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。

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。