CBIR

CBIR一款基于内容的图像检索（CBIR）系统：可以根据图像的内容来搜索图像啦！

我们平时搜图像，只能根据图像的文件名称去搜索，几乎搜不到准确的图像。但是现在技术进步，可以根据 图像 搜索图像！！

github地址：

https://github.com/yuanxiaoming8899/CBIR

国内源代码地址：

http://www.gitpp.com/yuanxiaoming/CBIR

 CBIR的介绍

CBIR（Content-Based Image Retrieval，基于内容的图像检索）系统是一种通过分析图像的视觉内容，如颜色、纹理、形状等特征，来检索和匹配相似图片的算法。下面是关于 CBIR 系统的一些介绍：

1. 工作原理：CBIR 系统首先从图像数据库中提取图像特征，并将这些特征存储在数据库中。当用户提交查询图像时，系统会计算查询图像与数据库中图像的特征相似度，然后返回与查询图像最相似的图像。

2. 特征提取：CBIR 系统通常使用像素级特征、视觉单词或者深度学习模型提取图像特征。这些特征可以包括颜色、纹理、形状等视觉元素，也可以是高级的神经代码，用于表示图像的视觉内容。

3. 相似度计算：CBIR 系统使用各种相似度计算方法来衡量查询图像与数据库中图像的相似性。常见的相似度计算方法有欧氏距离、余弦相似度、相关性等。

4. 应用领域：CBIR 系统在许多领域都有广泛的应用，如多媒体数据库检索、智能搜索引擎、医学影像分析、艺术作品检索等。

5. 发展趋势：随着深度学习技术的发展，CBIR 系统在图像特征提取和相似度计算方面取得了很大的进步。未来的发展趋势包括提高检索速度、增加数据库规模、提高检索准确性以及实现多模态检索（如文本、音频等与图像的结合）。

6. 开源项目和数据库：有一些开源项目和数据库可以帮助开发者构建自己的 CBIR 系统，如 OpenCV、Dlib 等。此外，互联网上也有一些公开的图像检索数据库，如 ImageNet、COCO 等，可以用于训练和评估 CBIR 系统的性能。

总之，CBIR 系统是一种具有重要研究价值和商业应用的图像检索技术。通过不断优化特征提取、相似度计算和系统架构，CBIR 系统可以更好地满足人们在图像检索方面的需求。

 CBIR（Content-Based Image Retrieval，基于内容的图像检索）系统通过分析图像的视觉特征，如颜色、纹理、形状等，计算查询图像与数据库中图像的特征相似度，从而检索出与查询图像相似的图像。

以下是 CBIR 系统根据特征相似度检索图像的具体步骤：

1. 图像预处理：将输入的图像进行灰度化、归一化、滤波等预处理操作，以消除噪声和光照影响，使图像更易于分析和处理。

2. 特征提取：从预处理后的图像中提取用于表示图像视觉特征的元素。常见的特征包括颜色、纹理、形状等。颜色特征有颜色直方图、颜色矩等；纹理特征有粗糙性、方向性、对比性等；形状特征有面积、周长、偏心率、角点、链码、兴趣点等。

3. 特征向量化：将提取到的特征进行向量化，即将特征转换为数值化的表示形式，便于计算机进行相似度计算。

4. 相似度计算：采用各种相似度计算方法计算查询图像与数据库中图像的特征向量之间的相似性。常见的相似度计算方法有欧氏距离、余弦相似度、相关性等。

5. 排序与检索：根据相似度计算结果，对数据库中的图像进行排序，返回与查询图像最相似的图像。

6. 结果展示：将检索到的相似图像按照相似度从高到低进行排序，并呈现给用户。

CBIR 系统在检索图像时，可以根据不同应用场景选择不同的特征和相似度计算方法。此外，为了提高检索效果，还可以采用多种特征融合、结合深度学习技术等方法进行优化。通过不断改进特征提取、相似度计算和系统架构，CBIR 系统能够更好地满足用户在图像检索方面的需求。

工作原理

特征提取

在这个系统中，我实现了几个流行的图像功能：

• 基于颜色的

  • RGB直方图

• 基于纹理的

  • gabor filter滤波器

• 基于形状的

  • daisy

  • 边缘直方图

  • HOG（梯度直方图）

• 深层方法

  • VGG网

  • 残净

让我展示一下系统的一些结果

查询1 - 女装

搜索：

结果：

颜色

• daisy

边缘

gabor filter

霍格

VGG19

重网152

查询2-橙色

搜索

结果

颜色

daisy

边缘

gabor filter

霍格

VGG19

重网152

查询3 - NBA球衣

搜索

颜色的结果

daisy

边缘的结果

gabor filter

霍格

VGG19

重网152

边缘

gabor filter

安装方法是，它可以分为两部分。

第 1 部分：创建图像数据库

当您克隆存储库时，它将如下所示：

├── src/            # Source files
├── result/         # Results
├── USAGE.md        # How to use the code
└── README.md       # Intro to the repo

您需要将图像添加到名为database/的目录中，因此它将如下所示：

├── src/            # Source files
├── result/         # Results
├── USAGE.md        # How to use the code
├── README.md       # Intro to the repo
└── database/       # Directory of all your images

你所有的图像应该放入数据库/

在这个目录中，每个图像类应该有自己的目录

详情请看图片：

在我的数据库中，有25个类，每个类都有自己的目录，

属于此类的图像应放入此目录中。

第2部分：运行代码

我实现了几个算法，你可以用python3运行它。

对于 RGB 直方图

python3 src/color.py

对于Daisy图像描述符

python3 src/daisy.py

对于gabor filter滤波器

python3 src/gabor.py

对于边缘直方图

python3 src/edge.py

对于梯度直方图 (HOG)

python3 src/HOG.py

对于VGG19

需要安装pytorch0.2才能运行代码

python3 src/vggnet.py

对于 ResNet152

需要安装pytorch0.2才能运行代码

python3 src/resnet.py

以上是我的代码的基本用法。

有一些高级问题，例如特征融合和降维，

这些部分的介绍将在未来进一步编写：D

github地址：

https://github.com/yuanxiaoming8899/CBIR

原文链接：

Python学习项目：CBIR一款基于内容的图像检索（CBIR）系统