найти сходство восприятия между двумя изображениями в java

Question

Я ищу алгоритм, который может найти перцептуальное сходство между двумя изображениями, на самом деле я хочу ввести одно изображение в систему, и он ищет всю мою базу данных, которые содержат огромное количество изображений, а затем получить изображения, которые имеют более перцептивное сходство с исходным изображением, может ли любой орган, пожалуйста, помочь мне?

Я имею ввиду, что хочу найти похожие рисунки. Я слышал, что какой-то алгоритм может найти подобную базу изображений на форме, цветке и т. д. (пиксель за пикселем). я хочу иметь систему, я ввода исходного изображения и системы извлечения подобные изображения на основе перцептивных признаков, как форма, цвет, размер и т.д.

Благодаря

Answer 1

Один простой способ начать является сравнение цветовой гистограммы.

Однако в следующей статье предлагается использовать Совместную гистограмму. Вы также можете взглянуть.

http://www.cs.cornell.edu/rdz/joint-histograms.html

Answer 2

Вам необходимо тщательно определить, что «перцептивно аналогичные» означает для вас, прежде чем пытаться найти измеримый объект, который фиксирует это. Представьте себе картину поля травы под голубым небом с лошадью. Должно ли ваше приложение получать все фотографии лошадей? Или все фотографии с зеленой травой и голубым небом? В последнем случае вышеупомянутые цветовые гистограммы являются хорошим началом. В качестве альтернативы вы можете посмотреть на модели гауссовой смеси (GMM), они используются довольно много в поиске. Это code может быть отправной точкой и данной статьей Image retrieval using color histograms generated by Gauss mixture vector quantization

Более сложным является подход «мешок слов» или «визуальных слов». Он все чаще используется для категоризации и идентификации изображений. Этот алгоритм обычно начинается с обнаружения надежных точек изображения, а это означает, что эти точки будут выдерживать определенные искажения изображения. Например, популярными алгоритмами являются SIFT и SURF. Область вокруг этих найденных точек захватывается дескриптором, который может быть, например, умной гистограммой.

В самой простой форме можно собирать все данные из всех дескрипторов из всех изображений и группировать их, например, используя k-средства. Каждое исходное изображение имеет дескрипторы, которые вносят вклад в ряд кластеров. Центроиды этих кластеров, то есть визуальные слова, могут использоваться в качестве нового дескриптора для изображения. Веб-сайт VLfeat содержит хороший demo этого подхода, классифицирующий набор данных caltech 101. Также следует отметить результаты и программное обеспечение от Caltech.