[image] 이미지 비교-빠른 알고리즘

아래는이 문제를 해결하기위한 세 가지 방법입니다 (다른 방법도 많이 있습니다).

• 첫 번째는 컴퓨터 비전, 키포인트 일치에 대한 표준 접근법입니다. 이를 구현하려면 약간의 배경 지식이 필요할 수 있으며 느려질 수 있습니다.

• 두 번째 방법은 기본 이미지 처리 만 사용하며 첫 번째 방법보다 빠르며 구현하기가 쉽습니다. 그러나 이해하기 쉽고, 견고성이 부족합니다. 크기가 조정되거나 회전되거나 변색 된 이미지에서는 일치하지 않습니다.

• 세 번째 방법은 빠르고 강력하지만 구현하기가 가장 어렵습니다.

키포인트 매칭

100 개의 랜덤 포인트를 선택하는 것보다 100 개의 중요한 포인트를 선택하는 것이 좋습니다. 이미지의 특정 부분은 다른 부분 (특히 가장자리와 모서리)보다 더 많은 정보를 가지고 있으며 스마트 이미지 일치에 사용하려는 부분입니다. Google ” 키포인트 추출 “및 ” 키포인트 일치 “를 통해 주제에 관한 학술 논문을 찾을 수 있습니다. 요즘 SIFT 키포인트 는 다양한 스케일, 회전 및 조명에서 이미지를 일치시킬 수 있기 때문에 가장 인기가 있습니다. 일부 SIFT 구현은 여기 에서 찾을 수 있습니다 .

키포인트 일치와 단점 중 하나는 순진한 구현의 실행 시간입니다. O (n ^ 2m). 여기서 n은 각 이미지의 키포인트 수이고 m은 데이터베이스의 이미지 수입니다. 일부 영리한 알고리즘은 쿼드 트리 또는 이진 공간 파티셔닝과 같이 가장 가까운 일치 항목을 더 빨리 찾을 수 있습니다.

대체 솔루션 : 히스토그램 방법

덜 강력하지만 잠재적으로 더 빠른 다른 솔루션은 각 이미지에 대해 기능 히스토그램을 작성하고 입력 이미지의 히스토그램에 가장 가까운 히스토그램을 가진 이미지를 선택하는 것입니다. 나는 이것을 언더 그레이드로 구현했고, 3 가지 컬러 히스토그램 (빨강, 녹색, 파랑)과 2 가지 텍스처 히스토그램, 방향과 스케일을 사용했습니다. 아래에 세부 정보를 제공하지만 데이터베이스 이미지와 매우 유사한 이미지를 일치시키는 경우에만 효과적입니다. 크기 조정, 회전 또는 변색 된 이미지는이 방법으로 실패 할 수 있지만 자르기와 같은 작은 변경으로 인해 알고리즘이 중단되지는 않습니다.

색상 히스토그램 계산은 간단합니다. 히스토그램 버킷의 범위와 각 범위에 대해 해당 범위의 색상이있는 픽셀 수를 선택하십시오. 예를 들어 “녹색”히스토그램을 고려하여 히스토그램에 대해 4 개의 버킷 (0-63, 64-127, 128-191 및 192-255)을 선택한다고 가정합니다. 그런 다음 각 픽셀에 대해 녹색 값을보고 해당 버킷에 탈리를 추가합니다. 계산을 완료하면 각 버킷 총계를 전체 이미지의 픽셀 수로 나누어 녹색 채널에 대한 정규화 된 히스토그램을 얻습니다.

텍스처 방향 히스토그램의 경우 이미지에서 가장자리 감지를 시작했습니다. 각 모서리 점에는 모서리와 수직 인 방향을 가리키는 법선 벡터가 있습니다. 법선 벡터의 각도를 0과 PI 사이의 6 버킷 중 하나로 양자화했습니다 (가장자리는 180도 대칭이므로 -PI와 0 사이의 각도를 0과 PI 사이로 변환했습니다). 각 방향의 가장자리 지점 수를 계산 한 후 텍스처 방향을 나타내는 정규화되지 않은 히스토그램이 있으며, 각 버킷을 이미지의 총 가장자리 지점 수로 나누어 정규화했습니다.

텍스처 스케일 히스토그램을 계산하기 위해 각 에지 포인트에 대해 같은 방향으로 가장 가까운 다음 에지 포인트까지의 거리를 측정했습니다. 예를 들어, 모서리 지점 A의 방향이 45 도인 경우 알고리즘은 방향이 45도 (또는 합리적인 편차 내) 인 다른 모서리 지점을 찾을 때까지 해당 방향으로 진행합니다. 각 에지 포인트에 대해이 거리를 계산 한 후 해당 값을 히스토그램에 덤프하고 총 에지 포인트 수로 나누어 정규화합니다.

이제 각 이미지마다 5 개의 히스토그램이 있습니다. 두 이미지를 비교하려면 각 히스토그램 버킷 간 차이의 절대 값을 취한 다음이 값을 합산합니다. 예를 들어 이미지 A와 B를 비교하기 위해

|A.green_histogram.bucket_1 - B.green_histogram.bucket_1|

녹색 막대 그래프의 각 버킷에 대해 다른 막대 그래프에 대해 반복 한 다음 모든 결과를 요약합니다. 결과가 작을수록 일치하는 것이 좋습니다. 데이터베이스의 모든 이미지에 대해 반복하면 가장 작은 결과가 일치합니다. 알고리즘이 일치하는 항목을 찾지 못했다고 판단하는 임계 값을 원할 것입니다.

세 번째 선택-요점 + 의사 결정 트리

다른 두 방법보다 훨씬 빠른 세 번째 방법은 시맨틱 텍스트 온 포리스트 (PDF)를 사용하는 것입니다. 여기에는 간단한 키포인트를 추출하고 수집 결정 트리를 사용하여 이미지를 분류합니다. 이는 비용이 많이 드는 매칭 프로세스를 피하고 키포인트가 SIFT보다 훨씬 단순하므로 키포인트 추출이 훨씬 빠르기 때문에 단순한 SIFT 키포인트 일치보다 빠릅니다. 그러나 히스토그램 방법에 없었던 중요한 기능인 SIFT 방법의 회전, 스케일 및 조명에 대한 불변성을 유지합니다.

업데이트 :

내 실수-시맨틱 텍스트 온 포레스트 (Semantic Texton Forests) 논문은 이미지 매칭에 관한 것이 아니라 지역 라벨링에 관한 것이다. 일치하는 원래 논문은 다음과 같습니다 . 무작위 트리를 사용한 키포인트 인식 . 또한 아래의 논문은 계속해서 아이디어를 개발하고 최신 기술을 나타냅니다 (c. 2010).

• 랜덤 펀 (Random Ferns)을 이용한 빠른 키포인트 인식 – Lepetit 06보다 빠르고 확장 성
• 요약 : 이진 강력 독립 초등 기능 -덜 강력하지만 매우 빠름-여기서 목표는 스마트 폰 및 기타 핸드 헬드에서 실시간으로 일치하는 것입니다.

답변

from PIL import Image
from PIL import ImageFilter
import imagehash

img1=Image.open(r"C:\yourlocation")
img2=Image.open(r"C:\yourlocation")
if img1.width<img2.width:
    img2=img2.resize((img1.width,img1.height))
else:
    img1=img1.resize((img2.width,img2.height))
img1=img1.filter(ImageFilter.BoxBlur(radius=3))
img2=img2.filter(ImageFilter.BoxBlur(radius=3))
phashvalue=imagehash.phash(img1)-imagehash.phash(img2)
ahashvalue=imagehash.average_hash(img1)-imagehash.average_hash(img2)
totalaccuracy=phashvalue+ahashvalue

item1  item2  totalsimilarity
desk1  desk1       3
desk1  phone1     22
chair1 desk1      17
phone1 chair1     34