朋友们，如需转载请标明出处：人工智能AI技术的博客_CSDN博客-python系列教程,人工智能,程序人生领域博主
准备工作
老样子，先来准备好我们此次需要使用到的工具：
- IDE：Pycharm
- Python：3.7
- Packages：Keras + TensorFlow + Pillow + Numpy
keras
Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。简单来说，keras就是对TF等框架的再一次封装，使得使用起来更加方便。
基于vgg16网络提取图像特征 我们都知道，vgg网络在图像领域有着广泛的应用，后续许多层次更深，网络更宽的模型都是基于此扩展的，vgg网络能很好的提取到图片的有用特征，本次实现是基于Keras实现的，提取的是最后一层卷积特征。
思路
主要思路是基于CVPR2015的论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》实现的海量数据下的基于内容图片检索系统。简单说来就是对图片数据库的每张图片抽取特征(一般形式为特征向量)，存储于数据库中，对于待检索图片，抽取同样的特征向量，然后并对该向量和数据库中向量的距离（相似度计算），找出最接近的一些特征向量，其对应的图片即为检索结果。如下图所示：
用户请求和预处理部分主要是Web服务端应该做的，这里不加以讨论，接下来我们主要进行红线标注部分的实现。
实操
提取图片特征
keras在其中文文档中提供了一个利用VGG16提取特征的demo
from keras.applications.vgg16 import VGG16 from keras.preprocessing import image from keras.applications.vgg16 import preprocess_input import numpy as np model = VGG16(weights='imagenet', include_top=False) img_path = 'elephant.jpg' img = image.load_img(img_path, target_size=(224, 224)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) x = preprocess_input(x) features = model.predict(x) 复制代码讯享网
这里我们需要对其进行简单修改，封装成一个类以便后期调用。如下图所示：
考虑到篇幅，文中代码图片已删除较多注释，如需了解详细注释信息，可在微信公众号「01二进制」后台回复「图像检索」获取源代码。下同
将特征以及对应的文件名保存为h5文件
什么是 h5 文件
h5文件是层次数据格式第5代的版本（Hierarchical Data Format，HDF5），用以存储和组织大规模数据。
H5将文件结构简化成两个主要的对象类型:
- 数据集dataset,就是同一类型数据的多维数组
- 组group,是一种容器结构,可以包含数据集和其他组,若一个文件中存放了不同种类的数据集,这些数据集的管理就用到了group
直观的理解,可以参考我们的文件系统,不同的文件存放在不同的目录下:
目录就是 hdf5 文件中的 group,描述了数据集 DataSet 的分类信息,通过 group 有效的将多种 dataset 进行管理和划分。文件就是 hdf5 文件中的 dataset，表示具体的数据
下图就是数据集和组的关系：
在 Python 中，我们通常使用 h5py 库对 .h5 文件进行操作，具体的读写方法自行百度，这里不在演示。
抽取数据集中的图像特征保存到 h5 文件中
我们在项目根目录下命名一个database文件夹作为数据集，然后编写一个获取文件夹内图片的方法：
讯享网def get_imlist(path): return [os.path.join(path, f) for f in os.listdir(path) if f.endswith('.jpg')] 复制代码
随后我们便可以依次读取数据然后，一一提取其特征保存到文件中了。如下图：
至此，我们就已经算是完成了模型的训练了。
选一张测试图片测试检索效果
经过上述操作，我们已经将数据集中的所有图片的特征保存到模型中了，剩下的就是抽取待测图片的特征，然后和特征集中的特征一一比较向量间的相似度（余弦相似度），然后按照相似度排序返回给用户即可。
Tips：各种相似度的 Python 表示可以参考Python Numpy计算各类距离
以某一个包包为测试图片，输出结果如下所示：
在PyCharm中可以很方便的查看matplotlib生成的图片，第一张为测试图片，后面三张为检索图片，可以看出效果相当好了。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/62017.html