动态规划“遇见”图像检索

两个对象的相似度的多少，统计学上常用的方法是对象在多维属性空间的距离来量化。同样图像也是对象的一种；

它是有RGB三基色的像素点组合合成；RGB本身就是一张图像的属性；[0~255]是属性值域值。

但是同一张图像经过裁剪、旋转、光线的调节、滤镜是图像的像素值发生巨大的变化，所以如何简单粗暴的匹配两张图像的像素的精准确率就会大打折扣。

利用时间序列+动态规划的弹性匹配是一个稳定匹配相似图像的方法。

1，构造图像的时间序列。

将图像的RGB值，首尾拼接成一个一维数组；以索引下标作为横轴，RGB值作为纵轴，我们可以绘制出一个时间序列的折线图。

2，两个图像时序距离计算方法

统计中我们了解到了很多距离计算的方法，比如：欧式距离、曼哈顿距离、欧几里得距离等，距离方法的选择要适合场景需要，选择最优的就行；可以尝试多种距离计算对比效果。

3，最优路径的查找

两个图像距离的计算，其实就是两个时间序列的二位矩阵中找到最优的路径。动态规划是数据挖掘中常用的计算距离的方法。

图中简单做了一个实例：同一张图片的两个序列段（方便比较），这里的距离计算简单的使用了两点相减的绝对值。绿色标记出了最优的滤镜，最优路径的累积值越小，可以判断两个图像的相似度越高。

这里我们也选择使用动态规划来找最优路径。 

4，具体实战

这里我选择了7张图片，然后通过相似度的计算，通过相似度强弱来排序。这里选择第三张“二熊戏水”的图片最为匹配的锚点。目前的图片顺序如下：

通过相似度计算结果：

第三张“二熊戏水” 最优路径累积值为0.0，完全相似

第四张“熊吼” 最优路径累积值为18837.0，次居第二

后续为：第七张、第五张、第六张、第一张、第二张

结果还是很准确的。 

代码参考：

from PIL import Image 
from numpy import array
import mlpy
from collections import OrderedDict
data = {}
imgs  =  ['', #数字下标从0 开始，这里填充0位
          'data/256_ObjectCategories/001.ak47/001_0002.jpg', #第1张图
          'data/256_ObjectCategories/003.backpack/003_0001.jpg',#第2张图
          'data/256_ObjectCategories/009.bear/009_0001.jpg',#第3张图
          'data/256_ObjectCategories/009.bear/009_0009.jpg',#第4张图
           'data/256_ObjectCategories/009.bear/009_0010.jpg',#第5张图
           'data/256_ObjectCategories/009.bear/009_0011.jpg',#第6张图
           'data/256_ObjectCategories/009.bear/009_0012.jpg'#第7张图
 ]
for fn in range(1, 8):
    img = Image.open(imgs[fn])
    arr = array(img)
    list = []
    for n in arr: list.append(n[0][0]) #R
    for n in arr: list.append(n[0][1]) #G
    for n in arr: list.append(n[0][2]) #B
    data[fn] = list
reference = data[3] # 这里以第三章图片作为基准
result = {}
for x, y in data.items():
    dist = mlpy.dtw_std(reference, y, dist_only=True)
    result[x] = dist
sortedRes = OrderedDict(sorted(result.items(), key=lambda x: x[1]))
for a, b in sortedRes.items():
    print("{0}-{1}".format(a, b))

有问题的小伙伴，可以私聊哦，创作不易，喜欢点赞

推荐阅读：