标签：维数 alc 图像检索 微软雅黑 min 类别 指定 处理 group
在指定的图片数据库内，完成图片检索。图像数据按照文件名的次序大概100幅为1类，以颜色直方图为依据，
用最邻近方法或其他方法，随机抽取一张图片，利用模板匹配方法在图片库中找出100幅最相似的图片，计算查全率和查准率。
报告最后部分展示10幅来自不同类别的图片，计算查全率和查准率，展示最接近的5幅图片，并分析结果。
数据集为
http://www.vision.caltech.edu/Image_Datasets/Caltech101/Caltech101.html
参考文献 Histogram-Based Color Image Retrieval
检索方法：
采用图像的RGB三通道直方图与hsv直方图，利用欧几里得距离（Euclid），卡方比较（Chi-Square），Bhattacharyya distance（巴氏距离），相关性比较（Correlation），计算与模板的距离，找到最相近的图片。
影响性能的参数：
rgb的直方图bins，hsv直方图的h，s的bins，以及采用的检索模式。
利用API：
cv2. calcHist()
cv2.compareHist()
# -*- coding: utf-8 -*- """ Created on Thu Oct 17 16:01:42 2019 @author: erio """ ‘‘‘ 从下面10组中随机各选取一幅图片, 直接根据其颜色直方图在9908(0-9907)幅图片中按照最邻近方法找出最接近的图片(若超出100幅取最接近的100幅。若不足100幅则不足) 计算查全率查准率 并展示最接近的五福图片 0-99 butterfly 100 mark 1,第一组图片,选取19.bmp为模板 100-199 mountain 100 mark 2 125.bmp 300-399 mark3 376.bmp 700-799 luori 100 mark 4 747.bmp 800-899 花 mark5 850.bmp 899-998 tree 100 mark 6 940.bmp 1106-1205 mark 7 1177.bmp 1593-1692 mark 8 1596.bmp 8641 8740 mark 9 8655.bmp 9029 9128 mark 10 9037.bmp ‘‘‘ import cv2 import numpy as np #转bmp def jpg2bmp(): for i in range(0,9908): nam=‘D:/image/‘+str(i)+‘.jpg‘ nam1=‘D:/image/‘+str(i)+‘.bmp‘ img = cv2.imread(nam, 1) cv2.imwrite(nam1, img) #计算图片的hsv histogram h,s为Hue, Saturation的bins def calchsv(start,end,h,s): histoh=[] for i in range(start,end+1): img = cv2.imread(‘D:/image/‘+str(i)+‘.bmp‘) hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV) hist1 = cv2.calcHist([hsv], [0, 1], None, [h, s], [0, 180, 0, 256]) #cv2.normalize(hist1, hist1, 0, 1, cv2.NORM_MINMAX, -1); #归一化，后面数据处理的方便，其次是保证程序运行时收敛加快 histoh.append(hist1) return histoh #计算图片的rgb histogram 。分三个通道RGB计算，每个通道bins为bins，而后拼接为一个histogram. def calcRGBhisto(start,end,bins): histor=[] #histo storage all histogram nparrays for i in range(start,end+1): img = cv2.imread(‘D:/image/‘+str(i)+‘.bmp‘) #histc = cv2.calcHist([img],[0,1,2],None,[bins,bins,bins],[0,255,0,255,0,255]) hist2 = cv2.calcHist([img],[2],None,[bins],[0,255]) #np.array RGB三通道 hist0 = cv2.calcHist([img],[0],None,[bins],[0,255]) #np.array hist1 = cv2.calcHist([img],[1],None,[bins],[0,255]) #np.array histf=np.vstack((hist0,hist1,hist2)) #histf,当前图片的直方图的nparray #cv2.normalize(histf, histf, 0, 1, cv2.NORM_MINMAX, -1); histor.append(histf) return histor #imggroup为记录搜索数据的array。形如[[19,0,99],[125,100,199]] 意味第一组图片范围为0-99，选取19号图片为标准搜索 #hisstart,hisend为要做检索的图片范围，如0,9907 #method为采用的检索方式。如Euclid为根据图片的直方图的欧几里得距离，越短认为越接近 def search(imggroup,gsize,hisstart,hisend,method): #method记录判定方式，如Euclid; rgbeqpre=0 #平均查全率查准率 hsveqrecall=0 rgbeqrecall=0 hsveqpre=0 if (method=="Euclid"): calmethod="Euclid" elif (method=="Correlation"): calmethod=cv2.HISTCMP_CORREL elif (method=="ChiSquare"): calmethod=cv2.HISTCMP_CHISQR else: calmethod=cv2.HISTCMP_BHATTACHARYYA rgbdis=[] #rgbdis记录认为属于某组的图片的距离该组标准的距离;如dis[1]记录所有认为属于第二组的图片的距离该组标准150.bmp的距离 hsvdis=[] rgbresult=[] #rgbresult记录结果,为gsize维数组。从0开始index越小越接近标准。如rgbresult[0]数组记录判定为属于1组的图片index。如rgbresult[0][0]=19，即为19.bmp hsvresult=[] rgbindex=[] #rgbindex[0]数组记录判定为属于1组的图片index。 hsvindex=[] for i in range(0,gsize+1): rgbdis.append([]) hsvdis.append([]) rgbindex.append([]) hsvindex.append([]) ghisrgb=[] #选取为标准的图片的histogram数组。1维数组。如ghisrgb[0]为19.bmp的histogram ghishsv=[] gstart=[] #记录每组开始图片index gend=[] for i in range(0,gsize): #ghisrgb,ghishsv 记录各个选取图片的histogram gstart记录图片所属组的开始index， ghisrgb.append(historgb[imggroup[i][0]]) #如第一组0-99，查找19.bmp，gstart[0]=0，gend[0]=99，ghisrgb[0]=histo[19] ghishsv.append(histohsv[imggroup[i][0]]) gstart.append(imggroup[i][1]) gend.append(imggroup[i][2]) for i in range(hisstart,hisend+1): #在hisstart-hisend的范围内，计算图片距离所选取的每幅图片距离，选择最近的认为属于该组;cnt记录距离各组距离 tprgbdis=[] tphsvdis=[] #记录当前图片采用rgb和hsvhistogram,距离选取出的图片的距离 for j in range(0,gsize): if (calmethod=="Euclid"): tempr=historgb[i]-ghisrgb[j] tempr=np.power(tempr,2) tempdis=np.sum(tempr) tprgbdis.append(tempdis) temph=histohsv[i]-ghishsv[j] temph=np.power(temph,2) tempdis=np.sum(temph) tphsvdis.append(tempdis) else: match = cv2.compareHist(historgb[i],ghisrgb[j], calmethod) tprgbdis.append(match) match = cv2.compareHist(histohsv[i],ghishsv[j], calmethod) tphsvdis.append(match) #np.argsort()用于给数组排序，返回值为从小到大元素index的值. #假设一个数组a为[0,1,2,20,67,3],使用numpy.argsort(a),返回值应为[0,1,2,5,3,4] if(method=="Correlation"): #Correlation -1-1,越大越接近 tpp=np.argsort(tprgbdis) final=tpp[gsize-1] #img i 与final组correlation最接近1，认为属于final组 rgbdis[final].append(tprgbdis[final]) #将i.img距离final组标准的距离记录到rgbdis[final]数组，同时其index i记录到rgbindex[final]数组。 rgbindex[final].append(i) tpp=np.argsort(tphsvdis) final=tpp[0] #img i 与final组euclid距离最短，认为属于final组 hsvdis[final].append(tphsvdis[final]) hsvindex[final].append(i) else: #其余的三种方法越小越接近 tpp=np.argsort(tprgbdis) final=tpp[0] #img i 与final组距离最短，认为属于final组 rgbdis[final].append(tprgbdis[final]) rgbindex[final].append(i) tpp=np.argsort(tphsvdis) final=tpp[0] hsvdis[final].append(tphsvdis[final]) hsvindex[final].append(i) #gstart[i],第i组起始index。如第0组0-99，gstart[0]=0,gend[0]=99; #index[i][result[i][j]] index[i]为认为属于[i]组的图片的index数组.result[i]为认为属于i组的图片的dis升序排序后的索引序列 #例如 index[0]={0,24,5} 那么result[0][2]=5 for i in range(0,gsize): rgbcorr=0 #corr 认为属于i组并且确实属于i组 hsvcorr=0 if(method=="Correlation"): #越大越好 #print(type(rgbdis)) nprd=np.array(rgbdis[i]) nphd=np.array(hsvdis[i]) rgbresult.append(np.argsort(-nprd)) #argsort 得到的result是dis降序排序后的索引序列，数组 hsvresult.append(np.argsort(-nphd)) #result数组中增加一个数组，如[]-->[[0,1,2]],判定属于第0组的图片index为0,1,2 else: #越小越好 rgbresult.append(np.argsort(rgbdis[i])) hsvresult.append(np.argsort(hsvdis[i])) #print(rgbresult[i].size,hsvresult[i].size) if rgbresult[i].size<=100: #若判定为i组的图片不足100幅 rgbsize=rgbresult[i].size else: #若判定为i组的图片超过100幅,取最近的100幅 rgbsize=100 if hsvresult[i].size<=100: #若判定为i组的图片不足100幅 hsvsize=hsvresult[i].size else: #若判定为i组的图片超过100幅,取最近的100幅 hsvsize=100 for j in range(0,rgbsize): #result[i][0]理论上是被search的图片自身，imgnum if (gstart[i]<=rgbindex[i][rgbresult[i][j]])&(rgbindex[i][rgbresult[i][j]]<=gend[i]): rgbcorr=rgbcorr+1 for j in range(0,hsvsize): #result[i][0]理论上是被search的图片自身，imgnum if (gstart[i]<=hsvindex[i][hsvresult[i][j]])&(hsvindex[i][hsvresult[i][j]]<=gend[i]): hsvcorr=hsvcorr+1 rgbclose=[] hsvclose=[] #取最接近的5幅图片展示 for k in range(0,6): rgbclose.append(rgbindex[i][rgbresult[i][k]]) hsvclose.append(hsvindex[i][hsvresult[i][k]]) rgbpre=rgbcorr/(rgbsize) rgbeqpre=rgbeqpre+rgbpre rgbrecall=rgbcorr/100 rgbeqrecall=rgbeqrecall+rgbrecall hsvpre=hsvcorr/(hsvsize) hsveqpre=hsveqpre+hsvpre hsvrecall=hsvcorr/100 hsveqrecall=hsveqrecall+hsvrecall print("imgnumber %d\n"%(imggroup[i][0])) print("using rgb histogram %s method ‘s precision:%.5f ,recall:%.5f\n"%(method,rgbpre,rgbrecall)) print("using hsv histogram %s method ‘s precision:%.5f ,recall:%.5f\n"%(method,hsvpre,hsvrecall)) print("rgb close 5\n") print(rgbclose) print("hsv close 5\n") print(hsvclose) print("rgbeqpre: %.5f,rgbeqrecall: %.5f,hsveqpre: %.5f,hsveqrecall: %.5f\n"%(rgbeqpre/gsize,rgbeqrecall/gsize,hsveqpre/gsize,hsveqrecall/gsize)) if __name__ == ‘__main__‘: #jpg2bmp() histostart = 0 histoend = 9907 histobins=32 h= 90#180 s= 256 #256 historgb = calcRGBhisto(histostart,histoend,histobins) histohsv = calchsv(histostart,histoend,h,s) print(type(histohsv)) #每组中选取一幅图片，查找最近的100张，计算查全率查准率。如第一组0-99，查19.bmp group=[[19,0,99],[125,100,199],[376,300,399],[747,700,799],[850,800,899],[940,899,998], [1177,1106,1205],[1596,1593,1692],[8655,8641,8740],[9037,9029,9128]] #group=[[50,0,99],[137,100,199],[350,300,399]] groupsize = 10 #search(group,groupsize,histostart,histoend,"Euclid") #search(group,groupsize,histostart,histoend,"Correlation") #search(group,groupsize,histostart,histoend,"ChiSquare") search(group,groupsize,histostart,histoend,"Bhattach")
标签：维数 alc 图像检索 微软雅黑 min 类别 指定 处理 group
原文地址：https://www.cnblogs.com/lqerio/p/11858763.html
