用opencv创建一个图片搜索引擎的几点改进

之前在伯乐在线上看过一篇译文，《用Python和OpenCV创建一个图片搜索引擎的完整指南》。我对照了原文，翻译质量不错。原文作者是个外国小哥，文章写的很好，从图像处理的基础概念入手，由浅入深的介绍了利用OpenCV进行图片搜索的方法。在更进一步学习了OpenCV的帮助文档之后，我我觉得他在此文中使用的方法有几处可以加以改进，以便提高搜索质量。对于使用OpenCV不太熟悉的同学，建议移步原文先。

注，小哥也许为了快速直观，采用Python作demo的开发语言，我出于语言的移植性考虑，选择了C++。

1. 卡方检测值的计算

对于两幅图片的直方图(histogram)比较，由于选用了卡方相似度检测(Chi-Square)，所以应该使用OpenCV的API, 而非自己实现。

小哥的python代码:

def chi2_distance(self, histA, histB, eps = 1e-10):
    # compute the chi-squared distance
    d = 0.5 * np.sum([((a - b) ** 2) / (a + b + eps)
        for (a, b) in zip(histA, histB)])
 
    # return the chi-squared distance
    return d

小哥用的histA, histB, 就是将图片的HSV矩阵转换成的直方图，代码里就是一个矩阵。不过由于opencv提供了一个API: compareHist()，这一切其实可以很简单。个人觉得手动实现大矩阵的运算完全没有必要，容易出错不说，效率也是一个大问题。

double val = compareHist(Mat hist1, Mat hist2, HISTCMP_CHISQR)

目前opencv提供了四种相似读检测方法: Correlation, Chi-Square, Intersection, Bhattacharyya distance。(见 opencv doc)考虑到直方图的数据分布特点，Chi-Square比较合适。而且Chi-Square的检测数值越小说明相似读越高，原图与自身比较结果为0，这也非常直观，方便排序。小哥这个选择，还是无比正确的。

2. 图片不同部分的权重

小哥把每幅图片分成五个部分，中间一个椭圆，加上四角。计算出这五部分的直方图后，分别与原图的五个部分的直方图进行相似度检测。

注：此图出自原文

这个思路真是挺赞的，考虑到拍照时用户视野正中心一般就是目标物，这个方法可以单独对中心视野部分进行比较，然后对五个卡方检测值进行加和。

代码实现中，我倒觉得，既然五个部分中认定中心椭圆优先级最高，那么应该给予不同权重，比如中心椭圆权重最高，其他四角均分。具体数值可自行测试得到。

3. HSV色彩空间的bins选择

计算直方图时，需要将图片投射到HSV色彩空间上表示出来。这里HSV各自的bins选择有些讲究。因为之后生成的矩阵，其尺寸等于H(bins) * S(bins) * V(bins)。如果取的值太大，会严重影响计算性能，取的值太小，又会降低比较的准确性。

小哥原文中取的{H = 8, S = 12, V = 3}；opencv manual中关于直方图比较的demo 中，取的{H = 50, S = 60}, 直接忽略色度V。

经过测试，我的建议是：

1. 色度的bins应该保留，不必过大，保持3的倍数即可，因为这样可以对应到 R G B三原色。

2. H 和 S 的bins 可以取大一些，属于图片信息中更加重要的坐标。H = 8, S = 12 肯定太小了一些，不过是否需要50，60这个数量可以通过测试看看效果。

有兴趣的同学可以进一步参考 stackoverflow

小结：

我经过测试，提出了几点对于“利用OpenCV创建图片搜索引擎“的改进。完整的C++代码实现，可参考我的github。

另，这位小哥的网站上专门刊登一些利用OpenCV处理图片的方法和教程，有不少很有意思的帖子，有兴趣的同学不妨看看，不过有些是收费的:)