java在大图片中找下小图片位置

1.转换成分类问题，一张图片一个类，比如库里有1w张图片，就做1w二分类，分类结果作为相似度得分；缺点：（1）类别过多，在线负担重（2）训练样本收集成本太高

2.计算两张图片的损失，但是图形位置不同，即使一样损失也很大；可以把图像重心移动到同一个位置，消除位置不一致。缺点：一模一样的可以找出，相似的不一定找出，解决方案还是计算距离

3.用对应位置像素差距离，最大的问题就是容易被扰动

  （1）扰动：图像位置偏差，多余像素点，书写风格

  （2）把图像用靠谱的方法进行有损压缩，压缩的结果里面的噪声应该会大大减少；但是有损压缩会尽量留住最重要的轮廓信息，损失那些噪声信息

  （3）encoder进行信息损失的时候，会尽量留下关键信息（字符的骨架），decoder尽量学习怎么从骨架进行还原（有损恢复）

 

4.记住：关键信息看整体，而不是看单个，具体是自身和其他最具区分能力的信息

5.计算图像之间的相似度：

1. 防止噪声，包括污染的像素点，图像的变形
2. 避免硬匹配

6.做项目的图像需求：查找类似的图片，相似；去重复，防抄袭，相同

7.以前图像的方法：统计每一个小区域的几何特征，有多少个圆弧，有多少条直线

1. 最大问题就是需要很强的领域知识，不同领域换不用的方法，差异很大
2. 最大的惊喜：特征自动学习，深度学习也叫自动特征提取器（书法，风格）

8.编码：

1. 通信领域：信号无损传递，在传递过程中能够抵抗噪声干扰 信号可以理解成几乎没有噪声的信号  奇偶校验编码只和自身有关
2. 机器学习领域：编码是有损编码，希望通过编码对特征进行提取，消除信息量少的东西，原因：信号本身有噪声编码需要考虑全局信息 （要求有一定的数据量，并且数据变化时，需要适时重新编码）

9.项目收获：a理解需求  b编码角度思考问题  c考虑长期更新的问题

10.拓展：

1. 以图搜图：需要重视准确率
2. 公安找嫌疑犯：需要重视召回率，

11.降维：特征维度低，每个图像在各个特征上都有取值；升维：特征维度高，但是每个图像智能选择最重要的特征进行拓展

12.图片特征的正排索引：

import keras
from keras.models import Model
from keras.layers import Input,Dense,Lambda
from keras import backend as K
from keras import regularizers
import numpy as np
from PIL import Image
import random
import scipy.misc
def convert(x,width,height):
	img = x.reshape(width,height)
	img=np.floor(255*img)
	img.dtype="int32"
	return img
	

def read_data(path):
	with open(path) as f :
		lines=f.readlines()#[0:100]
	lines=[eval（line.strip()) for line in lines]
	random.shuffle(lines)
	X,_=zip(*lines)
	t=int(0.98*len(lines))
	x_train=np.array(X[0:t])
	x_test=np.array(X[t:])
	return x_train,x_test

def get_model():
	input_img = Input(shape=(28*28,))
	encoded = Dense(100, activation='relu')(input_img)
	decoded = Dense(784, activation='sigmoid')(encoded)
	autoencoder = Model(inputs=input_img, outputs=decoded)
	encoder = Model(inputs=input_img, outputs=encoded)
	autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
	return autoencoder,encoder

x_train,x_test=read_data("../img_data")
x_train = x_train.astype('float32')/255.0
x_train_nosiy = x_train + 0.3 * np.random.normal(loc=0., scale=1., size=x_train.shape)
x_test = x_test.astype('float32')/255.0
x_train = x_train.reshape(x_train.shape[0], -1)
x_train_nosiy = x_train.reshape(x_train.shape[0], -1)
x_test = x_test.reshape(x_test.shape[0], -1)
#print x_train.shape
model1,encoder1=get_model()
model2,encoder2=get_model()
epochs=50
# train without noise
model1.fit(x_train, x_train, epochs=epochs, batch_size=128)
# train with noise
model2.fit(x_train_nosiy, x_train, epochs=epochs, batch_size=128)
x_test1=model1.predict(x_test)
x_test2=model2.predict(x_test)
i=0
for x,x1,x2 in zip(x_test,x_test1,x_test2):
	x=convert(x,28,28)
	x1=convert(x1,28,28)
	x2=convert(x2,28,28)
	scipy.misc.imageio.imwrite("result/{}-0.png".format(i),x) #原
	scipy.misc.imageio.imwrite("result/{}-1.png".format(i),x1)#压缩
	scipy.misc.imageio.imwrite("result/{}-2.png".format(i),x2)#噪声
	i+=1
encoder2.save("../search_img_project/img_model.h5")