图片分类在计算机领域并不是一个新鲜的话题了，相对于传统计算机视觉（CV）方法解决这类问题，深度学习的效果反而更好。但是我们依然需要了解传统做法，说不定在未来研究时可以提供不一样的灵感。
图像描述符
要实现图像分类，首先我们需要提取我们图像库里已有图像的特征，这个过程称为描述图像。图像描述符定义了我们如何量化图像，而其输出可以看作图像本身的抽象。图像描述符的选取可以有很多，可以以颜色，形状为基准或者质地为基准。关于图像描述符更多更详细的介绍将在后面的文章中说明。在本文中，我们使用颜色中的颜色直方图作为图像描述符。
相似度指标
如何判断目标图像和图像库里的某一个图像是否是一类？我们可以通过比较二者的图像描述符来判断。而这个比较方法我们称之为相似度指标，即用来判断两者是否相似的标准。关于相似度指标更多更详细的介绍将在后面的文章中说明。
代码及简单解释
导入必要的库，如果导入失败可以pip安装或者自行搜索导入教程。
import imutils
import cv2
from imutils.paths import list_images
import argparse
import numpy as np
import os
这个是颜色直方图的类，在这里简单介绍一下颜色直方图calcHist()。颜色直方图可以将显示图片中各像素数值区间内像素的数量。例如，我们将bin设为2，那么意味着我们将像素范围[0,255]等比例分为2份[0,127];[128,255]。然后计算图片里属于[0,127]的像素的个数和属于[128,255]的像素的个数。像素数值的大小反映了亮暗程度，各个通道RGB的像素又分别代表了颜色的深浅。于是两幅整体颜色相近的图片的颜色直方图是类似的。
在实际应用时我们也应该注意一点，不同图像的像素数量可能不同，于是我们可以使用归一化normalize(),将数量换成比例。例如[100,300]，经过归一化后变为[0.25,0.75]。这样就可以比较不同大小的图像的颜色直方图。
class ColorHistogram:
def __init__(self,bins):
self.bins=bins
def describe(self,image):
hist=cv2.calcHist([image],[0,1,2],None,self.bins,
[0,256,0,256,0,256])
hist=cv2.normalize(hist,hist)
return hist.flatten()
初始化，bin选择32。我们要注意bin的选择会影响数据量的多少，对于小数据集来说，bin选取较大时构建颜色直方图的时间似乎并没有增长太多。但是对于后续比较相似度时，bin的大小将会明显影响计算的时间。而且可以肯定的是，bin选取越大对于分类的准确性是有提升的。但是提升的幅度可能在到达某一点后就大幅减少，此时再通过堆计算量来提升那一两个百分点其实是没有必要的，尤其是对于专注于应用的同学。
ap=argparse.ArgumentParser()
ap.add_argument("-d","--dataset",required=True）
ap.add_argument("-i","--image",required=True)
args=vars(ap.parse_args())
index={}
desc=ColorHistogram([32,32,32])
for imagePath in list_images(args["dataset"]):
k=imagePath[imagePath.rfind("/")+1:]
image=cv2.imread(imagePath)
features=desc.describe(image)
index[k]=features
读取我们的图像库，我的图像库里有从网上下载的20张图片，分别包括海洋，树林和沙漠。
class Classif:
def __init__(self,index):
self.index=index
def classif(self,iFeature):
results={}
for (k,features) in self.index.items():
d=self.chi2_distance(features,iFeature)
results[k]=d
results=sorted([(v,k) for (k,v) in results.items()])
return results
def chi2_distance(self,histA,histB,eps=1e-10):
d=0.5*np.sum([((a-b)**2)/(a+b+eps) for (a,b) in zip(histA,histB)])
return d
读取我们的目标图片，提取图像描述符并进行分类。分类结束后，我们提取图像库中相似度最高的五张图像进行展示。
image=cv2.imread(args["image"])
cv2.imshow("Image",image)
Features=desc.describe(image)
clas=Classif(index)
results=clas.classif(Features)
montage=np.zeros((100*5,200,3),dtype="uint8")
for j in range(0,5):
(score,imageName)=results[j]
path=os.path.join(args["dataset"],imageName)
result=cv2.imread(path)
result=cv2.resize(result,(200,100))
if j<5:
montage[j*100:(j+1)*100,:]=result
cv2.imshow("Result",montage)
cv2.waitKey(0)
结果
看起来不错，但很明显这个分类器对颜色很敏感，并不完全符合我们对于分类器的需求。我们也可以根据我们想要分类图片的特征来选取图像描述符，例如有些图片里物体的形状特征很明显。当然，后期我们也会介绍神经网络，深度学习的方法，这个是目前的主流。
“本站所有文章均为原创，欢迎转载，请注明文章出处：https://blog.csdn.net/kasami_/article/details/123834951。百度和各类采集站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的博文进行修正和更新，因此请访问出处以查看本文的最新版本。”
Original: https://blog.csdn.net/kasami_/article/details/123834951
Author: mini梁翊洲MAX
Title: 基于传统CV实现图片分类（以图搜图）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/663375/
转载文章受原作者版权保护。转载请注明原作者出处！