图像识别引擎-引擎收集知识地图
识图如今搜索结果还是不够理想，有非常大的提升空间。以下介绍几个比較专业的图片搜索引擎。
1: https://images.google.com/ http://www.google.com/imghp (旧版：http://similar-images.googlelabs.com)
临时的替代品：http://54.250.200.50/imghp http://203.208.46.200/imghp
Google实验室类似图片搜索：输入一个关键词后，比如“bird”。返回的页面里面点击某个图片的以下的Similar images。运用Google类似图片搜索功能引擎，即刻为你把类似的图片所有搜索出来。展示给用户以便查看。
其准确率、相似率相对照较高。
Google图片相识搜索的原理
非常多人都用过Google 图片搜索功能。
你能够用一张图片，搜索互联网上全部与它相似的图片。
你输入网片的网址。或者直接上传图片，Google就会找出与其相似的图片。
以下这张图片是美国女演员Alyson Hannigan。
上传后。Google返回例如以下结果：
依据Neal Krawetz博士的解释，原理很easy易懂。
我们能够用一个高速算法，就达到主要的效果。
这里的关键技术叫做"感知哈希算法"（Perceptual hash algorithm），它的作用是对每张图片生成一个"指纹"（fingerprint）字符串，然后比較不同图片的指纹。结果越接近。就说明图片越相似。
以下是一个最简单的实现：
第一步。缩小尺寸。
将图片缩小到8x8的尺寸，总共64个像素。
这一步的作用是去除图片的细节。仅仅保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。
第二步。简化色彩。
将缩小后的图片。转为64级灰度。也就是说。全部像素点总共仅仅有64种颜色。
第三步，计算平均值。
计算全部64个像素的灰度平均值。
第四步，比較像素的灰度。
将每一个像素的灰度，与平均值进行比較。大于或等于平均值，记为1；小于平均值，记为0。
第五步，计算哈希值。
将上一步的比較结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要。仅仅要保证全部图片都採用相同次序即可了。
得到指纹以后。就能够对照不同的图片。看看64位中有多少位是不一样的。在理论上，这等同于计算"汉明距离"（Hamming distance）。假设不同样的数据位不超过5。就说明两张图片非常相似；假设大于10，就说明这是两张不同的图片。
详细的代码实现，能够參见Wote用python语言写的imgHash.py。
代码非常短。仅仅有53行。
使用的时候，第一个參数是基准图片。第二个參数是用来比較的其它图片所在的文件夹，返回结果是两张图片之间不同样的数据位数量（汉明距离）。
这样的算法的长处是简单高速，不受图片大小缩放的影响，缺点是图片的内容不能变更。
假设在图片上加几个文字，它就认不出来了。所以，它的最佳用途是依据缩略图。找出原图。
实际应用中。往往採用更强大的pHash算法和SIFT算法，它们可以识别图片的变形。
仅仅要变形程度不超过25%，它们就能匹配原图。
这些算法尽管更复杂，可是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比較。
2: http://tineye.com/ TinEye找图
TinEye是典型的以图找图搜索引擎，输入本地硬盘上的图片或者输入图片网址，就可以自己主动帮你搜索相似图片，搜索精确度相对来说还比較令人惬意。
3: http://cn.bing.com/images 微软bing识图
http://cn.bing.com/images/searchbyimage?FORM=IRSBIQ
cbir=sbi
imgurl=::$URL::
a=list&imgkey=t0144cfa2e52a0870a2.jpg&tp=imgurl&src=image
版权声明：本文博主原创文章。博客，未经同意不得转载。