OpenCV实现图片搜索引擎

OpenCV（Open Source Computer Vision Library）的计算效率很高且能够完成实时任务。OpenCV库由优化的C/C++代码编写而成，能够充分发挥多核处理和硬件加速的优势。OpenCV有大量技术社区和超过900万的下载量，它的使用范围极为广泛，如人机互动、资源检查、拼接地图等。

0.Python+OpenCV实现图像搜索引擎

之前看到谷歌和百度出了图像搜索引擎，查阅了相关资料深入了解了图像搜索引擎的算法原理。一部分参考了用Python和OpenCV创建一个图片搜索引擎的完整指南。决定自己实现一个简单的图像搜索引擎，也可以让自己更快地查找mac中的图片。为什么使用OpenCV+Python实现图像搜索引擎呢？

• 首先，OpenCV是一个开源的计算机视觉处理库，在计算机视觉、图像处理和模式识别中有广泛的应用。接口安全易用，而且跨平台做的相当不错，是一个不可多得的计算机图像及视觉处理库。

• 其次，Python的语法更加易用，贴近自然语言，极为灵活。虽然计算效率并不高，但快速开发上它远胜于C++或其他语言，引入pysco能够优化python代码中的循环，一定程度上缩小与C/C++在计算上的差距。而且图像处理中需要大量的矩阵计算，引入numpy做矩阵运算能够降低编程的冗杂度，更多地把精力放在匹配的逻辑上，而非计算的细枝末节。

1. 图像搜索原理

图像搜索算法基本可以分为如下步骤：

• 提取图像特征。如采用SIFT、指纹算法函数、哈希函数、bundling features算法等。当然如知乎中所言，也可以针对特定的图像集群采用特定的模式设计算法，从而提高匹配的精度。如已知所有图像的中间部分在颜色空间或构图上有显著的区别，就可以加强对中间部分的分析，从而更加高效地提取图像特征。

• 图像特征的存储。一般将图像特征量化为数据存放于索引表中，并存储在外部存储介质中，搜索图片时仅搜索索引表中的图像特征，按匹配程度从高到低查找类似图像。对于图像尺寸分辩率不同的情况可以采用降低采样或归一化方法。

• 相似度匹配。如存储的是特征向量，则比较特征向量之间的加权后的平方距离。如存储的是散列码，则比较Hamming距离。初筛后，还可以进一步筛选最佳图像集。

2. 图片搜索引擎算法及框架设计

基本步骤

• 采用颜色空间特征提取器和构图空间特征提取器提取图像特征。
• 图像索引表构建驱动程序生成待搜索图像库的图像特征索引表。
• 图像搜索引擎驱动程序执行搜索命令，生成原图图像特征并传入图片搜索匹配器。
• 图片搜索匹配内核执行搜索匹配任务。返回前limit个最佳匹配图像
• （具体代码来自如下网址：https://blog.csdn.net/coderhuhy/article/details/46575667）
• 以上内容均转自上述网址