给你10万张图片，让你找出与其中某张图片最为近似的10张，你会怎么做？不要轻言放弃，也不用一张张浏览。使用Python，你也可以轻松搞定这个任务。

识别相同或相似的图像，有什么好的方法么？

加vx：tanzhouyiwan 或qq群813622576免费领取Python学习资料一套哦！

我虽然乐于帮助读者解决问题，但实话实说，一开始不太理解这种需求。

我文章里的样例图片（哆啦a梦和瓦力），都是从网络搜集来的。如果你需要从网上找到跟某张图片近似的图像，可以使用Google的“以图搜图”功能啊。

很快，我突然醒悟过来。

这种需求，往往不是为了从互联网上大海捞针，寻找近似图片。而是在一个私有海量图片集合中，找到近似图像。

这种图片集合，也许是你团队的科研数据。例如你研究鸟类。某天浏览野外拍摄设备传回来的图像时，突然发现一个新奇品种。

你于是很想搞清楚这种鸟类的出现时间、生活状态等。这就需要从大量图片里，找到与其近似的图片（最有可能是拍到了同一种鸟）。

这种图片集合，也许是社会安全数据。例如你在反恐部门，系统突然发现某个疑似恐怖分子出现在敏感区域。这家伙每一次现身，都伴随着恶性刑事案件的发生，给人民群众的生命财产安全带来严重威胁。

这时候无论对其衣着、外貌还是交通工具的相似度搜索，就显得至关重要了。

上述例子中，因为你都没有把图像上传到互联网，Google的“以图搜图”引擎功能再强大，也无能为力。

好吧，解决这个问题，很有意义。

下一个问题自然是：这种需求，解决起来复杂吗？

是不是需要跨过很高的技术门槛才能实现？是不是需要花大量经费雇佣专家才能完成？

本文，我为你展示如何用10几行Python代码，解决这个问题。

数据

为了讲解的方便，我们依然采用《如何用Python和深度神经网络识别图像？》一文中使用过的哆啦a梦和瓦力图片集合。

我给你准备好了119张哆啦a梦的照片，和80张瓦力的照片。图片已经上传到了这个Github项目。

请点击这个链接，下载压缩包。然后在本地解压。作为咱们的演示目录。

解压后，你会看到目录下有个image文件夹，其中包含两个子目录，分别是doraemon和walle。

doraemon的目录下，都是各式各样的蓝胖子图片。

瓦力目录下的图片是这个样子的：

数据已经有了，下面我们来准备一下环境配置。

环境

本文中，我们需要使用到苹果公司的机器学习框架TuriCreate。

请注意TuriCreate发布时间不久，目前支持的操作系统列表如下：

这就意味着，如果你用的操作系统是Windows 7及以下版本，那么目前TuriCreate还不支持。如需使用，有两种办法：

第一种，请升级到Windows 10，并且使用WSL。关于如何使用WSL，我帮你找到了一个中文教程。请按照教程一步步完成安装。

第二种，采用虚拟机。推荐采用Virtualbox虚拟机，开源免费。同样地，我也帮你找到了很详尽的Virtualbox安装Ubuntu Linux的中文教程。你可以参照它安装好Linux。

解决了系统兼容性问题，下面我们在TuriCreate支持的系统中，安装Python集成运行环境Anaconda。

请到这个网址 下载最新版的Anaconda。下拉页面，找到下载位置。根据你目前使用的系统，网站会自动推荐给你适合的版本下载。我使用的是macOS，下载文件格式为pkg。

下载页面区左侧是Python 3.6版，右侧是2.7版。请选择2.7版本。

双击下载后的pkg文件，根据中文提示一步步安装即可。

装好Anaconda后，我们安装TuriCreate。

请到你的“终端”下面，进入咱们刚刚下载解压后的样例目录。

执行以下命令，我们来创建一个Anaconda虚拟环境，名字叫做turi。如果你之前跟随我在《如何用Python和深度神经网络识别图像？》一文中创立过这个虚拟环境，此处请跳过。

conda create -n turi python=2.7 anaconda

然后，我们激活turi虚拟环境。

source activate turi

在这个环境中，我们安装（或者升级到）最新版的TuriCreate。

pip install -U turicreate

安装完毕后，执行：

jupyter notebook

这样就进入到了Jupyter笔记本环境。我们新建一个Python 2笔记本。

浏览器里出现了一个空白笔记本。

点击左上角笔记本名称，修改为有意义的笔记本名“demo-python-image-similarity”。

准备工作完毕，下面我们就可以开始编写程序了。

代码

首先，我们读入TuriCreate软件包。

import turicreate as tc

我们指定图像所在的文件夹image。让TuriCreate读取所有的图像文件，并且存储到data数据框。

data  = tc.image_analysis.load_images('./image/')

我们来看看，data数据框的内容：

data

data包含两列信息，第一列是图片的地址，第二列是图片的长宽描述。

下面我们要求TuriCreate给数据框中每一行添加一个行号。这将作为图片的标记，好在后面查找图片时使用。

data = data.add_row_number()

再看看此时的data数据框内容：

data

我们来看看数据框里面的这些信息对应的图片。

data.explore()

TuriCreate会弹出一个页面，给我们展示数据框里面的内容。

把鼠标悬停在某张缩略图上面，就可以看到对应清晰大图。

第一张图片，是哆啦a梦：

第二张图片，是瓦力：

下面，是重头戏。我们让TuriCreate根据输入的图片集合，建立图像相似度判别模型。

model = tc.image_similarity.create(data)

这个语句执行起来，可能需要一些时间。如果你是第一次使用TuriCreate，它可能还需要从网上下载一些数据。请耐心等待。

Resizing images...
Performing feature extraction on resized images...
Completed 199/199

注意这里的提示，TuriCreate自动帮我们做了图片尺寸调整等预处理工作，并且对每一张图片，都做了特征提取。

经过或长或短的等待，模型已经成功建立。

下面，我们来尝试给模型一张图片，让TuriCreate帮我们从目前的图片集合里，挑出最为相似的10张来。

为了方便，我们就选择第一张图片作为查询输入。

我们利用show()函数展示一下这张图片。

tc.Image(data[0]['path']).show()

确认无误，还是那张哆啦a梦。

下面我们来查询，我们让模型寻找出与这张图片最相似的10张。

similar_images = model.query(data[0:1], k=10)

很快，系统提示我们，已经找到了。

我们把结果存储在了similar_images变量里面，下面我们来看看其中都有哪些图片。

similar_images

返回的结果一共有10行。跟我们的要求一致。

每一行数据，包含4列。分别是：

• 查询图片的标记
• 获得结果的标记
• 结果图片与查询图片的距离
• 结果图片与查询图片近似程度排序值

有了这些信息，我们就可以查看到底哪些图片与输入查询图片最为相似了。

注意其中的第一张结果图片，其实就是我们的输入图片本身。考虑它没有意义。

我们提取全部结果图片的标记（索引）值，忽略掉第一张（自身）。

similar_image_index = similar_images['reference_label'][1:]

剩余9张图片的标记都在结果中：

similar_image_index

dtype: int
Rows: 9
[194, 158, 110, 185, 5, 15, 79, 91, 53]

下面我们希望TuriCreate能够可视化帮我们展示这9张图片的内容。

我们要把上面9张图片的标记在所有图片的索引列表中过滤出来：

filtered_index = data['id'].apply(lambda x : x in similar_image_index)

看看过滤后的索引结果：

filtered_index

dtype: int
Rows: 199
[0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, ... ]

你可以自己数一数，其中标为1的那些图片位置，和我们存储在similar_image_index中的数字是否一致。

验证完毕以后，请执行以下语句。我们再次调用TuriCreate的explore()函数，展现相似度查询结果图片。

data[filtered_index].explore()

系统会弹出以下对话框：

我们可以看到，全部查询结果图片中，只出现了哆啦a梦。瓦力的图片，一张都没有出现。

近似图片查找成功！

随着本文操作样例数据后，你不妨换用自己的数据，来动手尝试一番。

原理

展示了如何用10几行Python代码帮你查找相似图形后，我们来聊聊这种强大、简洁背后的原理。

如果你对原理不感兴趣，请跳过这一部分，看“小结”。

虽然我们刚刚只是用了一条语句构建模型：

model = tc.image_similarity.create(data)

然而实际上，TuriCreate在后台为我们做了很多事情。

首先，它调用了一个非常复杂的，在庞大数据集上训练好的模型。

《如何用Python和深度神经网络识别图像？》一文中，我们介绍过，这个模型就是上图中的最后一行。它的名字叫做Resnet-50，足足有50层，训练的图片数以百万计，训练时长也很久。

这里，机智的你一定会问个问题：那些数以百万计的预训练图片里面，是否有哆啦a梦和瓦力呢？

没有。

那就怪了，不是吗？

如果这个复杂的模型之前根本就没有见过哆啦a梦和瓦力，那它怎么知道如何区分它们呢？又怎么能够判别两张哆啦a梦之间的差别，就一定比哆啦a梦和瓦力之间更小呢？

《如何用Python和深度神经网络识别图像？》一文里，我已经提示给你一个关键词：迁移学习（transfer learning）。

这里咱们就不深入技术细节了。我只给你在概念层次讲解一下。

还记得这张描述计算机视觉（卷积神经网络）的示意图吗？

在全连接层（Fully Connected Layer）之前，你可能进行了多次的卷积、抽样、卷积、抽样……这些中间层次，帮我们描绘了图片的一些基本特征，例如边缘大概是个什么形状，某个区块主要的颜色是哪些等。

到了全连接层，你只剩下了一组数据，这组数据可能很长，它抽取了你输入数据的全部特征。

如果你的输入是一只猫，此时的全连接层里就描述了这只猫的各种信息，例如毛发颜色、面部组成部分排列方式、边缘的形状……

这个模型可以帮你提取猫的特征，但它并不知道“猫”的概念是什么。

你自然可以用它帮你提取一条狗的特征。

同理，哆啦a梦的照片，与猫咪的照片一样，都是二维图片，都是用不同颜色分层。

那用其他图片训练的模型，能否提取哆啦a梦照片里的特征呢？

当然也可以！

使用迁移学习的关键，在于冻结中间过程的全部训练结果，直接把一幅图，利用在其他图片集合上训练的模型，转化为一个特征描述结果。

后面的工作，只把这个最后的特征描述（全连接层），用来处理分类和相似度计算。

前面的好几十层参数迭代训练，统统都被省却了。

难怪可以利用这么小的数据集获得如此高的准确度；也难怪可以在这么短的时间里，就获得整合后的模型结果。

把在某种任务上积累下的经验与认知，迁移到另一种近似的新任务上，这种能力就叫做迁移学习。

比起机器来，人的迁移学习能力更为强大。

雨果奖作者郝景芳在最近的一篇文章里，描述了人的这种强大学习能力：

小孩子可以快速学习，进行小数据学习，而且可以得到「类」的概念。小孩子轻易分得清「鸭子」这个概念，和每一只具体不同的鸭子，有什么不同。前者是抽象的「类」，后者是具体的东西。小孩子不需要看多少张鸭子的照片，就能得到「鸭子」这个抽象「类」的概念。

用成语来描述，大概就是“触类旁通”吧。

如果人类不善于迁移学习，把生活中的所有事物，全都当成新的东西从头学起，那后果简直不堪设想。对比我们一生中所能处理的信息总量，这种认知负荷将是无法承受的。

回到我们的问题里，如果模型可以帮我们把每一张图片，都变成全连接层上的那一长串数字（特征），那么我们分辨这些图片的相似程度，就变得太简单了。因为这变成了一个简单的空间向量距离问题。

处理这种简单的数值计算，我们人类可能觉得很繁琐。但是计算机算起来，那就很欢快了。

根据距离大小排序，找出其中最小的几个向量，它们描述的图片，就被模型判定为相似度最高的。

加vx：tanzhouyiwan 或qq群813622576免费领取Python学习资料一套哦！