phash

图像搜索引擎一般有三种实现方式： （1）Search By Metadata，这种方式不会考虑图片本身内容（图片包含物体，以及图像像素分布等），纯粹根据图像标签来进行检索。如果某个网页中有一张赛马的图片，并且网页文本内容中包含“赛马”（或者相关词汇）的文字，当用户搜索“赛马”、“马”、“horse”等关键字时，搜索引擎就会把这张图当作检索结果返回给用户。换句话说，此时的图像搜索引擎干的事情跟普通搜索引擎差不多，匹配关键词，并将对应图片返回给用户。这种工作方式的优点是速度快，在普通搜索引擎的技术基础之上很容易改进去实现。缺点也很明显，它完全依赖于描述图片的文字（标签），如果描述图片的文字不对或者相关性不大时，搜索准确性可想而知，比如我这篇博客中如果插入一张“猫”的照片，但是整篇博客文章对“猫”只字不提，那么基于Search By Metadata的搜索引擎很难找到博客中猫的图片。 有一类图片分享网站要求用户在上传图片时，人工用几个词汇描述图片中有什么（标签），便于后面基于Metadata的搜索。当然也不排除一些基于深度学习的图片分类自动打标签的方式。 （2）Search By Example，这种方式考虑图片本身内容（图片包含物体，以及图片像素分布等等），用户输入图片，搜索引擎根据图片内容，返回与该图片相似的图片结果。这种方式相比Search By Metadata要复杂一些

一、什么是opencv？　 　　 Open Source Computer Vision Library.OpenCV于1999年由Intel建立，如今由Willow Garage提供支持。OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、MacOS操作系统上。它轻量级而且高效——由一系列 C 函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。最新版本是3.1 ，2016年1月29日发布。（引自 百度百科openCV ） 　　简言之，通过openCV可实现计算机图像、视频的编辑。广泛应用于图像识别、运动跟踪、机器视觉等领域。 二、安装 　　直接使用pip安装 pip install numpy Matplotlib #由于opencv依赖numpy pip install opencv-python #或者使用国内镜像 pip install opencv-python -i https://pypi.douban.com/simple 　安装完成之后再命令行解释器输入： import cv2 　若没有提示no module错误，则表示安装成功 测试脚本： import cv2 #导入模块，opencv的python模块叫cv2 imgobj =

戳蓝色字关注我们哟！ 对于python一直没系统学过，都是用到什么临时查一下。最近刷leetcode的时候，发现对于基本的操作还很不熟练，因此首先在网上找了个关于Numpy的小练习巩固一下。对于python操作熟练的宝宝们本次分享可能用处不大，但对于新手，应该也算是个不错的整理。（练习来源：https://github.com/nndl/exercise） 1 array的操作 本次练习的题目并不多，熟练的话半小时不到就能搞定，算是查缺补漏。array操作这部分主要为array的生成，涉及一维数组、二维数据、单位矩阵等等，还有就是array切片。练习中主要是些常用函数的汇总，个人觉得需要注意的点在代码中进行注释。 2 array的数学运算 这部分主要是array的基本运算，重点注意矩阵运算和对应位置元素运算的区别。这部分还涉及了一点点简单的二维曲线图绘制。 后台回复“Numpy”获得完整代码 往期推荐： 百度地图API调用：正逆地理编码 小案例（八）：商户信息整理(python) 图片相似度识别：pHash算法 本文分享自微信公众号 - 机器学习养成记（chenchenwings）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina

<div class="title_1">一、相关概念</div> 1. 一般我们人区分谁是谁，给物品分类，都是通过各种特征去辨别的，比如黑长直、大白腿、樱桃唇、瓜子脸。王麻子脸上有麻子，隔壁老王和儿子很像，但是儿子下巴涨了一颗痣和他妈一模一样，让你确定这是你儿子。 还有其他物品、什么桌子带腿、镜子反光能在里面倒影出东西，各种各样的特征，我们通过学习、归纳，自然而然能够很快识别分类出新物品。 而没有学习训练过的机器就没办法了。 但是图像是一个个像素点组成的，我们就可以通过不同图像之间这些差异性就判断两个图的相似度了。其中颜色特征是最常用的，（其余常用的特征还有纹理特征、形状特征和空间关系特征等） 其中又分为 直方图 颜色集 颜色矩 聚合向量 相关图 1、直方图 在Python中利用opencv中的calcHist()方法获取其直方图数据，返回的结果是一个列表，使用matplotlib，画出了这两张图的直方图数据图 import cv2 import numpy from matplotlib import pyplot if __name__ == '__main__': imgobj1 = cv2.imread('pho.jpg') imgobj2 = cv2.imread('ph1.jpg') hist1 = cv2.calcHist([imgobj1], [0], None,

【推荐阅读】微服务还能火多久？>>> 1. hash_db.h 1 #ifndef _HASH_DB_H 2 #define _HASH_DB_H 3 4 #include " slist.h " 5 6 typedef unsigned int (*hash_func_t) ( const void *key); // 哈希函数类型，返回值为整数，参数为关键字 7 struct _hash_db 8 { 9 slist_head_t *p_head; // 指向数组首地址 10 unsigned int size; // 数组成员数 11 unsigned int value_len; // 一条记录的长度 12 unsigned int key_len; // 关键字的长度 13 hash_func_t pfn_hash; // 哈希函数 14 }; 15 typedef struct _hash_db hash_db_t; // 指向哈希表对象的指针类型 16 17 int hash_db_init(hash_db_t *p_hash, // 哈希表初始化 18 unsigned int size, 19 unsigned int key_len, 20 unsigned int value_len, 21 hash_func_t pfn_hash); 22 23 int