Image Search Engine

一.图像检索技术分类

一般来说，有三种类型的图像搜索引擎：通过元数据搜索（search by meta-data），通过实例搜索（search by example），以及两者的混合方法。

A great example of a Search by Meta-Data image search engine isFlickr.

A great example of a Search by Example system is TinEye.

二.图像检索基本概述

在检索原理上，无论是基于文本的图像检索还是基于内容的图像检索，主要包括三方面：一方面对用户需求的分析和转化，形成可以检索索引数据库的提问；另一方面，收集和加工图像资源，提取特征，分析并进行标引，建立图像的索引数据库；最后一方面是根据相似度算法，计算用户提问与索引数据库中记录的相似度大小，提取出满足阈值的记录作为结果，按照相似度降序的方式输出。

为了进一步提高检索的准确性，许多系统结合相关反馈技术来收集用户对检索结果的反馈信息，这在CBIR（如下）中显得更为突出，因为CBIR实现的是逐步求精的图像检索过程，在同一次检索过程中需要不断地与用户进行交互。

三.任何CBIR系统的4基本个步骤

四.检索方法

关键词查找

浏览查找

特征输入查找

草图查找

五.程序实现

基于Python 2.7 and OpenCV 2.4.X（稍加修改也兼容opencv 3 ）

数据集（dataset）：我们将使用INRIA Holidays Dataset来获取图像数据集

步骤1:定义我们的图像描述符：HSI颜色空间直方图

步骤2:从我们的数据集中提取特性

步骤3:建立搜索器

步骤4:执行搜索

总结：我们使用了一种颜色直方图（HSI）来描述照片的颜色分布。然后，我们使用颜色描述子对数据集进行索引，从数据集中的每个图像中提取颜色直方图。为了比较图像，我们使用了chi-squared distance。然后，我们实现了接受查询图像并返回相关结果的过程。

正如你所看到的，与我们的图像搜索引擎互动的唯一方式是通过命令行——这不是很吸引人。故在下一篇文章中，我们将探讨如何在Python web框架中包装我们的图像搜索引擎，使之更容易使用。

参考博客：https://www.pyimagesearch.com/2014/12/01/complete-guide-building-image-search-engine-python-opencv/（附源码）