粉嫩小逼,我和和老妇做爰,黄片A片,看靠逼的网站,天天操综合520,男人色综合,自拍第一页,91蝌蚪

點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達
本文轉(zhuǎn)自：AI算法與圖像處理

引言

我們經(jīng)常使用搜索引擎。當我們需要查詢時，我們可以使用像 Google 這樣的搜索引擎來檢索最相關(guān)的答案。

大多數(shù)查詢格式是基于文本的。但并不是大多數(shù)時候，文本對于找到相關(guān)的答案是非常有用的。

例如，你想在互聯(lián)網(wǎng)上搜索一個產(chǎn)品，在這種情況下，是一件 t 恤，但你不知道它的名字。你怎么能找到他們？你可以把那件襯衫的描述寫下來。

使用描述的問題是你會得到各種各樣的產(chǎn)品。更糟糕的是，它們與你想要搜索的產(chǎn)品并不相似，所以你需要一個更好的方法來檢索它們。

為了解決這個問題，我們可以使用產(chǎn)品的圖像，提取其特征，并利用這些特征檢索相似的產(chǎn)品。我們稱這個概念為基于內(nèi)容的圖像檢索。

在本文中，我將向您展示如何使用 Python 構(gòu)建圖像搜索引擎。

基于內(nèi)容的圖像檢索

在我向您解釋如何使用 Python 構(gòu)建圖像檢索之前，讓我向您解釋基于內(nèi)容的圖像檢索的概念。

基于內(nèi)容的圖像檢索(CBIR)是一種基于給定圖像的相關(guān)圖像檢索系統(tǒng)。該系統(tǒng)由圖像查詢和圖像數(shù)據(jù)庫兩部分組成。

該系統(tǒng)首先對所有圖像進行特征提取，無論是查詢圖像還是圖像數(shù)據(jù)庫圖像，使用特征提取算法。然后，系統(tǒng)將計算查詢與數(shù)據(jù)庫中所有圖像之間的相似性。最后，系統(tǒng)將檢索所有與查詢有很大相似性的圖像。

圖1描述了 CBIR 的流程。

圖一 CBIR 的流程

卷積神經(jīng)網(wǎng)絡(luò)

要提取特征，有許多選項可供選擇。在這種情況下，我們可以使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來提取這些特征。

由于該模型的卷積層能夠捕獲每個數(shù)據(jù)實例的特征，因此它比其他算法具有更強的模式捕獲能力。

卷積神經(jīng)網(wǎng)絡(luò)由很多層網(wǎng)絡(luò)組成，例如卷積層用于特征提取，池層用于特征采樣，完全連接層用于預(yù)測。

在這種情況下，我們忽略了大部分的完全連接層，只關(guān)注特征提取的結(jié)果。

圖2顯示了卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的示例，即 LeNet-5。

圖2. LeNet-5架構(gòu)

歐幾里得度量

提取特征后，計算查詢與所有圖像之間的距離。為了做到這一點，我們可以使用歐幾里得度量或 l 2標準來衡量它。如果數(shù)字越來越小，那么這一對圖像就是相似的。公式是這樣的：

其中：

q = 待查詢圖像
img = 圖像
n = 特征向量元素的個數(shù)
i = 矢量的位置

實施方案

在我們知道了這些概念之后，現(xiàn)在我們可以實現(xiàn)這個系統(tǒng)了。為了實現(xiàn) CBIR，我們將使用 Python 作為編程語言，Tensorflow 用于特征提取框架，Numpy 用于計算距離。如果我們總結(jié)一下，這里是我們將要做的步驟：

下載數(shù)據(jù)集
從圖像數(shù)據(jù)庫中提取特征
插入查詢圖像并提取其特征
計算所有圖像的相似性
檢索最相似的結(jié)果

對于數(shù)據(jù)集，我們將使用來自 Kaggle 的 CBIR 數(shù)據(jù)集。你可以通過這里的鏈接訪問數(shù)據(jù)集：https://www.kaggle.com/theaayushbajaj/cbir-dataset/notebooks。

Figure 3. Screenshot by me 圖3. 我的屏幕截圖

在我們檢索所有的圖像之后，現(xiàn)在我們可以使用 CNN 從所有的圖像中提取特征并將這些特征保存在 .npy 格式的文件中以供日后使用。為了指定體系結(jié)構(gòu)，我們將使用 VGG-16體系結(jié)構(gòu)和來自 ImageNet 的預(yù)先訓練的權(quán)重。

另外，我們可以利用 GPU 提取圖像的特征，但是在這種情況下，我們只使用 CPU。

代碼是這樣的：

# Import the librariesfrom tensorflow.keras.preprocessing import imagefrom tensorflow.keras.applications.vgg16 import VGG16, preprocess_inputfrom tensorflow.keras.models import Modelfrom pathlib import Pathfrom PIL import Imageclass FeatureExtractor:    def __init__(self):        # Use VGG-16 as the architecture and ImageNet for the weight        base_model = VGG16(weights='imagenet')        # Customize the model to return features from fully-connected layer        self.model = Model(inputs=base_model.input, outputs=base_model.get_layer('fc1').output)    def extract(self, img):        # Resize the image        img = img.resize((224, 224))        # Convert the image color space        img = img.convert('RGB')        # Reformat the image        x = image.img_to_array(img)        x = np.expand_dims(x, axis=0)        x = preprocess_input(x)        # Extract Features        feature = self.model.predict(x)[0]        return feature / np.linalg.norm(feature)# Iterate through images (Change the path based on your image location)for img_path in sorted("<IMAGE DATABASE PATH LIST HERE>"):    print(img_path)    # Extract Features    feature = fe.extract(img=Image.open(img_path))    # Save the Numpy array (.npy) on designated path    feature_path = "<IMAGE FEATURE PATH HERE>.npy"    np.save(feature_path, feature)

在我們從所有圖像中提取特征之后，現(xiàn)在我們可以嘗試使用查詢檢索類似的圖像。在這種情況下，我們可以輸入一張看起來類似下圖的獅子：

為了檢索類似的圖像，我們使用如下代碼：

# Import the librariesimport matplotlib.pyplot as pltimport numpy as np# Insert the image queryimg = Image.open("<IMAGE QUERY PATH HERE>")# Extract its featuresquery = fe.extract(img)# Calculate the similarity (distance) between imagesdists = np.linalg.norm(features - query, axis=1)# Extract 30 images that have lowest distanceids = np.argsort(dists)[:30]scores = [(dists[id], img_paths[id]) for id in ids]# Visualize the resultaxes=[]fig=plt.figure(figsize=(8,8))for a in range(5*6):    score = scores[a]    axes.append(fig.add_subplot(5, 6, a+1))    subplot_title=str(score[0])    axes[-1].set_title(subplot_title)      plt.axis('off')    plt.imshow(Image.open(score[1]))fig.tight_layout()plt.show()

最終的結(jié)果如下：

總結(jié)

祝賀你！你已經(jīng)創(chuàng)建了自己的圖片搜索引擎。好吧，這并不是非常類似于谷歌，但至少你知道的概念，如何基于內(nèi)容的圖像檢索工作。

如果你對 web 開發(fā)有所了解，也許你可以使用 Flask 或 Django 這樣的框架創(chuàng)建一個 web 應(yīng)用程序來構(gòu)建你自己的搜索引擎。

下載1：OpenCV-Contrib擴展模塊中文版教程

在「小白學視覺」公眾號后臺回復(fù)：擴展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實戰(zhàn)項目52講

在「小白學視覺」公眾號后臺回復(fù)：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學校計算機視覺。

下載3：OpenCV實戰(zhàn)項目20講

在「小白學視覺」公眾號后臺回復(fù)：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學習進階。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~

使用 Python 構(gòu)建圖片搜索引擎