomPic.asp , (peut-être pas adapté pour tous les environnements de travail) présentations existent.

calcul de la somme des carrés des différences des valeurs de couleur des pixels d'une version réduite drastiquement (par exemple: 6x6 pixels) fonctionne bien. Des images identiques donnent 0, des images similaires donnent de petits nombres, des images différentes donnent de grands nombres.

l'idée des autres gars ci-dessus pour entrer dans YUV premiers sons intrigant-alors que mon idée fonctionne bien, je veux que mes images à être calculé comme "différent" de sorte qu'il donne un résultat correct - même de la perspective d'un observateur daltonien.

mon labo avait besoin de résoudre ce problème aussi, et nous avons utilisé Tensorflow. Voici une application full app pour visualiser la similarité des images.

pour un tutoriel sur la vectorisation des images pour le calcul de similarité, consultez cette page . Voici le Python (encore une fois, voir le post pour le workflow 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()

cela ressemble à un problème de vision. Vous voudrez peut-être regarder dans le Boosting adaptatif aussi bien que L'algorithme D'Extraction de ligne de Burns. Les concepts de ces deux concepts devraient aider à aborder ce problème. Edge detection est un endroit encore plus simple pour commencer si vous êtes nouveau dans les algorithmes de vision, car il explique les bases.

en ce qui concerne les paramètres de catégorisation:

• Palette de couleurs et emplacement (calcul de Gradient, histogramme de les couleurs)
• Contenait Des Formes (Ada. Stimuler/Formation pour détecter les formes)

selon combien de résultats précis vous avez besoin, vous pouvez simplement casser les images dans les blocs de pixels n x N et les analyser. Si vous obtenez des résultats différents dans le premier bloc, vous ne pouvez pas arrêter le traitement, ce qui entraîne des améliorations de la performance.

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

vous pourriez effectuer une sorte d'estimation de mouvement par blocs entre les deux images et mesurer la somme globale des résidus et des coûts de vecteur de mouvement (un peu comme on le ferait dans un encodeur vidéo). Ceci compenserait pour le mouvement; pour les points bonus, faire affine-transformation estimation du mouvement (compense pour les zooms et étirement et similaire). Vous pouvez également faire des blocs superposés ou flux optique.

comme premier passage, vous pouvez essayer d'utiliser des histogrammes de couleur. Cependant, vous avez vraiment besoin de réduire votre domaine de problème. L'appariement des images génériques est un problème très difficile.

j'ai trouvé cet article très utile expliquant comment il fonctionne:

http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html

toutes mes excuses pour s'être joint à la fin de la discussion.

nous pouvons même utiliser la méthodologie ORB pour détecter des points caractéristiques similaires entre deux images. Le lien suivant donne l'implémentation directe D'ORB en python

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

même openCV a obtenu la mise en œuvre directe de ORB. Si vous plus d'info suivez l'article de recherche ci-dessous.

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

il y a quelques bonnes réponses dans l'autre fil, mais je me demande si quelque chose impliquant une analyse spectrale fonctionnerait? C'est-à-dire: décomposez l'image en informations de phase et d'amplitude et comparez-les. Cela peut permettre d'éviter certains problèmes liés à la culture, à la transformation et aux différences d'intensité. En tout cas, c'est juste moi en train de spéculer puisque ça semble être un problème intéressant. Si vous avez cherché http://scholar.google.com je suis sûr que vous pourriez monter avec plusieurs documents à ce sujet.