0116-图像检索

图像检索

1 传统图像检索

1.1 相似颜色检索

相似颜色检索的过程如下图所示：

1.1.1 颜色特征提取

首先是将一张图像描述成一个特征向量，在颜色直方图里面可以描述成一个256维度的特征向量，也可以使用K-means对图片Lab像素值进行聚类出颜色聚类直方图，从而转换为一个少维的颜色直方图，后者常用。
如果使用的特征向量，维度很大，所以会采用自编码器的机制来进行处理：
那么什么是自编码器呢，自编码器是如何学习的呢？
自编码器：是通过神经网络进行特征提取，提取出针对学习样本的通用特征降维方法。在神经网络的两端通过相同的数据限制，学习到中间的隐藏层权重。通过使用降维再升维的方法，使隐藏层输出最大限度的保存图像的主要特征，以使还原后的图像与原图像误差达到最小。如下图所示，就是将100维降到50维在隐藏层处理后，再在输出层还原回100维，并且尽可能的还原回输入的相同内容：

1.1.2 颜色特征相似度计算

在确定颜色特征相似度计算方法之前，先要对颜色色差距离进行一个说明

什么是色差距离呢？
就是对两个颜色之间的相似度进行一个评价的机制，距离越近就代表这两个颜色相似度越高。评价标准就是以人眼感受为标准，以人眼视觉的均匀性作为衡量标准。
那么常用的色差距离计算方法是哪些？
CIEDE2000是目前常用的评色差计算标准。
算出色差距离有什么用？如何确定两个图片之间的相似度
色差距离就是为相似度的计算提供参考的

如何计算相似度的话，需要介绍一种EMD距离（推土机距离-Wasserstein 距离）的计算方法，这个方法是两个多维特征分布之间的非相似性度量
下面是有关EMD的一个实例：
根据上面的实例不难看出，本质上就是就距离最近的原则进行分配。
那么这一个方法如何体现在图片相似度对比上呢？
假设两个图片的聚类颜色直方图如下
那么我们可以得到这两个图片的EMD是：
EMD值：2.590%+39.73%+17.46%+27.41%=4.795
所以当出现第三个图和第一个图的EMD比4.795大时，我们就可以说在颜色特征上，第二个图和第一个图的相似度更高！！！

接下来来一个完整的颜色特征检索实例：

1.2 相似纹理检索