LIRE(LuceneImageRetrieval)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 {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;}@Overridepublic boolean equals(Object obj) {// it&＃39;s not the same if it&＃39;s not the same class.if (! (obj instanceof SimpleResult)) return false;// it&＃39;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 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 = 0);// calculate the overall max distance to normalize score afterwardsif (overallMaxDistance maxDistance) maxDistance = tmpDistance;} else if (tmpDistance
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 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。