自制AI图像搜索引擎

图像搜索引擎有两种实现方式—基于图像上下文文本特征的方式和基于图像视觉内容特征的方式。本书所指的图像搜索引擎是基于内容特征的图像检索，也就是通常所说的“以图搜图”来检索相似图片。本书主要讲解了搜索引擎技术的发展脉络、文本搜索引擎的基本原理和搜索引擎的一般结构，详细讲述了图像搜索引擎各主要组成部分的原理和实现，并构建了一个基于深度学习的Web图像搜索引擎。

明恒毅，软件工程师。长期从事信息系统的设计、开发、管理、运维工作，擅长图像处理、图像检索、搜索引擎、深度学习等领域的理论与技术应用实践，热衷于研究前沿软件技术及思想。曾在其主持研发的视频监控检索系统、融合通信智能应答系统等项目中积极运用AI技术，并取得了良好的效果。

本书首先会介绍图像搜索引擎的相关理论和实现方法，结合具体的Java代码实例解释理论，展示了从文本搜索演进到图像搜索的技术路径。本书最后会带领读者逐步实现一个AI图像搜索引擎，使读者不仅理解相关理论，而且具备实际的开发能力。

第 1章 从文本搜索到图像搜索 1
1．1　文本搜索引擎的发展　1
1．2　文本搜索引擎的结构与实现　2
1．2．1　文本预处理　3
1．2．2　建立索引　5
1．2．3　对索引进行搜索　7
1．3　搜索引擎的一般结构　10
1．4　从文本到图像　10
1．5　现有图像搜索引擎介绍　12
1．5．1　Google图像搜索引擎　12
1．5．2　百度图像搜索引擎　13
1．5．3　TinEye图像搜索引擎　14
1．5．4　淘宝图像搜索引擎　15
1．6　本章小结　16
第　2章 传统图像特征提取　17
2．1　人类怎样获取和理解一幅图像　17
2．2　计算机怎样获取和表示一幅图像　18
2．2．1　采样　18
2．2．2　量化　19
2．2．3　数字图像的存储　19
2．2．4　常用的位图格式　20
2．2．5　色彩空间　20
2．2．6　图像基本操作　21
2．3　图像特征的分类　29
2．4　全局特征　30
2．4．1　颜色特征　30
2．4．2　纹理特征　41
2．4．3　形状特征　67
2．5　局部特征　82
2．5．1　SIFT描述符　82
2．5．2　SURF描述符　86
2．6　本章小结　88
第3章　深度学习图像特征提取　89
3．1　深度学习　89
3．1．1　神经网络的发展　89
3．1．2　深度神经网络的突破　92
3．1．3　主要的深度神经网络模型　95
3．2　深度学习应用框架　97
3．2．1　TensorFlow　97
3．2．2　Torch　98
3．2．3　Caffe　98
3．2．4　Theano　98
3．2．5　Keras　99
3．2．6　DeepLearning4J　99
3．3　卷积神经网络　99
3．3．1　卷积　99
3．3．2　卷积神经网络概述　103
3．3．3　经典卷积神经网络结构　110
3．3．4　使用卷积神经网络提取图像特征　130
3．3．5　使用迁移学习和微调技术进一步提升提取特征的精度　134
3．4　本章小结　141
第4章　图像特征索引与检索　142
4．1　图像特征降维　142
4．1．1　主成分分析算法降维　142
4．1．2　深度自动编码器降维　150
4．2　图像特征标准化　153
4．2．1　离差标准化　153
4．2．2　标准差标准化　153
4．3　图像特征相似度的度量　154
4．3．1　欧氏距离　154
4．3．2　曼哈顿距离　155
4．3．3　海明距离　155
4．3．4　余弦相似度　155
4．3．5　杰卡德相似度　156
4．4　图像特征索引与检索　157
4．4．1　从最近邻（NN）到K最近邻（KNN）　157
4．4．2　索引构建与检索　158
4．5　本章小结　173
第5章　构建一个基于深度学习的Web图像搜索引擎　174
5．1　架构分析与技术路线　174
5．1．1　架构分析　174
5．1．2　技术路线　175
5．2　程序实现　175
5．2．1　开发环境搭建　175
5．2．2　项目实现　176
5．3　优化策略　204
5．4　本章小结　205