LIRE(Lucene Image Retrieval)

 

LIRE(Lucene Image Retrieval)相似图像索引和搜索机制

众说周知，lucene是一个开源的强大的索引工具，但是它仅限于文本索引。基于内容的图像检索(CBIR)要求我们利用图像的一些基本特征（如颜色纹理形状以及sift,surf等等）搜索相似的图片，LIRE(Lucene Image Retrieval)是一款基于lucene的图像特征索引工具，它能帮助我们方便的对图像特征建立索引和搜索，作者也在不断加入新的特征供用户使用。如果你熟悉lucene，那么用LIRE提取特征建立索引是非常方便的。

LIRE官网：http://www.semanticmetadata.net/lire/

包和源码：http://code.google.com/p/lire/

基本使用示例：http://www.semanticmetadata.net/wiki/doku.php?id=start

API：http://www.itec.uni-klu.ac.at/lire/nightly/api/index.html

本文不讨论API的调用方法，我粗略的读了下lire的源码，在这里对它的机制做个简单的说明。

LireFeature是图像特征的接口，具体的特征提取，距离计算，表示都有各自实现的类。值得一提的是，LIRE的作者实现了非常多的特征提取方法，而且都是java实现的，也没有借助opencv等工具，在此之前我能看到的sift特征提取都是c或者c++实现的。

[java] view plaincopy

1. public interface LireFeature {  
2.     public void extract(BufferedImage bimg);  
3.   
4.     public byte[] getByteArrayRepresentation();  
5.   
6.     public void setByteArrayRepresentation(byte[] in);  
7.   
8.     public void setByteArrayRepresentation(byte[] in, int offset, int length);  
9.   
10.     public double[] getDoubleHistogram();  
11.   
12.     float getDistance(LireFeature feature);  
13.   
14.     java.lang.String getStringRepresentation();  
15.   
16.     void setStringRepresentation(java.lang.String s);  
17. }  

DocumentBuilder是建立Document的接口类，Document就是lucene中的文档，它建立的文档包含了图像的某个特征和图像的标识字符串两个Field。

[java] view plaincopy

1. public Document createDocument(BufferedImage image, String identifier) throws FileNotFoundException;  

ChainedDocumentBuilder可以建立将多个特征综合起来的文档。

DocumentBuilderFactory是DocumentBuilder的工厂类，由它初始化各个特征的DocumentBuilder。

通过调用createDocument就能返回每个图像对应特征和标识的文档，用lucene的IndexWriter就能将它写入索引文件。

SimpleResult是单个搜索的结果，它包含3个成员变量，分别是距离（相似度），文档和索引号。它实现了Comparable接口，排序的方法是按照相似度的由高到底排序，如果相似度一样，就按照索引号在前的排在前面。

[java] view plaincopy

1. public class SimpleResult implements Comparable<SimpleResult> {  
2.     private float distance;  
3.     private Document document;  
4.     private int indexNumber = 0;  
5.   
6.    public int compareTo(SimpleResult o) {  
7.         int compareValue = (int) Math.signum(distance - ((SimpleResult) o).distance);  
8.         if (compareValue==0 && !document.equals(o.document)) {  
9.             return (int) Math.signum(indexNumber-o.indexNumber);  
10.         }  
11.         return compareValue;  
12.     }  
13.   
14.     @Override  
15.     public boolean equals(Object obj) {  
16.         // it's not the same if it's not the same class.  
17.         if (! (obj instanceof SimpleResult)) return false;  
18.         // it's the same if the document is the same, regardless of the distance.  
19.         else return (document.equals(((SimpleResult)obj).document) && indexNumber == ((SimpleResult)obj).indexNumber);  
20.     }  
21. }  

ImageSearcherFactory是搜索的工厂类，由它初始化各个特征的搜索类。

这里主要讲一下GenericFastImageSearcher类，很多特征都能通过它来搜索，它的成员变量maxHits为搜索结果的个数，TreeSet<SimpleResult> docs是排序的搜索结果，float maxDistance搜索结果中的最大距离。

[java] view plaincopy

1. protected float findSimilar(IndexReader reader, LireFeature lireFeature) throws IOException {  
2.     maxDistance = -1f;  
3.     overallMaxDistance = -1f;  
4.   
5.     // clear result set ...  
6.     docs.clear();  
7.     // Needed for check whether the document is deleted.  
8.     Bits liveDocs = MultiFields.getLiveDocs(reader);  
9.     Document d;  
10.     float tmpDistance;  
11.     int docs = reader.numDocs();  
12.     for (int i = 0; i < docs; i++) {  
13.         if (reader.hasDeletions() && !liveDocs.get(i)) continue; // if it is deleted, just ignore it.  
14.   
15.         d = reader.document(i);  
16.         tmpDistance = getDistance(d, lireFeature);  
17.         assert (tmpDistance >= 0);  
18.         // calculate the overall max distance to normalize score afterwards  
19.         if (overallMaxDistance < tmpDistance) {  
20.             overallMaxDistance = tmpDistance;  
21.         }  
22.         // if it is the first document:  
23.         if (maxDistance < 0) {  
24.             maxDistance = tmpDistance;  
25.         }  
26.         // if the array is not full yet:  
27.         if (this.docs.size() < maxHits) {  
28.             this.docs.add(new SimpleResult(tmpDistance, d, i));  
29.             if (tmpDistance > maxDistance) maxDistance = tmpDistance;  
30.         } else if (tmpDistance < maxDistance) {  
31.             // if it is nearer to the sample than at least on of the current set:  
32.             // remove the last one ...  
33.             this.docs.remove(this.docs.last());  
34.             // add the new one ...  
35.             this.docs.add(new SimpleResult(tmpDistance, d, i));  
36.             // and set our new distance border ...  
37.             maxDistance = this.docs.last().getDistance();  
38.         }  
39.     }  
40.     return maxDistance;  
41. }  

从它的findSimilar方法可以看出，它的实现是线性检索的，也就是从头到尾遍历所有文档，并且维护一个maxHits大小的TreeSet，TreeSet里面放的是距离最小的maxHits个搜索结果。如果有不理解此过程的童鞋，可以参考一下“TOP N搜索算法”。

[java] view plaincopy

1. public ImageSearchHits search(BufferedImage image, IndexReader reader) throws IOException {  
2.     logger.finer("Starting extraction.");  
3.     LireFeature lireFeature = null;  
4.     SimpleImageSearchHits searchHits = null;  
5.     try {  
6.         lireFeature = (LireFeature) descriptorClass.newInstance();  
7.         // Scaling image is especially with the correlogram features very important!  
8.         BufferedImage bimg = image;  
9.         if (Math.max(image.getHeight(), image.getWidth()) > GenericDocumentBuilder.MAX_IMAGE_DIMENSION) {  
10.             bimg = ImageUtils.scaleImage(image, GenericDocumentBuilder.MAX_IMAGE_DIMENSION);  
11.         }  
12.         lireFeature.extract(bimg);  
13.         logger.fine("Extraction from image finished");  
14.   
15.         float maxDistance = findSimilar(reader, lireFeature);  
16.         searchHits = new SimpleImageSearchHits(this.docs, maxDistance);  
17.     } catch (InstantiationException e) {  
18.         logger.log(Level.SEVERE, "Error instantiating class for generic image searcher: " + e.getMessage());  
19.     } catch (IllegalAccessException e) {  
20.         logger.log(Level.SEVERE, "Error instantiating class for generic image searcher: " + e.getMessage());  
21.     }  
22.     return searchHits;  
23. }  

search方法返回的是ImageSearchHits，它就是ArrayList<SimpleResult> results;并且利用findSimilar遍历时最大的distance做了个归一化操作， result.setDistance(1f - result.getDistance() / maxDistance);作用就是将距离变成了相似度（0到1），并且数值越大就越相似。

以上就是我粗略看的一些部分，可以看出lire的搜索过程其实是线性搜索的，由于具体的特征表示没来的及看，不知道它到底有没有利用lucene的倒排优势（对于高维数据还真不知道怎么利用倒排表）。对于大规模的数据速度估计够呛，好在lire的作者也意识到了这一点，http://www.semanticmetadata.net/2013/03/20/large-image-data-sets-with-lire-some-new-numbers/作者表示正在把LSH算法（Locality sensitive hashing）集成进去，LSH对于这种高维数据的相似检索速度可以说是质的飞跃。

自己做的一些实验，大概13万张图片，用的CEDD特征，索引文件只用了不到30M的大小，检索速度没测，目测1秒以内。

左上第一张图片就是输入图片。