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

http://itindex.net/detail/43544-lire-lucene-image

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。 

public interface LireFeature {    public void extract(BufferedImage bimg);    public byte[] getByteArrayRepresentation();    public void setByteArrayRepresentation(byte[] in);    public void setByteArrayRepresentation(byte[] in, int offset, int length);    public double[] getDoubleHistogram();    float getDistance(LireFeature feature);    java.lang.String getStringRepresentation();    void setStringRepresentation(java.lang.String s);}

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。 

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。

public class SimpleResult implements Comparable<SimpleResult> {    private float distance;    private Document document;    private int indexNumber = 0;   public int compareTo(SimpleResult o) {        int compareValue = (int) Math.signum(distance - ((SimpleResult) o).distance);        if (compareValue==0 && !document.equals(o.document)) {            return (int) Math.signum(indexNumber-o.indexNumber);        }        return compareValue;    }    @Override    public boolean equals(Object obj) {        // it's not the same if it's not the same class.        if (! (obj instanceof SimpleResult)) return false;        // it's the same if the document is the same, regardless of the distance.        else return (document.equals(((SimpleResult)obj).document) && indexNumber == ((SimpleResult)obj).indexNumber);    }}

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。

    protected float findSimilar(IndexReader reader, LireFeature lireFeature) throws IOException {        maxDistance = -1f;        overallMaxDistance = -1f;        // clear result set ...        docs.clear();        // Needed for check whether the document is deleted.        Bits liveDocs = MultiFields.getLiveDocs(reader);        Document d;        float tmpDistance;        int docs = reader.numDocs();        for (int i = 0; i < docs; i++) {            if (reader.hasDeletions() && !liveDocs.get(i)) continue; // if it is deleted, just ignore it.            d = reader.document(i);            tmpDistance = getDistance(d, lireFeature);            assert (tmpDistance >= 0);            // calculate the overall max distance to normalize score afterwards            if (overallMaxDistance < tmpDistance) {                overallMaxDistance = tmpDistance;            }            // if it is the first document:            if (maxDistance < 0) {                maxDistance = tmpDistance;            }            // if the array is not full yet:            if (this.docs.size() < maxHits) {                this.docs.add(new SimpleResult(tmpDistance, d, i));                if (tmpDistance > maxDistance) maxDistance = tmpDistance;            } else if (tmpDistance < maxDistance) {                // if it is nearer to the sample than at least on of the current set:                // remove the last one ...                this.docs.remove(this.docs.last());                // add the new one ...                this.docs.add(new SimpleResult(tmpDistance, d, i));                // and set our new distance border ...                maxDistance = this.docs.last().getDistance();            }        }        return maxDistance;    }

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”。

    public ImageSearchHits search(BufferedImage image, IndexReader reader) throws IOException {        logger.finer("Starting extraction.");        LireFeature lireFeature = null;        SimpleImageSearchHits searchHits = null;        try {            lireFeature = (LireFeature) descriptorClass.newInstance();            // Scaling image is especially with the correlogram features very important!            BufferedImage bimg = image;            if (Math.max(image.getHeight(), image.getWidth()) > GenericDocumentBuilder.MAX_IMAGE_DIMENSION) {                bimg = ImageUtils.scaleImage(image, GenericDocumentBuilder.MAX_IMAGE_DIMENSION);            }            lireFeature.extract(bimg);            logger.fine("Extraction from image finished");            float maxDistance = findSimilar(reader, lireFeature);            searchHits = new SimpleImageSearchHits(this.docs, maxDistance);        } catch (InstantiationException e) {            logger.log(Level.SEVERE, "Error instantiating class for generic image searcher: " + e.getMessage());        } catch (IllegalAccessException e) {            logger.log(Level.SEVERE, "Error instantiating class for generic image searcher: " + e.getMessage());        }        return searchHits;    }

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。