简介：
本文介绍了图像检索的三种实现方式，均用python完成，其中前两种基于直方图比较，哈希法基于像素分布。
检索方式是：提前导入图片库作为检索范围，给出待检索的图片，将其与图片库中的图片进行比较，得出所有相似度后进行排序，从而检索结果为相似度由高到低的图片。由于工程中还包含Qt界面类、触发函数等其他部分，在该文档中只给出关键函数的代码。
开发系统：MacOS
实现方式：Qt + Python
方法一：自定义的直方图比较算法
a) 基本思路
遍历图片像素点，提取R\G\B值并进行对应的计数，得到原始直方图，但由于0-255的范围太大，因此每一个像素值的统计量均偏小，因此分别将R\G\B的256个像素值映射到0-31共32个像素值上，将像素值范围由256*3缩小到32*3。记录像素值采用的数据结构为一维数组，第1到32个值为R的像素直方图，第33到第64个值为G的像素统计，第65到96个值为B的像素统计。得到直方图后，计算待检索图的直方图和图片库中图像的直方图之间的相似性。
b) 具体实现
- 用到的函数：
split_Img()
calc_Hist(img)
calc_Similar(h1,h2)
calc_Similar_Split(h1,h2)
- 遍历图片的像素点以计算直方图：calc_Hist(img)
尝试了两种方式，第一种是对图像遍历时逐个调用getpixel()来获取R,G,B的值，但发现这种方式的速度太慢。第二种采用的是内存读取，利用load()函数一次性读取图像的像素值，然后对像素值进行遍历，该方法的速度比逐个提取更快。
#统计直方图，用load()载入图片的像素pix，再分别读取每个像素点的R\G\B值进行统计（分别为0-255）
#将256个颜色值的统计情况投影到32个，返回R\G\B投影后的统计值数组，共32*3=96个元素
def calc_Hist(img):
'''
#120张图片，4.43s
w,h = img.size
pix = img.load() #载入图片，pix存的是像素
calcR = [0 for i in range(0,32)]
calcG = [0 for i in range(0,32)]
calcB = [0 for i in range(0,32)]
for i in range(0,w):
for j in range(0,h):
(r,g,b) = pix[i,j]
#print (r,g,b)
calcR[r/8] += 1
calcG[g/8] += 1
calcB[b/8] += 1
calcG.extend(calcB)
calcR.extend(calcG)
return calcR
'''
#120张图，3.49s
w,h = img.size
pix = img.load() #载入图片，pix存的是像素
calcR = [0 for i in range(0,256)]
calcG = [0 for i in range(0,256)]
calcB = [0 for i in range(0,256)]
for i in range(0,w):
for j in range(0,h):
(r,g,b) = pix[i,j]
#print (r,g,b)
calcR[r] += 1
calcG[g] += 1
calcB[b] += 1
calcG.extend(calcB)
calcR.extend(calcG) #256*3
#calc存放最终结果，32*3
calc = [0 for i in range(0,96)]
step = 0 #calc的下标，0~95
start = 0 #每次统计的开始位置
while step < 96:
for i in range(start,start+8): #8个值为1组，统计值相加，eg：色彩值为0~7的统计值全部转换为色彩值为0的统计值
calc[step] += calcR[i]
start = start+8
step += 1
#print calc
return calc
- 直方图比较 calc_Similar(h1,h2)
采用的公式是：
