Визуальный алгоритм поиска подобия
Все выглядит хорошо для меня,
Просто измените $(window).scroll(function () {...... на
$(document).on( 'scroll','window', function(){
//or $(document).on( 'scroll','id of div containing scroll',
var windowScroll = $(window).scrollTop();
var windowHeight = $(window).height();
var documentHeight = $(document).height();
if ((windowScroll + windowHeight) == documentHeight) {
loadFeed();
}
});
3 ответа
Все, что они делают, это сопоставление гистограмм.
Итак, постройте гистограмму для ваших изображений. Нормализовать гистограммы по размеру изображения. Гистограмма - это вектор, содержащий столько же элементов, сколько цветов. Вам не нужны 32,24 или даже 16 бит точности, и это только замедлит вас. По соображениям производительности я бы сопоставил гистограммы с 4, 8 и 10-12 битами.
- Проведите нечеткое
сравнение с наименьшим расстояниеммежду всеми 4-битными гистограммами и вашими образцами цветов. - Затем возьмите этот набор и сравните 8-битную гистограмму.
- Затем можно перейти к 10 или 12-битной гистограмме для сравнения с оставшимся набором. Это будет поиск с максимальной производительностью, поскольку вы сравниваете общий набор с очень небольшим количеством вычислений, чтобы найти небольшое подмножество.
- Затем вы работаете с небольшим подмножеством с большим количеством вычислений и т. Д.
Настоящая большая уловка - найти лучший алгоритм для сопоставления похожих гистограмм.
Начнем с расчета расстояния. В трех измерениях, я думаю, это было:
SQRT ((x1-x2) ^ 2 + (y1-y2) ^ 2 + (z1-z2) ^ 2)
Я делаю это по памяти, так что посмотрите это, чтобы убедиться.
Для ваших целей у вас будет более трех измерений, поэтому у вас будет больше терминов. 4-битная гистограмма будет иметь 16 членов, 8-битная - 256 и т. Д. Помните, что этот вид математики медленный, поэтому на самом деле не выполняйте часть
SQRT. Если вы нормализуете размер ваших изображений достаточно маленьким, скажем, до 10 000 пикселей, тогда вы знаете, что вам нужно будет сделать толькоx ^ 2для значений 0..10,0000. Предварительно вычислите таблицу поискаx ^ 2, где x идет от 0..10 000. Тогда ваши расчеты пойдут быстро.Когда вы выбираете цвет из палитры, просто создайте гистограмму с этим цветом = 10,0000. При выборе 2 сделайте гистограмму с color1 = 5000, color2 = 5000 и т. Д.
В конце вам придется добавить ложные факторы, чтобы приложение соответствовало реальному миру, но вы найдете их при тестировании.
Probably just creating a histogram of the colors used in the images, then doing a best fit to the user-selected colors.
Я бы посоветовал вам сгруппировать цвета, присутствующие в изображениях в вашей базе данных. Я имею в виду, для каждого изображения в вашей базе данных:
- собрать цвета каждого пикселя в изображении
- выполнить кластеризацию (скажем, кластеризацию k-mean с 5 кластерами) для собранных цветов
- сохранить кластеризованные цвета как репрезентативный дескриптор изображения
Когда пользователь предоставляет набор из одного или нескольких цветов запроса, вы выполняете своего рода жадное сопоставление, выбирая наилучшее соответствие между заданными цветами и цветовым дескриптором (5 репрезентативных цветов) каждого изображения в вашем база данных.
Каков размер вашей коллекции изображений, потому что в зависимости от размера некоторая поисковая индексация может быть более серьезной проблемой, чем сам алогорит?