ほぼ重複する画像の検出[終了]

与えられた画像のセットを互いに類似度で並べ替えるにはどうすればよいですか。

現時点では、2つの画像間のヒストグラム分析を行うシステムを持っていますが、これは非常にコストのかかる操作であり、やり過ぎに思われます。

最適には、各画像にスコア（たとえば、RGB平均などの整数スコア）を与えるアルゴリズムを探しており、そのスコアで並べ替えることができます。同一のスコアまたは隣同士のスコアは重複の可能性があります。

0299393
0599483
0499994 <- possible dupe
0499999 <- possible dupe
1002039
4995994
6004994 

画像あたりのRGB平均は最低ですが、同様のものはありますか？

画像検索と類似性の測定については多くの研究が行われてきました。それは簡単な問題ではありません。一般に、1つのint画像だけでは画像が非常に似ているかどうかを判断するには不十分です。偽陽性率が高くなります。

ただし、多くの調査が行われているため、その一部をご覧になることもできます。たとえば、このペーパー（PDF）は、多くのデータを保存せずに重複画像をすばやく見つけるのに適したコンパクトな画像指紋アルゴリズムを提供します。堅牢なものが必要な場合は、これが正しいアプローチのようです。

もっと簡単な、しかしもっと特別なものを探しているなら、このSOの質問にはいくつかのまともなアイデアがあります。

RGBヒストグラムだけを使用しないことを検討することをお勧めします。

画像の2次元ハールウェーブレットを取得し（これは実際よりもはるかに簡単で、平均化が多く、係数の重み付けに平方根を使用しています）、kの最大値を保持すると、画像のより良いダイジェストを取得できます。ウェーブレットの重み付き係数をスパースベクトルとして正規化し、保存してサイズを小さくします。重要度を下げてクロミナンス情報をサンプリングできるように、少なくとも事前に知覚重みを使用してRGとBを再スケーリングするか、YIQ（またはYCoCg、量子化ノイズを回避する）に切り替えることをお勧めします。

これで、これらのスパース正規化ベクトルの2つのドット積を類似性の尺度として使用できます。最大のドット積を持つ画像ペアは、構造が非常に似ています。これには、サイズ変更、色相のシフト、透かしへの耐性があり、実装が簡単でコンパクトになるという利点があります。

kを増減することで、ストレージと精度をトレードオフできます。

単一の数値スコアによるソートは、この種の分類問題にとって扱いにくいものになります。あなたがそれについて考えるならば、それは画像が1つの軸に沿ってのみ「変化」することができることを必要とするでしょう、しかしそれらはそうではありません。これが特徴のベクトルが必要な理由です。ハールウェーブレットの場合、画像内で最も鋭い不連続が発生するおおよその場所です。画像間の距離はペアで計算できますが、距離の測定基準しか得られないため、線形順序付けでは3つの画像の「三角形」をすべて均等に表現する方法がありません。（つまり、すべて緑の画像、すべて赤の画像、すべて青の画像を考えてください。）

つまり、問題の実際の解決策では、イメージの数にO（n ^ 2）演算が必要になります。一方、メジャーを線形化することが可能であった場合、O（n log n）、またはメジャーがたとえば基数ソートに適している場合はO（n）のみを必要とする可能性があります。そうは言っても、実際にはセット全体をふるいにかける必要がないため、O（n ^ 2）を費やす必要はありません。あるしきい値よりも近いものを見つける必要があるだけです。したがって、スパースベクトル空間を分割するいくつかの手法のいずれかを適用することにより、すべての画像をすべての画像に対して単純に比較するよりも、「特定のしきい値よりも類似している画像のkを見つける」問題のはるかに速い漸近法を得ることができます。おそらく必要です...正確に要求されたものではないにしても。

いずれにしても、私が数年前に保存していたさまざまなテクスチャの数を最小限に抑えようとするときに個人的にこれを有効に使用しましたが、このスペースには多くの研究ノイズがあり、その効果を示しています（この場合はそれをヒストグラム分類のより洗練された形式に変換します）：

http://www.cs.princeton.edu/cass/papers/spam_ceas07.pdf

検出の精度を高める必要がある場合は、minHashおよびtf-idfアルゴリズムをHaarウェーブレット（またはヒストグラム）と共に使用して、編集をより堅牢に処理できます。

http://cmp.felk.cvut.cz/~chum/papers/chum_bmvc08.pdf

最後に、スタンフォードは、この種のアプローチのよりエキゾチックな変形に基づく画像検索を備えています。ウェーブレットからより多くの特徴抽出を行って、回転または拡大縮小された画像のセクションなどを見つけることに基づいていますが、これはおそらく作業量をはるかに超えています。したいと思います。

http://wang14.ist.psu.edu/cgi-bin/zwang/regionsearch_show.cgi

私はこれに非常に信頼できるアルゴリズムを実装しました。これはFast Multiresolution Image Queryingと呼ばれています。そのための私の（古代の、メンテナンスされていない）コードはここにあります。

Fast Multiresolution Image Queryingが行うのは、YIQ色空間に基づいて画像を3つの部分に分割することです（RGBよりもマッチングの違いに適しています）。次に、各カラースペースからの最も顕著な特徴のみが利用可能になるまで、ウェーブレットアルゴリズムを使用して画像を本質的に圧縮します。これらのポイントはデータ構造に保存されます。クエリ画像は同じプロセスを経て、クエリ画像の顕著な特徴が保存されたデータベースの特徴と照合されます。一致が多いほど、画像が類似している可能性が高くなります。

このアルゴリズムは、「スケッチによるクエリ」機能によく使用されます。私のソフトウェアでは、URL経由でのクエリ画像の入力しか許可されていなかったため、ユーザーインターフェイスはありませんでした。ただし、サムネイルをその画像の大きなバージョンに一致させると、非常にうまく機能することがわかりました。

さらに多くの印象的な、私のソフトウェアよりもretrievrあなたがソースとしてFlickrの画像を使用してFMIQアルゴリズムを試してみることができます。とてもかっこいい！スケッチやソース画像を使って試してみてください。うまくいくことがわかります。

画像には多くの特徴があるため、平均的な明るさのように1つに絞り込まない限り、n次元の問題空間を扱っています。

世界の都市に単一の整数を割り当てるように依頼した場合、どの都市が近いかがわかるので、結果は素晴らしいものではありません。たとえば、単一の整数としてタイムゾーンを選択すると、特定の都市で良い結果が得られます。ただし、北極の近くの都市と南極の近くの別の都市は、惑星の両端にある場合でも、同じタイムゾーンにある可能性があります。2つの整数の使用を許可すると、緯度と経度で非常に良い結果を得ることができます。問題は画像の類似性についても同じです。

そうは言っても、類似した画像を一緒にクラスター化しようとするアルゴリズムがあります。これは、実際に求めていることです。これは、Picasaで顔検出を行うとどうなるかです。顔を特定する前であっても、類似した顔をクラスタリングするので、類似した顔のセットを簡単に調べて、ほとんどの顔に同じ名前を付けることができます。

また、主成分分析と呼ばれる手法もあり、n次元データをより少ない次元数に減らすことができます。したがって、n個の特徴を持つ画像を1つの特徴に減らすことができます。ただし、これはまだ画像を比較するための最良の方法ではありません。

Cライブラリ（ "libphash"-http : //phash.org/ ）があり、画像の「知覚的ハッシュ」を計算し、ハッシュを比較することで類似した画像を検出できます（各画像を比較する必要はありません）他のすべての画像に対して直接）ですが、残念ながら、私が試したときはあまり正確ではなかったようです。

「似ている」とは何かを決める必要があります。コントラスト？色相？

画像は同じ画像を上下逆に「類似」していますか？

画像を4x4の部分に分割し、各グリッドセルの平均色を取得することで、多くの「近い呼び出し」を見つけることができると思います。画像ごとに16のスコアがあります。類似性を判断するには、画像間の差の二乗和を計算します。

色相、明るさ、コントラストなどの単一の概念に反しない限り、単一のハッシュは意味がないと思います。

ここにあなたのアイデアがあります：

0299393
0599483
0499994 <- possible dupe
0499999 <- possible dupe
1002039
4995994
6004994

まず最初に、これらはR *（2 ^ 16）+ G *（2 ^ 8）+ Bなどの10進数であると想定します。赤は過度に重み付けされているので、明らかにそれは良くありません。

HSV空間に移動することをお勧めします。あなたは可能性がHSVのビットを広げハッシュに、またはあなただけ個別にHまたはSまたはVを解決することができ、またはあなたがイメージごとに3つのハッシュを持つことができます。

もう一つ。R、G、Bの重み付けを行う場合は、人間の視覚感度に合わせて、緑を最も高く、次に赤、次に青を重み付けします。

Webサービスの時代には、http：//tineye.comを試すことができます

質問似た画像を識別するための良い方法はありますか？あなたの質問に対する解決策を提供するようです。

他の重複画像検索ソフトウェアが画像にFFTを実行し、異なる周波数の値をベクトルとして保存すると想定しました。

Image1 = (u1, u2, u3, ..., un)
Image2 = (v1, v2, v3, ..., vn)

次に、2つの画像の重みベクトル間の距離を計算することにより、2つの画像が等しいかどうかを比較できます。

distance = Sqrt(
     (u1-v1)^2 +
     (u2-v2)^2 +
     (u2-v3)^2 +
     ...
     (un-vn)^2);

1つの解決策は、バブルソートを実行するために必要な画像のすべてのペアに対してRMS / RSS比較を実行することです。次に、各画像に対してFFTを実行し、軸の平均化を行って、並べ替えのインデックスとして使用する各画像の単一の整数を取得します。無視するように選択した差異の小ささと必要なスピードアップに応じて、オリジナルのサイズ変更（25％、10％）バージョンで比較を行うことを検討できます。これらの解決策が興味深いかどうか教えてください。議論したり、サンプルコードを提供したりできます。

ほぼ重複する画像の検出を検出するための最新のアプローチでは、興味深い点の検出と、そのような点の周囲の領域を記述する記述子を使用します。多くの場合、SIFTが使用されます。次に、記述子を量子化し、クラスターを視覚的な単語ボキャブラリーとして使用できます。

したがって、これらの画像のすべての視覚的単語に対する2つの画像の一般的な視覚的単語の比率を見れば、画像間の類似性を推定できます。興味深い記事がたくさんあります。それらの1つは、 ほぼ重複する画像の検出です：minHashおよびtf-idf重み付け

：IMMI拡張とIMMIを使用してたとえば、あなたは、画像間の類似性を測定するためにどのように多くの異なる方法を調べることができます http://spl.utko.feec.vutbr.cz/en/component/content/article/46-image-processing-extension-をfor-rapidminer-5

いくつかのしきい値を定義し、いくつかの方法を選択することにより、類似性を測定できます。