Potrzebuję algorytmu, który określi, czy dwa obrazy są „podobne” i rozpozna podobne wzorce koloru, jasności, kształtu itp. Mogę potrzebować wskazówek, jakich parametrów używa mózg ludzki do „kategoryzowania” obrazów. ..
Patrzyłem na dopasowywanie oparte na hausdorffie, ale wydaje się, że jest to głównie do dopasowywania przekształconych obiektów i wzorów kształtów.
Odpowiedzi:
Zrobiłem coś podobnego, rozkładając obrazy na sygnatury za pomocą transformacji falkowej .
Moje podejście polegało na wybraniu najbardziej znaczących współczynników n z każdego przekształconego kanału i zarejestrowaniu ich lokalizacji. Dokonano tego poprzez sortowanie listy krotek (moc, lokalizacja) według abs (moc). Podobne obrazy będą miały podobieństwa, ponieważ będą miały znaczące współczynniki w tych samych miejscach.
Stwierdziłem, że najlepiej jest przekształcić obraz w format YUV, który skutecznie pozwala na podobieństwo wagi w kształcie (kanał Y) i kolorze (kanały UV).
Możesz znaleźć moją implementację powyższego w mactorii , nad którą niestety nie pracowałem tak dużo, jak powinienem :-)
Inną metodą, której niektórzy moi przyjaciele używali z zaskakująco dobrymi wynikami, jest po prostu zmiana rozmiaru obrazu, powiedzmy, piksel 4x4 i zapisanie, które są Twoją sygnaturą. Jak podobne są dwa obrazy, można ocenić, na przykład obliczając odległość Manhattanu między dwoma obrazami przy użyciu odpowiednich pikseli. Nie mam szczegółów, w jaki sposób wykonali zmianę rozmiaru, więc być może będziesz musiał zagrać z różnymi algorytmami dostępnymi dla tego zadania, aby znaleźć odpowiedni.
pHash może Cię zainteresować.
percepcyjne hash n. odcisk palca pliku audio, wideo lub obrazu, który jest matematycznie oparty na zawartej w nim treści audio lub wizualnej. W przeciwieństwie do kryptograficznych funkcji skrótu, które opierają się na lawinowym efekcie niewielkich zmian danych wejściowych prowadzących do drastycznych zmian w danych wyjściowych, skróty percepcyjne są „blisko” siebie, jeśli dane wejściowe są wizualnie lub audytucyjnie podobne.
Użyłem SIFT do ponownego wykrycia tego samego obiektu na różnych obrazach. Jest naprawdę potężny, ale raczej złożony i może być przesadą. Jeśli obrazy mają być bardzo podobne, niektóre proste parametry oparte na różnicy między dwoma obrazami mogą ci wiele powiedzieć. Kilka wskazówek:
Moje laboratorium również musiało rozwiązać ten problem i użyliśmy Tensorflow. Oto pełna implementacja aplikacji do wizualizacji podobieństwa obrazów.
Aby zapoznać się z samouczkiem na temat wektoryzacji obrazów w celu obliczenia podobieństwa, odwiedź tę stronę . Oto Python (ponownie, zobacz post z pełnym przepływem pracy):
from __future__ import absolute_import, division, print_function
"""
This is a modification of the classify_images.py
script in Tensorflow. The original script produces
string labels for input images (e.g. you input a picture
of a cat and the script returns the string "cat"); this
modification reads in a directory of images and
generates a vector representation of the image using
the penultimate layer of neural network weights.
Usage: python classify_images.py "../image_dir/*.jpg"
"""
# Copyright 2015 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================
"""Simple image classification with Inception.
Run image classification with Inception trained on ImageNet 2012 Challenge data
set.
This program creates a graph from a saved GraphDef protocol buffer,
and runs inference on an input JPEG image. It outputs human readable
strings of the top 5 predictions along with their probabilities.
Change the --image_file argument to any jpg image to compute a
classification of that image.
Please see the tutorial and website for a detailed description of how
to use this script to perform image recognition.
https://tensorflow.org/tutorials/image_recognition/
"""
import os.path
import re
import sys
import tarfile
import glob
import json
import psutil
from collections import defaultdict
import numpy as np
from six.moves import urllib
import tensorflow as tf
FLAGS = tf.app.flags.FLAGS
# classify_image_graph_def.pb:
# Binary representation of the GraphDef protocol buffer.
# imagenet_synset_to_human_label_map.txt:
# Map from synset ID to a human readable string.
# imagenet_2012_challenge_label_map_proto.pbtxt:
# Text representation of a protocol buffer mapping a label to synset ID.
tf.app.flags.DEFINE_string(
'model_dir', '/tmp/imagenet',
"""Path to classify_image_graph_def.pb, """
"""imagenet_synset_to_human_label_map.txt, and """
"""imagenet_2012_challenge_label_map_proto.pbtxt.""")
tf.app.flags.DEFINE_string('image_file', '',
"""Absolute path to image file.""")
tf.app.flags.DEFINE_integer('num_top_predictions', 5,
"""Display this many predictions.""")
# pylint: disable=line-too-long
DATA_URL = 'http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz'
# pylint: enable=line-too-long
class NodeLookup(object):
"""Converts integer node ID's to human readable labels."""
def __init__(self,
label_lookup_path=None,
uid_lookup_path=None):
if not label_lookup_path:
label_lookup_path = os.path.join(
FLAGS.model_dir, 'imagenet_2012_challenge_label_map_proto.pbtxt')
if not uid_lookup_path:
uid_lookup_path = os.path.join(
FLAGS.model_dir, 'imagenet_synset_to_human_label_map.txt')
self.node_lookup = self.load(label_lookup_path, uid_lookup_path)
def load(self, label_lookup_path, uid_lookup_path):
"""Loads a human readable English name for each softmax node.
Args:
label_lookup_path: string UID to integer node ID.
uid_lookup_path: string UID to human-readable string.
Returns:
dict from integer node ID to human-readable string.
"""
if not tf.gfile.Exists(uid_lookup_path):
tf.logging.fatal('File does not exist %s', uid_lookup_path)
if not tf.gfile.Exists(label_lookup_path):
tf.logging.fatal('File does not exist %s', label_lookup_path)
# Loads mapping from string UID to human-readable string
proto_as_ascii_lines = tf.gfile.GFile(uid_lookup_path).readlines()
uid_to_human = {}
p = re.compile(r'[n\d]*[ \S,]*')
for line in proto_as_ascii_lines:
parsed_items = p.findall(line)
uid = parsed_items[0]
human_string = parsed_items[2]
uid_to_human[uid] = human_string
# Loads mapping from string UID to integer node ID.
node_id_to_uid = {}
proto_as_ascii = tf.gfile.GFile(label_lookup_path).readlines()
for line in proto_as_ascii:
if line.startswith(' target_class:'):
target_class = int(line.split(': ')[1])
if line.startswith(' target_class_string:'):
target_class_string = line.split(': ')[1]
node_id_to_uid[target_class] = target_class_string[1:-2]
# Loads the final mapping of integer node ID to human-readable string
node_id_to_name = {}
for key, val in node_id_to_uid.items():
if val not in uid_to_human:
tf.logging.fatal('Failed to locate: %s', val)
name = uid_to_human[val]
node_id_to_name[key] = name
return node_id_to_name
def id_to_string(self, node_id):
if node_id not in self.node_lookup:
return ''
return self.node_lookup[node_id]
def create_graph():
"""Creates a graph from saved GraphDef file and returns a saver."""
# Creates graph from saved graph_def.pb.
with tf.gfile.FastGFile(os.path.join(
FLAGS.model_dir, 'classify_image_graph_def.pb'), 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
_ = tf.import_graph_def(graph_def, name='')
def run_inference_on_images(image_list, output_dir):
"""Runs inference on an image list.
Args:
image_list: a list of images.
output_dir: the directory in which image vectors will be saved
Returns:
image_to_labels: a dictionary with image file keys and predicted
text label values
"""
image_to_labels = defaultdict(list)
create_graph()
with tf.Session() as sess:
# Some useful tensors:
# 'softmax:0': A tensor containing the normalized prediction across
# 1000 labels.
# 'pool_3:0': A tensor containing the next-to-last layer containing 2048
# float description of the image.
# 'DecodeJpeg/contents:0': A tensor containing a string providing JPEG
# encoding of the image.
# Runs the softmax tensor by feeding the image_data as input to the graph.
softmax_tensor = sess.graph.get_tensor_by_name('softmax:0')
for image_index, image in enumerate(image_list):
try:
print("parsing", image_index, image, "\n")
if not tf.gfile.Exists(image):
tf.logging.fatal('File does not exist %s', image)
with tf.gfile.FastGFile(image, 'rb') as f:
image_data = f.read()
predictions = sess.run(softmax_tensor,
{'DecodeJpeg/contents:0': image_data})
predictions = np.squeeze(predictions)
###
# Get penultimate layer weights
###
feature_tensor = sess.graph.get_tensor_by_name('pool_3:0')
feature_set = sess.run(feature_tensor,
{'DecodeJpeg/contents:0': image_data})
feature_vector = np.squeeze(feature_set)
outfile_name = os.path.basename(image) + ".npz"
out_path = os.path.join(output_dir, outfile_name)
np.savetxt(out_path, feature_vector, delimiter=',')
# Creates node ID --> English string lookup.
node_lookup = NodeLookup()
top_k = predictions.argsort()[-FLAGS.num_top_predictions:][::-1]
for node_id in top_k:
human_string = node_lookup.id_to_string(node_id)
score = predictions[node_id]
print("results for", image)
print('%s (score = %.5f)' % (human_string, score))
print("\n")
image_to_labels[image].append(
{
"labels": human_string,
"score": str(score)
}
)
# close the open file handlers
proc = psutil.Process()
open_files = proc.open_files()
for open_file in open_files:
file_handler = getattr(open_file, "fd")
os.close(file_handler)
except:
print('could not process image index',image_index,'image', image)
return image_to_labels
def maybe_download_and_extract():
"""Download and extract model tar file."""
dest_directory = FLAGS.model_dir
if not os.path.exists(dest_directory):
os.makedirs(dest_directory)
filename = DATA_URL.split('/')[-1]
filepath = os.path.join(dest_directory, filename)
if not os.path.exists(filepath):
def _progress(count, block_size, total_size):
sys.stdout.write('\r>> Downloading %s %.1f%%' % (
filename, float(count * block_size) / float(total_size) * 100.0))
sys.stdout.flush()
filepath, _ = urllib.request.urlretrieve(DATA_URL, filepath, _progress)
print()
statinfo = os.stat(filepath)
print('Succesfully downloaded', filename, statinfo.st_size, 'bytes.')
tarfile.open(filepath, 'r:gz').extractall(dest_directory)
def main(_):
maybe_download_and_extract()
if len(sys.argv) < 2:
print("please provide a glob path to one or more images, e.g.")
print("python classify_image_modified.py '../cats/*.jpg'")
sys.exit()
else:
output_dir = "image_vectors"
if not os.path.exists(output_dir):
os.makedirs(output_dir)
images = glob.glob(sys.argv[1])
image_to_labels = run_inference_on_images(images, output_dir)
with open("image_to_labels.json", "w") as img_to_labels_out:
json.dump(image_to_labels, img_to_labels_out)
print("all done")
if __name__ == '__main__':
tf.app.run()
Możesz użyć Perceptual Image Diff
Jest to narzędzie wiersza poleceń, które porównuje dwa obrazy za pomocą metryki percepcyjnej. Oznacza to, że wykorzystuje model obliczeniowy ludzkiego układu wzrokowego do określenia, czy dwa obrazy różnią się wizualnie, więc pomijane są drobne zmiany w pikselach. Ponadto radykalnie zmniejsza liczbę fałszywych alarmów spowodowanych różnicami w generowaniu liczb losowych, różnicach w systemie operacyjnym lub architekturze maszyny.
To trudny problem! Zależy to od tego, jak dokładny musisz być, i zależy od rodzaju obrazów, z którymi pracujesz. Możesz używać histogramów do porównywania kolorów, ale to oczywiście nie bierze pod uwagę przestrzennego rozmieszczenia tych kolorów na obrazach (tj. Kształtów). Wykrywanie krawędzi, po którym następuje pewnego rodzaju segmentacja (tj. Wybieranie kształtów), może zapewnić wzór do dopasowania do innego obrazu. Możesz użyć macierzy koocurencji do porównywania tekstur, traktując obrazy jako macierze wartości pikseli i porównując te macierze. Jest kilka dobrych książek na temat dopasowywania obrazów i wizji maszynowej - wyszukiwarka Amazon znajdzie je.
Mam nadzieję że to pomoże!
Niektóre rozwiązania oprogramowania do rozpoznawania obrazu w rzeczywistości nie są oparte wyłącznie na algorytmach, ale zamiast tego wykorzystują koncepcję sieci neuronowej . Sprawdź http://en.wikipedia.org/wiki/Artificial_neural_network, a mianowicie NeuronDotNet, która zawiera również interesujące próbki: http://neurondotnet.freehostia.com/index.html
Istnieją podobne badania wykorzystujące sieci neuronowe / mapy samoorganizujące się Kohonena
Istnieją zarówno bardziej akademickie systemy (Google dla PicSOM), jak i mniej akademickie
( http://www.generation5.org/content/2004/aiSomPic.asp , (prawdopodobnie nieodpowiednie dla wszystkich środowisk pracy)).
Obliczanie sumy kwadratów różnic wartości kolorów pikseli w drastycznie zmniejszonej wersji (np. 6x6 pikseli) działa dobrze. Identyczne obrazy dają 0, podobne obrazy dają małe liczby, różne obrazy dają duże.
Pomysł innych gości, aby włamać się do YUV, na początku brzmi intrygująco - chociaż mój pomysł działa świetnie, chcę, aby moje obrazy były obliczane jako „inne”, aby przyniosły poprawny wynik - nawet z perspektywy obserwatora ślepego na kolory.
To brzmi jak problem ze wzrokiem. Możesz zajrzeć do Adaptive Boosting, a także do algorytmu Burns Line Extraction. Koncepcje zawarte w tych dwóch powinny pomóc w podejściu do tego problemu. Wykrywanie krawędzi jest jeszcze prostszym miejscem do rozpoczęcia, jeśli jesteś nowy w algorytmach wizyjnych, ponieważ wyjaśnia podstawy.
Jeśli chodzi o parametry kategoryzacji:
W zależności od tego, ile dokładnych wyników potrzebujesz, możesz po prostu podzielić obrazy na bloki nxn pikseli i przeanalizować je. Jeśli uzyskasz różne wyniki w pierwszym bloku, nie możesz zatrzymać przetwarzania, co skutkuje pewną poprawą wydajności.
Aby przeanalizować kwadraty, możesz na przykład uzyskać sumę wartości kolorów.
Ten artykuł okazał się bardzo pomocny, wyjaśniając, jak to działa:
http://www.hackerfactor.com/blog/index.php?/archives/432-Looks-Like-It.html
Można wykonać pewnego rodzaju oszacowanie ruchu z dopasowaniem bloków między dwoma obrazami i zmierzyć całkowitą sumę reszt i kosztów wektora ruchu (podobnie jak w przypadku kodera wideo). To zrekompensowałoby ruch; aby uzyskać dodatkowe punkty, wykonaj oszacowanie ruchu z transformacją afiniczną (kompensuje powiększenia i rozciąganie itp.). Możesz również wykonać nakładające się bloki lub przepływ optyczny.
Przepraszamy za późne uczestnictwo w dyskusji.
Możemy nawet użyć metodologii ORB do wykrycia punktów podobnych cech między dwoma obrazami. Poniższy link daje bezpośrednią implementację ORB w Pythonie
http://scikit-image.org/docs/dev/auto_examples/plot_orb.html
Nawet openCV ma bezpośrednią implementację ORB. Jeśli chcesz uzyskać więcej informacji, zapoznaj się z artykułem badawczym podanym poniżej.
W drugim wątku jest kilka dobrych odpowiedzi na ten temat, ale zastanawiam się, czy coś, co wiąże się z analizą spektralną, zadziała? To znaczy, podziel obraz na informacje o jego fazie i amplitudzie i porównaj je. Pozwoli to uniknąć niektórych problemów związanych z kadrowaniem, transformacją i różnicami intensywności. W każdym razie to tylko ja spekuluję, ponieważ wydaje się to interesującym problemem. Jeśli przeszukałeś http://scholar.google.com , jestem pewien, że mógłbyś wymyślić kilka artykułów na ten temat.