Поиск по сходству фото: Поиск похожего изображения — Картинки. Справка

Сервис для поиска похожих людей / Хабр

Представьте себе ситуацию. Вы увидели где-то в Интернете некую барышню, и она вам очень понравилась. Если говорить точнее — вообще-то, вам понравилась её внешность: как минимум, вы не знаете её запах, поэтому ничего не знаете об её MHC — а с биологической точки зрения это ох как важно (вот ещё видео). Да и, скажем прямо, помимо внешности и MHC будут и другие критерии, которые в итоге определят, насколько вам она действительно нужна. И тем не менее, внешность показалась вам не просто хорошей, а идеальной — возможно, вы даже когда-то уже видели какую-то барышню, похожую на эту, и уже испытали тогда примерно те же чувства.

В общем, как бы то ни было, внешность вам очень понравилась, но конкретно эта девушка вам почему-то не подходит. Может, она суперзвезда, и вы ей не слишком интересны, может быть, она замужем, а может быть вы просто не хотите пока переезжать туда, где она живёт (мало ли). И вы задаётесь вопросом — а единственная ли она из тех, кто сочетает все те 512 критериев внешности, которые вы рассматриваете как идеальные.

Вообще-то, наверно, нет — вы ведь уже видели такую девушку раньше, помните? Но стоп, а с ней-то вы вообще не знакомы (может быть, вы видели её в метро или на улице, но почему-то так и не познакомились с ней).

А что, если бы существовал такой сайт? Вы находите там человека (это ведь необязательно должна быть девушка), и смотрите, каких ещё людей этот сайт считает похожими на него. Как он это решает? Мне кажется, тут стоит делать два слоя — один автоматический, а второй пользовательский. С автоматическим всё понятно — тут включаются технологии распознавания лиц. Мы, в принципе, можем с некоторой точностью выделить людей, черты лица которых имеют определённое сходство (похожие брови, похожие губы, похожий цвет глаз). В каком-то виде это уже реализовано, например, есть сайт PicTriev (ищет фотографии, на которых есть люди с похожими лицами), и ещё есть сайт для поиска знаменитостей, похожих на человека. И всё же у такого подхода есть очевидные недостатки — этот метод довольно неточный, и он будет (по крайней мере пока что) давать большое количество как false positives, так и false negatives (ошибки первого и второго рода — то есть, даже при наличии правильных результатов, лица всё равно часто будут ложно определяться как похожие, и ложно определяться как непохожие). Кроме того, у человека есть не только черты лица. У него есть волосы (у них есть цвет, они у некоторых вьются, и так далее), есть причёска, которую он чаще всего носит (во многих случаях), есть фигура (это очень важный критерий, на самом-то деле), и ещё много чего. Именно поэтому я думаю, что, помимо автоматического подбора похожих людей для каждого имеющегося в базе данных человека, должен быть и подбор на основе данных, получаемых от пользователей.

Например, у вас есть подруга. Вы знакомы с ней уже много лет, и прекрасно помните её внешность. И тут вдруг вы видите где-то в социальной сети девушку, которая внешне — один в один с ней. И тогда вы можете зайти на этот сайт и добавить связь. Если ваша подруга уже есть на сайте, то вы заходите на её страницу, и добавляете её там. Если её на сайте нет, то вы можете добавить на сайт её страницу, просто загрузив её фотографию. Вы также можете указать имя, адреса в социальных сетях и прочее — если хотите. А можете указать потом. Или это может сделать кто-то другой (в том числе сама девушка).

Вероятно, доступ к редактированию страниц людей стоит делать для всех, потому что далеко не все станут сами регистрироваться на сайте, загружать фотографию и указывать о себе данные. Но, конечно, тут нужно поступать аккуратно с точки зрения соблюдения чужого права на частную жизнь — разумеется, если кто-то видит на сайте свою страницу, и хочет не отредактировать (потому что предыдущие версии всё равно останутся в истории правок), а вообще удалить её с сайта, то такая возможность тоже должна быть, иначе это получается неуважительно по отношению к людям.

После того, как вы создали связь (возможно, загрузив фотографии и заполнив данные — в случае, если кого-то из людей ранее не было на сайте), эта девушка появится в списке похожих людей для вашей подруги. И наоборот — ваша подруга появится в списке похожих людей этой девушки. Причём если другие люди подтвердят, что они действительно похожи, то связь становится крепче (то есть они будут отображаться выше в списке похожих людей друг у друга). Можно сделать на сайте отдельный раздел, где можно просматривать установленные на сайте связи, и либо подтверждать, что они похожи, либо наоборот отрицать это. Таким образом могут «корректироваться» как связи, добавленные пользователями, так и связи, добавленные автоматически. Причём можно предусмотреть ещё много чего — например, если какой-то пользователь всё время добавляет разные связи, и они в среднем имеют очень хороший рейтинг (то есть много пользователей подтвердило, что люди, которых этот человек отметил как похожих, действительно имеют значительные сходства внешности), то можно первоначально устанавливать хороший рейтинг для новых связей этого пользователя.

В общем, мы получаем довольно интересный сервис. Ведь кто знает, как много может быть таких случаев, когда мы хотим найти людей, которые похожи на какого-то известного нам человека? А может быть, мы хотим найти людей, похожих на нас самих? Или, если мы ищем актёров для фильма, то попробовать найти человека, похожего на какую-то знаменитость, которая по сюжету должна будет фигурировать в фильме?

Если кому интересно присоединиться к команде — пишите, можно личными сообщениями, можно по электронной почте.

Ещё конечно неизвестно, что в итоге получится, но почему бы не попробовать? Может ведь получиться что-то интересное. 🙂

Автор фотографии — Shane Barbie. Лицензия CC-BY-SA-3.0, взято из Wikimedia Commons.

Как найти похожие картинки — Секреты Google поиск картинок и расширения Июнь 2021

В этой статье мы расскажем как найти похожую картинку по вашему оригиналу. Для этого будем использовать секреты поиска Гугл с дополнительными расширениями.

Google позволяет быстро находить картинки одной тематики по изображению или короткому описанию. Интеллектуальный поиск распознает фотографию по небольшому фрагменту, предлагая затем аналогичные варианты. Лучше всего функция работает на популярных в интернете снимках. Если загрузить фото своего кота, то можно рассчитывать разве что на большое количество фотографий с другими котами, у которых будет небольшое сходство.

Окей Google, давай раскроем твои секреты раз и навсегда.

СодержаниеПоказать

Способы поиска похожей картинки

При использовании функции «Поиск по картинкам» вы можете рассчитывать на нахождение:

• Похожих изображений.
• Адресов сайтов, на которых размещены эти картинки.
• Аналогичных изображений с другим размером.

Существует несколько способов поиска изображений. Чтобы ими воспользоваться, зайдите на google.ru и перейдите в «Картинки».

Чтобы добавить картинку, нажмите на камеру в поисковой строке. Появится небольшое окошко, предлагающее загрузить/перетащить файл с компьютера или указать ссылку на изображение, если оно размещено на сайте.

Интеллектуальный поиск отобразит не только похожие изображения, но и найдет другие интересные материалы, если на картинке изображен популярный персонаж, реальный или выдуманный.

Можно не заходить на images.google.ru, а использовать другой метод запуска поиска:

1. Щелкните правой кнопкой по картинке, которую нужно использовать в качестве исходника для интеллектуального поиска.
2. Выберите «Найти картинку (Google)».

Результат будет тот же: поисковая система предложит посмотреть аналогичные изображения и материалы, в которых встречается эта картинка. Способ работает в Chrome и Firefox. В других браузерах приходится всё-таки заходить на imagrs.google.ru, чтобы запустить поиск похожих изображений.

Секреты поиска Google

Google предлагает посмотреть картинки практически при любом запросе в поисковой строке. Напишите «котики», и вы увидите наверху поисковой выдачи ссылку на огромное количество изображений, релевантных запросу. Если открыть любой файл, то вы найдете несколько вариантов похожих картинок. Можно открыть сайт, на котором располагается изображение, открыть картинку в полном размере, сохранить её среди закладок. Для просмотра сохраненных файлов есть отдельная кнопка.

Даже если нет исходной фотографии, можно использовать описание для нахождения изображения. Google поймет, что вы хотите видеть, и отобразит подходящие запросу картинки. При вводе описания можно пользоваться некоторыми секретами поиска Google. Например, используйте знак «|», если не можете точно определиться с поисковым запросом.

Если набрать «Микки Маус и Дональд Дак», в поисковой выдаче будут картинки, на которых эти персонажи изображены вместе. Если же написать «Микки Маус|Дональд Дак», то Google покажет изображения, на которых эти мультипликационные герои будут по одиночке.

Еще одна интересная фишка – поиск на конкретном сайте. Если необходимо найти похожие фотографии ВКонтакте, загрузите снимок, а затем пропишите в поисковом запросе «site:vk.com». Вместо vk.com можно указать любой другой сайт. Главное, чтобы такое изображение на нем точно было, иначе Google ничего не найдет.

Расширения для поиска картинок

Если вы постоянно ищете похожие картинки и фотографии, то, возможно, имеет смысл установить несколько удобных расширений. Например, если Google не справился с задачей, можно использовать поиск по картинкам в Яндексе. После установки одноименного расширения в контекстом меню файла появится пункт, нажатие на который запустит страничку на Яндексе с аналогичными изображениями.

Есть и более специализированные расширения: для поиска товара на Aliexpress по изображению или похожих фотографий ВКонтакте. В своей работе они используют секрет поиска Google с добавлением адреса сайта в запрос.

Как найти похожие картинки. Секреты Google поиск картинок

5 (100%) 3 голос.

Проверка изображений на сходство с OpenCV

Это огромная тема, с ответами от 3 строк кода до целых исследовательских журналов.

Я опишу наиболее распространенные такие методы и их результаты.

Сравнение гистограмм

Один из самых простых и быстрых методов. Предложенный несколько десятилетий назад в качестве средства поиска сходства картин. Идея заключается в том, что в лесу будет много зеленого, а в человеческом лице-много розового или чего-то еще. Итак, если вы сравните две картинки с лесами, вы получите некоторое сходство между гистограммами, потому что у вас много зеленого в обеих.

Недостаток: это слишком упрощенно. Банан и пляж будут выглядеть одинаково, так как оба желтые.

OpenCV метод: compareHist()

Соответствие шаблону

Хороший пример здесь matchTemplate найти хорошее совпадение . Он свертывает поисковый образ с тем, в который осуществляется поиск. Он обычно используется для поиска меньших частей изображения в большем.

Недостатки: он возвращает хорошие результаты только с одинаковыми изображениями, одинаковым размером & ориентации.

OpenCV метод: matchTemplate()

Сопоставление функций

Считается одним из наиболее эффективных способов поиска изображений. Несколько объектов извлекаются из изображения таким образом, чтобы гарантировать, что те же самые объекты будут распознаны снова, даже если они повернуты, масштабированы или искажены. Извлеченные таким образом объекты могут быть сопоставлены с другими наборами объектов изображений. Другое изображение, имеющее высокую долю признаков, соответствующих первому, считается изображающим ту же сцену.

Нахождение омографии между двумя наборами точек позволит вам также найти относительную разницу в угле съемки между исходными снимками или величину перекрытия.

Есть несколько учебников/примеров OpenCV по этому вопросу, а также хорошее видео здесь . Ему посвящен целый модуль OpenCV (features2d).

Недостатки: он может быть медленным. Она не совершенна.

---

На сайте OpenCV Q&A я говорю о разнице между дескрипторами признаков, которые очень хороши при сравнении целых изображений, и дескрипторами текстур, которые используются для идентификации объектов, таких как человеческие лица или автомобили на изображении.

Интернет: Интернет и СМИ: Lenta.ru

Российская компания NTechLab, создавшая сервис FindFace, представила ресурс Facelection 2016. Об этом сообщается в пресс-релизе, поступившем в редакцию «Ленты.ру».

По словам разработчиков, благодаря Facelection 2016, пользователи могут всего за несколько секунд понять, на кого из кандидатов в президенты США они больше похожи — на Хиллари Клинтон или на Дональда Трампа. Для этого достаточно загрузить фотографию на сайт, а специальный алгоритм моментально определит процент схожести с портретами политиков.

В NTechLab предположили, что, возможно, решающим в предвыборной гонке станет именно фактор личного сходства избирателей с кандидатами.

«Мы видим применение нашей технологии распознавания лиц в совершенно разных областях — в системах безопасности, ритейле, финансовом секторе и многих других. Но мы любим решать и нетривиальные задачи, в том числе и такие, как в рамках проекта Facelection 2016. Я уверен, что потенциал применения алгоритма, разработанного NTechLab, практически безграничен и думаю, что перед нами будет стоять еще немало подобных интересных задач. Мы надеемся, что наш сервис поможет пользователям узнать нечто важное о себе и кандидатах в президенты США», — заявил сооснователь NTechLab Александр Кабаков.

По словам создателя технологии Артема Кухаренко, сервис базируется на алгоритме FaceNX, признанном лучшим на The MegaFace Challenge, организованном Университетом Вашингтона в 2015 году. Разработчикам также удалось модифицировать нейронную сеть так, чтобы она определяла сходство вне зависимости от пола пользователя.

В середине октября компания NTechLab запустила свой первый продукт для бизнеса — облачный сервис FindFace Cloud API. Он предназначен для компаний со всего мира, которые заинтересованы в развитии возможностей своего бизнеса с помощью технологии распознавания лиц. Алгоритм, разработанный NTechLab, дает возможность сравнивать пары лиц с 99-процентной точностью, а также проводить высокоточный поиск по базе в 250 миллионов фотографий менее чем за 0,3 секунды. В бета-тестировании облачного продукта приняли участие более 100 компаний со всего мира.

В феврале 2016 года на базе алгоритма компании был запущен сервис FindFace для поиска людей в социальной сети «ВКонтакте» по фотографии, аудитория которого менее чем за три месяца превысила миллион человек. В начале августа решение NTechLab было использовано на крупнейшем в России фестивале электронной музыки Alfa Future People, который проводился при поддержке «Альфа банка» и «Вымпелкома». Сервисом воспользовались более 15 тыс. человек. В сентябре того же года NTechLab был выбран в качестве поставщика решений по распознаванию лиц компанией Diamond Fortune Holdings Prim, которая будет строить гостинично-развлекательные комплексы на территории интегрированного курорта «Приморье».

‎App Store: кто я выгляжу

Теперь, используя Amazon Machine Learning для лучшего соответствия лица!

Сравните своих эгоистов с более чем 1000 знаменитостями!

На какой знаменитостью вы выглядите? Сделайте снимок, и Face Compare найдет ваш знаменитый матч в десятках категорий.

Попробуйте совершенно новое, бесплатное приложение Face Compare, чтобы найти, какую знаменитость вы похожи!

Найти ваш doppelganger и знаменитость теперь похожи — 100% бесплатно — с новыми более быстрыми сравнениями, улучшенной точностью больше категорий.

С помощью Face Compare выглядите одинаково, вы можете ответить на такие вопросы, как:

— Какого знаменитостей я больше всего люблю?
— найти мой взгляд
— Какой знаменит мой близнец?
— Какого знаменитого человека я больше всего люблю?

Скачайте сейчас и начните игры!

Это быстрое, веселое и бесплатное приложение поможет вам найти, какую знаменитость вы смотрите, и сравнивает свою картину с 1000 знаменитыми знаменитостями, чтобы найти лучший матч.

Это просто, быстро и весело — используя настоящую технологию распознавания лиц, чтобы проанализировать ваше лицо и функции и сравнить с тысячами знаменитостей в десятках категорий.

Возьмите самоубийство и Face Compare. Посмотрите, как приложение делает все остальное — сравнивая ваше фото и демонстрируя быстрые результаты!

Поделитесь на Facebook или Tumblr, попробуйте с разными фотографиями и разными взглядами.

Быстро, легко, бесплатно и весело использовать знаменитость похож на поисковое приложение.

Возьмите неограниченные фотографии, найдите, какую знаменитость вы походите неограниченно.

Ключевые особенности:

— распознавание лица и соответствие знаменитости
— Какую знаменитость я выгляжу как генератор
— Какую знаменитость я вижу как результат для Facebook
— нет вопросов или викторины, просто загрузите фотографию и сравните ее со знаменитостями
— легко найти свою знаменитость

Это быстро и легко, и лучше всего, чтобы сравнить ваши фотографии с знаменитостями и посмотреть, какую знаменитость вы выглядите. Загрузите лучшее приложение, похожее на сегодняшний день, и начните сравнивать с друзьями!

Интересно, какая знаменитость вы выглядите? Узнайте здесь бесплатно

Вы когда-нибудь задумывались: «Какую знаменитость я нахожу?» Или «На кого я похожа?»

Большинство людей любопытны, если они выглядят как кто-то другой, или если у них есть возможный doppelganger. У вас когда-нибудь кто-то подходил к вам и рассказывал вам, что вы выглядите знакомы, но они не могут понять, кто вы такой? Разве не было бы забавой выбивать смартфон и иметь похожее приложение, которое сканирует ваше лицо на месте и покажет, на кого вы похожи?

Именно по этой причине приложения Look Alike так забавны.

Разве не было бы интересно узнать, какую знаменитость вы выглядите, не принимая викторины или не отвечая на любые вопросы? Вы это знаете!

Привяжите себя к себе и сканируйте свое лицо и используйте реальные программы распознавания лиц, чтобы показать вам, какая знаменитость — ваш образ и, возможно, ваш доппельгангер. В нем используется программа распознавания лиц и соответствия знаменитости.

С помощью приложения Face Compare вы можете найти ответы на самые важные вопросы жизни! Такие вопросы, как знаменитость, мой близнец? Какая знаменитость я выгляжу и кто мой двойной знаменитый? Не удивляйтесь, потому что эта «какая знаменитость я похожа на генератора» ответит на все эти поистине изменяющие жизнь вопросы!

Как только вы обнаружите свою знаменитость, вы можете поделиться своими результатами на Facebook или Tumblr. Вы также можете получить еще больше удовольствия, попробовав разные фотографии, используя разные позы или даже различные прически, чтобы увидеть, получился ли у вас другой результат. Это отличное развлечение, когда вы болтаетесь со своими друзьями, когда все проверяют, кто из них похож на них, добавьте немного волнения, пытаясь угадать, кем будет знаменитый doppelganger.

Возьмите неограниченные фотографии, найдите, какую знаменитость вы походите неограниченно. Да начнется вечеринка!

Сервисы поиска одежды по фото

Я люблю часами копаться в каталогах интернет-магазинов.

Чтобы найти определенную вещь, например платье, можно пойти двумя путями: выставить параметры — цвет, размер, материал, тип выреза и длину — или просто загрузить фотографию.

Екатерина Табатчикова

нашла платье

Я решила проверить, насколько хорошо сервисы находят похожие модели.

Для проверки я выбрала свою фотографию — будем искать платье-рубашку с карманами. Если повезет, то и кожаные кроссовки.

Рассказываю, какие магазины и сервисы нашли одежду по фото.

Надеюсь, нейросеть поймет, что скрытая в складках рука — это карман

Wildberries

Сколько брендов: 37 тысяч
Сколько товаров: 90 миллионов
Как искать: на сайте и в приложении (iOS / Android)

Я покупала платье в магазине «Бифри», который продает и на «Вайлдберриз», поэтому на этот сервис у меня большие надежды. «Вайлдберриз» будет искать платье среди своих товаров, а если не найдет такое же, то предложит похожие модели.

Поиск на сайте и в приложении немного отличается: сайт видит снимок целиком, а приложение позволяет его кадрировать — и находить или платье, или кроссовки.

Чтобы начать поиск, нужно нажать на значок фотоаппарата в строке поиска и загрузить снимок

Сайт справился: первый результат поиска показал то самое платье. В приложении я искала кроссовки — и точно таких же «Вайлдберриз» не нашел. Хотя эта модель есть в каталоге.

Приложение показало мне нужное платье первым. Но остальные модели не похожи на платье с фото: слишком короткие Мои кроссовки в приложении не нашлись, хотя в «Вайлдберриз» они есть

Lamoda

Сколько брендов: 1000
Сколько товаров: 2 миллиона
Как искать: в приложении (iOS / Android)

«Ламода» — это тоже мультибрендовый магазин, товары которого часто пересекаются с «Вайлдберриз». Но тут нет поиска на сайте: загрузить фотографию можно только в приложении.

Чтобы начать поиск, нужно выбрать категорию — женщинам, мужчинам или детям — и после этого нажать на значок фотоаппарата.

Я выбрала категорию «Женщинам» Искусственный интеллект «Ламоды» обнаружил две вещи: платье и обувь

Мне показалось, что «Ламода» настроила поисковую машину лучше «Вайлдберриз»: по фото нашлись сразу два типа вещей — платье и кроссовки. В «Вайлдберриз» пришлось кадрировать фотографию, чтобы искусственный интеллект увидел кеды.

С поиском «Ламода» справилась — нашла мое платье и показала его в первых строках. А вот с кроссовками вышел прокол: почему-то вместо белых мне предложили серебристые и красные.

Все четыре платья одинаковы, различается только цвет Кажется, «Ламода» предложила женские кроссовки, не ориентируясь на загруженную фотографию

Как грамотно потратить и сэкономить

Рассказываем в нашей рассылке дважды в неделю. Подпишитесь, чтобы совладать с бюджетом

Яндекс.Маркет

Сколько магазинов: 20 тысяч
Сколько товаров: 100 миллионов
Как искать: в приложении (iOS / Android)

«Яндекс-маркет» — это сервис для поиска и подбора товаров. Обычно я его использую, когда выбираю технику: там удобно сравнивать характеристики.

Поиск в приложении «Яндекс-маркета» — не то же самое, что поиск по фото в Яндексе. Поиск по фото выдаст мне просто похожие фотографии, которые найдет в интернете: скорее всего, на них будет девушка с собакой. А мне нужны товары — поэтому ищу в «Яндекс-маркете».

Я заранее посмотрела, есть ли мое платье в каталоге «Яндекс-маркета»: нет.

«Бифри» на «Яндекс-маркете» продает только два сарафана

Поиск работает по стандартной схеме: нажимаете на фотоаппарат в поисковой строке, загружаете снимок. Затем приложение ищет похожие товары в базе «Яндекс-маркета».

Мне не повезло: нашлись чулки, поводок и почему-то книга про Виктора Цоя. Ни платье, ни кроссовки «Яндекс-маркет» не распознал. Возможно, приложение заточено на технику, а одежды в нем не так много.

Чтобы найти товар, нажмите на значок фотоаппарата Что-то похожее — белый халат — только на четвертой строке результатов

Asos

Сколько брендов: 850
Сколько товаров: 85 тысяч
Как искать: в приложении (iOS / Android)

«Асос» — это британский интернет-магазин одежды и косметики. Там есть линейка собственных брендов компании: например, Asos White — оверсайз с минималистичными линиями, Asos Edition — наряды для особых случаев. А еще продают известные бренды: кеды «Конверс», рубашки «Ральф Лорен».

Поиск по фото работает только в приложении: нужно выбрать раздел — женское или мужское — и загрузить снимок, нажав на значок фотоаппарата.

Я выбрала раздел «женское» и нажала на знак фотоаппарата Фотографию можно кадрировать, чтобы выбрать определенную область для поиска

Я не надеялась найти такое же платье, потому что на «Асосе» его нет. Но результаты мне все равно понравились: магазин распознал, что я ищу платье-рубашку, и даже угадал цвет в одном из предложенных вариантов.

Максимально похоже на мое платье второе в поиске — за 9190 Р. Правда, рукава длинные Все кроссовки — белые, и это уже радует

Aliexpress

Сколько магазинов: неизвестно. По запросу «платье» нашлось 558 тысяч предложений
Как искать: в приложении (iOS / Android)

Китайский гипермаркет тоже умеет искать товары по фото, но только в приложении. Для этого нужно на главном экране нажать на значок фотоаппарата и загрузить снимок.

На «Алиэкспрессе» продают вообще все, поэтому на любую загруженную фотографию платформа обязательно что-нибудь предложит

На «Алиэкспрессе» нет официального магазина «Бифри» — значит, поиск должен предложить мне только похожие модели платья. Когда я загрузила снимок, приложение дало мне выбрать товары из разных рубрик: одежда, сумки, обувь, другое. Делаю вывод, что «Алиэкспресс» умеет распознавать на фото разные объекты и сортировать их по категориям.

Платья нашлись похожие: длинные, с поясом и коротким рукавом, с рубашечным воротником. А вот обувь мимо: вместо кроссовок «Али» предложил туфли и низкие ботинки.

В результатах одно и то же платье, но от разных продавцов Кажется, что обувь предложили случайно: сходства с белыми кроссовками нет

Google Lens

Что это: технология, которая распознает любые объекты на фото — текст, людей и животных, товары
Как искать: в приложении (iOS / Android)

Google Lens — или «Гугл-объектив» — это часть сервиса «Гугл-фото». Только «Объектив» ищет не похожие фотографии в интернете, а анализирует загруженный снимок и рассказывает о находящихся на нем предметах.

Возможно, эта функция найдет и одежду.

Для загрузки фото нужно нажать на цветной квадрат с кругом в центре

«Гугл-объектив» обещал распознать предметы на фото — и он это почти сделал. Система обнаружила два объекта: платье и собаку. Но кроссовки так и не получилось найти.

Поиск точнейший: нашлось то самое платье в нескольких магазинах — на «Озоне», в «Вайлдберриз» и «Бутик-ру». А с собакой система не угадала: у меня не немецкая овчарка, а дворняжка.

«Гугл-объектив» показал платье в разных магазинах: можно сравнить цены Окрас щенка действительно похож на чепрачный, как бывает у немецких овчарок, поэтому ошибку можно простить

Clouty

Сколько магазинов: 100 — российских и зарубежных
Как искать: на сайте, в приложении (iOS / Android)

«Клаути» ищет вещи в интернет-магазинах и сразу сравнивает цены. Как только вы загружаете фотографию с одеждой, сервис подбирает похожие товары — по клику на них вы сразу перейдете в магазин.

Чтобы загрузить снимок, нажмите на уже привычный значок фотоаппарата в поисковой строке

Здесь нет возможности кадрировать фото или указывать, какую категорию одежды ищете: что система распознала на фото — то и покажут.

«Клаути» разочаровал: в первую очередь сервис стал искать обувь — и предложил чересчур спортивную. А платья совершенно не похожи на мое.

Еще непонятно, зачем мне видеть уже распроданные товары

Где найти одежду по фото

Не все сервисы нашли то, что что нужно. Вот итоговая таблица с результатами:

Магазин/сервис	Что нашел	Разделяет товары на фото по категориям
Вайлдберриз	👗👟	✅
Ламода	👗👟	✅
Яндекс-маркет	❌	❌
Асос	👗👟	✅
Алиэкспресс	👗	✅
Гугл-объектив	👗🐕	✅
Клаути	👟	❌

Что нашел

👗👟

Разделяет товары на фото по категориям

✅

Что нашел

👗👟

Разделяет товары на фото по категориям

✅

Яндекс-маркет

Разделяет товары на фото по категориям

❌

Что нашел

👗👟

Разделяет товары на фото по категориям

✅

Разделяет товары на фото по категориям

✅

Гугл-объектив

Что нашел

👗🐕

Разделяет товары на фото по категориям

✅

Разделяет товары на фото по категориям

❌

Python. Как сравнить фотографии?

Наверняка у каждого из Вас есть большой домашний архив фотографий, а в нем лежат собственные снимки и фотографии, которыми с Вами поделились родственники. Просматривая свою фототеку, Вы наткнулись на дубли и тут же возник вопрос – сколько же еще таких? В этой статье я поделюсь тем, как я решал свою задачу по поиску одинаковых фотографий.

10 843 просмотров

Совсем недавно у меня появилась интересная задача – необходимо было найти одинаковые фотографии на разных объектах недвижимости. Т.е. к объектам недвижимости расположенных с разным местоположением крепилась одна и та же фотография, может ошибочно, может специально, но такие объекты надо было найти. И я хотел бы поделиться тем, как я решал эту задачу. Для примера у Вас может быть домашняя фототека.

Посмотрев просторы интернета, первым делом на глаза мне попалась библиотека OpenCV, эта библиотека имеет интерфейсы на различных языках, среди которых Python, Java, C++ и Matlab. Мне стало интересно, есть ли у Python стандартная библиотека для работы с изображениями и вот она – Pillow. Это форк PIL, которая успешно развивается и был принят в качестве замены оригинальной библиотеки. Свой выбор я остановил на ней.

Решение задачи

Начнем работу с библиотекой, и попробуем открыть файл и показать его.

from PIL import Image #указываем необходимое имя файла im=Image.open(‘cbcf449ffc010b9f958d611e787fa48092ac31841.jpg’) # Покажет нам изображение. im.show()

Данный скрипт откроет нам изображение. Почитав документацию, я нашел функцию, которая по пикселям сравнивает два изображения и выдает разницу. Функция называется difference и находится в модуле ImageChops. Что бы показать принцип работы функции, для примера возьмем фотографию и добавим на нее какой-нибудь текст:

from PIL import Image, ImageChops image_1=Image.open(’06ebe74e5dfc3bd7f5e480cf611147bac45c33d2.jpg’) image_2=Image.open(’06ebe74e5dfc3bd7f5e480cf611147bac45c33d2_text.jpg’) result=ImageChops.difference(image_1, image_2) result.show() #Вычисляет ограничивающую рамку ненулевых областей на изображении. print(result.getbbox()) # result.getbbox() в данном случае вернет (0, 0, 888, 666) result.save(‘result.jpg’)

result.show() вернет разницу в пикселях. Так же прошу обратить внимание на result.getbbox(), функция либо вернет рамку где расходятся пиксели, либо вернет None если картинки идентичны. Если мы сравним первую картинку саму с собой, то получим полностью черное изображение.

Напишем простенькую функцию по сравнению двух картинок:

def difference_images(img1, img2): image_1 = Image.open(img1) image_2 = Image.open(img2) result=ImageChops.difference(image_1, image_2).getbbox() if result==None: print(img1,img2,’matches’) return

Теперь необходимо подумать над алгоритмом перебора имеющихся изображений.

path=’images/’ #Путь к папке где лежат файлы для сравнения imgs=os.listdir(path) check_file=0 #Проверяемый файл current_file=0 #Текущий файл while check_file<len(imgs): if current_file==check_file: current_file+=1 continue difference_images(path+imgs[current_file], path+imgs[check_file]) current_file+=1 if current_file==len(imgs): check_file+=1 current_file=check_file

Данный алгоритм перебирает все файлы в папке и сравнивает их между собой исключая проверку между собой и файлы, которые уже были проверены на совпадение.

А если файлов для сравнения очень много и их обработка очень долгая? Можно пойти двумя способами:

• Создать миниатюры и работать с ними.
• Запустить нашу обработку в несколько потоков.

Первый способ простой, в нашу функцию difference_images добавляем несколько строк:

def difference_images(img1, img2): image_1 = Image.open(img1) image_2 = Image.open(img2) size = [400,300] #размер в пикселях image_1.thumbnail(size) #уменьшаем первое изображение image_2.thumbnail(size) #уменьшаем второе изображение #сравниваем уменьшенные изображения result=ImageChops.difference(image_1, image_2).getbbox() if result==None: print(img1,img2,’matches’) return

Второй способ уже сложнее и более интересный, потому что нужно будет управлять и потоками, и очередями, так же нужно будет переписать часть кода. Для этого нам понадобятся следующие библиотеки threading и Queue (подробней можно почитать в интернете), ниже приведен готовый код с внесенными изменениями, я постарался прокомментировать все действия что бы было понятно:

class diff_image(threading.Thread): #класс по сравнению картинок. «»»Потоковый обработчик»»» def __init__(self, queue): «»»Инициализация потока»»» threading.Thread.__init__(self) self.queue = queue def run(self): «»»Запуск потока»»» while True: # Получаем пару путей из очереди files = self.queue.get() # Делим и сравниваем self.difference_images(files.split(‘:’)[0],files.split(‘:’)[1]) # Отправляем сигнал о том, что задача завершена self.queue.task_done() def difference_images(self, img1, img2): image_1 = Image.open(img1) image_2 = Image.open(img2) size = [400,300] #размер в пикселях image_1.thumbnail(size) #уменьшаем первое изображение image_2.thumbnail(size) #уменьшаем второе изображение result=ImageChops.difference(image_1, image_2).getbbox() if result==None: print(img1,img2,’matches’) return def main(path): imgs=os.listdir(path) #Получаем список картинок queue = Queue() # Запускаем поток и очередь for i in range(4): # 4 — кол-во одновременных потоков t = diff_image(queue) t.setDaemon(True) t.start() # Даем очереди нужные пары файлов для проверки check_file=0 current_file=0 while check_file<len(imgs): if current_file==check_file: current_file+=1 continue queue.put(path+imgs[current_file]+’:’+path+imgs[check_file]) current_file+=1 if current_file==len(imgs): check_file+=1 current_file=check_file # Ждем завершения работы очереди queue.join() if __name__ == «__main__»: path=’images/’ main(path)

В результате мы получили готовый алгоритм для поиска одинаковых картинок, а так же постарались ускорить обработку файлов двумя способами. Завершив свою задачу, я обнаружил 1227 совпадений в выборке из 6616 картинок.

Надеюсь, моя статья была полезна. Спасибо за внимание.

Поиск сходства изображений в PyTorch | Адитья Оке | PyTorch

Простая поисковая машина изображений.

В этом сообщении блога рассказывается, как создать простую поисковую систему по сходству изображений с помощью PyTorch. Это руководство отлично подходит для новичков в области машинного обучения, которые интересуются компьютерным зрением.

Проблема простая. Нам дается изображение от пользователя. Нам доступен большой набор изображений. Мы хотим вычислить изображения, похожие на данное изображение.

Проблема сходства изображений

Для поиска по изображениям нам сначала нужно понять, как мы «узнаем» об изображениях.Если наш алгоритм понимает, как выглядят изображения, он может найти похожие изображения. Следовательно, наша первая задача — научиться изображать эти изображения.

Обучение с помощью автокодировщиков

Допустим, мы учимся восстанавливать изображение. При реконструкции изображения нам необходимо узнать, как оно выглядит. Это понятие улавливается «сетью кодирования», называемой сверточным кодировщиком. Сверточный кодировщик преобразует изображения в представления функций. Эти «представления функций» помогают распознавать изображения.

Чтобы восстановить изображение, нам снова потребуется преобразовать это «представление объекта» в исходные изображения. Для этого мы используем «декодирующую сеть», называемую сверточным декодером. Сверточный декодер восстанавливает изображение по его представлению признаков.

Короче говоря, мы имеем следующее:

 encoded_image = encoder (input_image) 
 reconstructed_image = decoder (encoded_image) 

Эти две сети работают совместно. Один пытается узнать, как изображение может быть преобразовано в функции.В то время как другой фокусируется на том, как эти функции могут быть преобразованы обратно в исходное изображение. Они оба взаимно помогают друг другу в обучении.

Основная идея Auto-Encoder

Этот способ обучения на основе представлений называется «обучением представлений». Здесь мы стремимся найти подходящее «представление» или «характеристики», которые будут описывать наши данные. Здесь мы не маркируем изображения в наборе данных. У нас есть сотни или тысячи изображений, из которых мы хотели бы порекомендовать похожие изображения. Следовательно, этот метод является «методом обучения без учителя».

Давайте превратим эти идеи в код. PyTorch делает это очень просто. Мы создадим наш класс dataset и модель для обучения.

Класс набора данных

Вот простой класс набора данных, который преобразует все наши изображения в папке в набор данных PyTorch.

Простой набор данных из папки

Здесь мы возвращаем два изображения. Один в качестве входных данных для нашей модели; а другой — для сравнения с исходным изображением для реконструкции.

Модель

Наша модель кодировщика представляет собой повторение сверточных слоев, слоев relu и maxpool.Модель кодировщика

в PyTorch Модель кодировщика

, таким образом, преобразует наше входное изображение в представление объекта размером (1, 256, 16, 16). Его можно рассчитать, передав в кодировщик фиктивное изображение. Это представление функции служит входными данными для нашей модели декодера. Модель декодера

в PyTorch

Декодер принимает входные данные представлений функций и восстанавливает изображение. Мы масштабируем представления функций до исходного изображения, используя транспонированные сверточные слои с размером ядра (2, 2) и шагом (2, 2).

Обучение и сохранение представлений признаков

Обучение нашей модели сходства изображений очень просто. Мы создаем набор данных PyTorch и загрузчики данных. Чтобы измерить разницу между восстановленным изображением и исходным изображением, мы используем потерю среднеквадратичной ошибки. Он измеряет общую разницу в квадрате между ними.

Упрощенное обучение

Наши функции шага обучения и шага проверки просты. Подаем обучающее изображение в кодировщик. Выход кодера проходит через декодер.Это восстановленное изображение используется для расчета убытков, которые мы возвращаем.

Простые шаги обучения и проверки

Наконец, мы сохраняем наши представления функций всех изображений в наборе данных. Это называется встраиванием изображений. Мы храним их в формате NumPy `.npy`. Он служит нашим «индексом изображений», который мы можем использовать для поиска похожих изображений.

Отлично! Теперь у нас есть представления (встраивания) функций для нашего полного набора данных. Теперь нам нужно найти похожее изображение.
Изображение запроса, аналогичные изображения которого также требуются, можно преобразовать в представление объекта с помощью нашей сети кодировщика.На мгновение представим себе эти «представления признаков» как точки.

Нам нужно найти «ближайшие точки к заданной точке», как показано ниже.

Считайте каждую точку как представление функции

Вспоминая наши основы машинного обучения, один из способов найти их — использовать K-ближайших соседей! Где «K» — количество похожих изображений, необходимых пользователю.

Последний недостающий элемент, поиск ближайших соседей

Давайте воплотим эти идеи в код.
Нам нужно преобразовать изображение пользователя для встраивания с помощью кодировщика.После этого нам нужно вычислить похожие изображения, используя алгоритм K-Nearest Neighbours.

Поиск похожих изображений

Вуаля !! Мы сделали !!

Мы успешно нашли изображения, похожие на данное изображение, используя нашу систему подобия изображений!

Давайте посмотрим на некоторые выходы. Я обучил это на наборе данных, содержащем изображения животных.

Конечно, неплохо для нашей простой системы поиска изображений.

Мы сами создали базовую систему поиска изображений с нуля.Есть несколько способов решить эту задачу. Можно использовать предварительно обученные модели, такие как ResNet или VGG, в качестве экстракторов функций. Эти модели можно напрямую использовать для создания представлений объектов.
Кроме того, если вы ищете готовую к работе систему, можно использовать следующие библиотеки или инструменты.

FAISS: библиотека от Facebook для поиска сходства изображений. Вы можете найти больше информации об этом здесь. Это передовая, современная реализация с открытым исходным кодом, которая хорошо масштабируется.

Глубокое ранжирование: это еще один метод, позволяющий определить сходство изображений. Он по-разному формулирует проблему, сравнивая одновременно три изображения (триплета). Подробнее об этом вы можете прочитать в этой статье.

Код и документация для этого сообщения в блоге находятся здесь.

Ссылки

Изображения взяты из этих источников.

1. Проблема сходства изображений. Спасибо Europeana pro.
2. Основная идея автокодировщика. Взято из этого среднего сообщения в блоге HackerNoon.
3. K-Nearest Neighbours Представления функций: взято с этого веб-сайта

Поисковая система распознавания лиц и обратный поиск изображений

Что такое обратный поиск изображений?

Обратный поиск изображений — это метод, который позволяет находить вещи, людей, бренды и т. Д. По фотографии.

При выполнении обычного поиска вы обычно набираете слово или фразу, относящуюся к информации, которую вы пытаетесь найти; когда вы выполняете обратный поиск изображений, вы загружаете изображение чего-то или кого-то в поисковую систему.

В результатах обычного поиска вы получаете список веб-сайтов, которые связаны с введенной вами фразой.

Когда вы выполняете обратный поиск изображений, в результатах вы получаете фотографии похожих вещей, людей и т. Д., Связанные с веб-сайтами о них. Обратный поиск по изображению — лучшее решение для поиска похожих изображений, их меньших / больших версий или двойного содержимого.

Самая известная поисковая машина обратного изображения — это Google Images.

Как отменить поиск изображений?

Для выполнения обратного поиска изображений необходимо загрузить фотографию в поисковую систему или сделать снимок с камеры (он автоматически добавляется в строку поиска).

Загруженная фотография используется для поиска похожих изображений. Лучший обратный поиск изображений поддерживается высококачественными изображениями.

Вы можете использовать обратный поиск изображений на мобильных телефонах или любых других устройствах.

Больше, чем поиск изображений в обратном направлении

PimEyes использует механизм обратного поиска изображений и расширяет его за счет технологии распознавания лиц, чтобы вы могли найти свое лицо в Интернете. Как и при обратном поиске изображений, вы выполняете запрос с использованием фотографии, и в результате вы получаете фотографии.

Но PimEyes — это нечто большее. В результатах мы отображаем не только фотографии, похожие на ту, которую вы загрузили в строку поиска, но и изображения, на которых вы появляетесь на другом фоне, с другими людьми или даже с другой стрижкой. Это улучшение возможно благодаря тому, что наша поисковая система фокусируется на конкретном лице, а не на всей картинке.

Попробуйте систему обратного поиска изображений PimEyes и найдите в Интернете, где появляется ваше лицо.

Где я могу найти похожие изображения? > Stock Photo Secrets

Нередко можно встретить стоковые фотографии, которые не совсем подходят для ваших нужд.Просмотр или выполнение поиска по ключевым словам может помочь вам найти множество потенциальных фотографий в различных стоковых фотоагентствах, но может не помочь вам найти именно ту фотографию, которую вы ищете. Цвет, качество изображения и множество других функций должны быть немного отклонены, чтобы оправдать поиск чего-то лучшего.

К счастью, существует множество способов найти идеальную стоковую фотографию, выполнив поиск похожих изображений. Выполнение поиска похожих изображений может помочь вам найти фотографии, которые тесно связаны с изображениями, которые вы уже искали, что упрощает поиск фотографий, которые идеально соответствуют вашим потребностям.Поиск похожих изображений — это что-то вроде новой функции, и она пока не используется в полной мере в каждом стоковом фотоагентстве. Тем не менее, есть несколько хорошо известных мест, где можно найти похожие стоковые изображения и найти свои идеальные фотографии.

Похожие изображения в Stock Photo Secrets Shop

Наш магазин Stock Photo Secrets Shop теперь включает в себя отличную поисковую систему обратного изображения, которая позволяет вам находить фотографии на основе визуального сходства. Это интеллектуальное программное обеспечение, которое анализирует изображения и улучшает результаты поиска с учетом пользовательского опыта.Он распознает все важные элементы на фотографии, такие как предметы, цвета, композиция и т. Д. Как это круто?

Это очень просто и быстро в использовании. Вы можете посмотреть это пошаговое видео ниже:

А вот и краткое пошаговое руководство:

• Щелкните значок камеры в строке поиска
• Перетащите изображение во всплывающее поле или щелкните его, чтобы загрузить файл со своего устройства
• Через несколько секунд вы увидите результаты, которые можно уточнить:
  • Используйте кнопку «визуальное сходство + ключевые слова», чтобы получить максимально точное совпадение.
  • Используйте расширенные фильтры, чтобы еще больше сузить результаты
  • Используйте кнопку «поиск похожих изображений» на любой фотографии, которая вам нравится, чтобы найти изображения, похожие на это — это также показано на странице изображений под предварительным просмотром.
• Используйте кнопку со звездочкой, чтобы сразу добавить изображение в свой лайтбокс, и дополнительно используйте кнопку конверта, чтобы отправить превью изображения по электронной почте кому угодно, или кнопку со стрелкой, чтобы получить файл компонованного изображения.
• Когда вы будете готовы купить, просто нажмите кнопку загрузки на странице изображения.Если у вас уже есть план или пакет изображений, с вас будет вычтена загрузка, в противном случае вы будете перенаправлены на нашу страницу покупки, чтобы выбрать план или пакет и завершить процесс оплаты (обязательно ознакомьтесь с нашим популярным планом 99club!)

Все это можно сделать сверхбыстро и без каких-либо проблем, что позволяет очень легко находить похожие изображения в кратчайшие сроки, даже без необходимости вводить какие-либо ключевые слова или тяжело думать, чтобы описать то, что вы ищете. Тебе это не нравится?

посещение Стоковое Фото Секреты Купите и поиграйте с обратным поиском изображения.Если вы хотите узнать больше о нашем сервисе, прочтите наш обзор Stock Photo Secrets Shop.

Похожие изображения от iStockphoto

Пожалуй, наиболее распространенное место для поиска похожих изображений — это популярное фотоагентство iStockphoto. Этот сайт известен своей функцией комплексного поиска, которая позволяет вам легко просматривать миллионы фотографий, размещенных на сайте. Другие материалы, такие как векторные иллюстрации и видеоклипы, также лицензированы для использования в iStockphoto, и эти элементы также доступны через поиск.

Функция поиска на iStockphoto позволяет вам находить фотографии и другие медиафайлы по нескольким параметрам, включая цвет и релевантные ключевые слова, чтобы помочь вам сузить выбор. Когда вы найдете элемент, который хотите использовать или хотите вернуться к нему, встроенная функция лайтбокса позволяет сохранить его для просмотра в будущем. Это особенно полезно, если вы хотите сохранить отличную фотографию для будущего проекта, не приобретая заранее лицензию на нее.

Поиск сходства Pixmac

Еще один отличный инструмент для поиска похожих фотографий — это поиск по сходству Pixmac.Этот сервис является частью стокового фотоагентства Pixmac и позволяет очень легко находить похожие фотографии. В поиске Pixmac есть интуитивно понятный инструмент визуального сходства, который анализирует изображение, прежде чем выдает аналогичные результаты. Функция визуального сходства в Pixmac способна анализировать такие атрибуты, как цвета, формы и композиция фотографий, чтобы возвращать очень похожие варианты выбора фотографий. В отличие от инструмента в iStockphoto или других стоковых фотоагентствах, этот инструмент позволяет загружать собственные изображения и находить похожие результаты.Поиск сходства Pixmac также работает как поисковая машина по фотографиям, позволяя легко находить фотографии на основе поиска по ключевым словам.

4 лучшие поисковые системы для поиска визуально похожих изображений

автор Иван Енич

Эксперт по поиску и устранению неисправностей

Увлеченный всеми элементами, связанными с Windows, и в сочетании со своим врожденным любопытством, Иван глубоко погрузился в понимание этой операционной системы, специализируясь на драйверах и устранении неполадок с драйверами.Когда он не занимается … Читать дальше Обновлено: 1 марта 2021

Размещено: ноябрь 2016 г.,

• Изображения являются сегодня одной из самых важных частей Интернета, и некоторые системы упрощают нам их поиск.
• Вы хотите узнать название какой-нибудь удивительной картины или обоев, которые использует ваш друг, вы используете поисковую систему.
• Google может помочь вам найти визуально похожие изображения благодаря механизму поиска определенного изображения по внешнему виду.
• Если вы хотите узнать, как найти похожие изображения и другие движки, продолжайте читать нашу статью ниже для получения дополнительной информации.

Мы ежедневно ищем новые изображения, особенно если наша работа связана с поиском и использованием различных изображений. Но иногда мы имеем представление о том, чего хотим, но не знаем, что именно.

В общем, вы знаете, как выглядит изображение, которое ищете, но не знаете его названия.Что ж, если мы скажем вам, что у вас уже есть все необходимое, чтобы найти желаемое изображение.

Лучшие предложения хостинга для наших читателей — Ограниченное предложение

Продвинутая технология поисковых систем позволяет нам искать изображения просто по их внешнему виду.

Таким образом, мы составили список лучших поисковых систем для поиска визуально похожих изображений, даже не вводя их настоящих названий.

---

Какая поисковая система лучше всего подходит для поиска визуально похожих изображений?

FotoForensics

Фотографии часто циркулируют в Интернете.Один человек увидит изображение в Интернете и отправит его на другой форум, где кто-то другой возьмет копию и распространит ее через другие онлайн-сервисы.

Каждый раз, когда кто-то отправляет изображение в другую онлайн-службу, информация может быть потеряна, а изображение может быть изменено. Дополнительные изменения изображения, такие как масштабирование, обрезка или корректировка цвета, дополнительно изменяют изображение. Все эти изменения влияют на общее качество изображения. Артефакты метаданных и изображений могут указывать на низкое качество изображения, которое было изменено несколькими онлайн-сервисами.Однако многократное повторное сохранение и редактирование может сделать невозможным определение того, был ли человек вставлен в изображение.

Судмедэксперты могут иметь изображение низкого качества или изображение без какого-либо контекста. Сервисы онлайн-поиска изображений позволяют аналитикам находить варианты одних и тех же изображений. Результаты поиска могут идентифицировать высококачественные версии, шаблоны распространения и обстоятельства, которые могут обеспечить контекст для изображения.

Большинство поисковых систем по картинкам берут на вход текстовое описание и возвращают серию изображений, соответствующих текстовому описанию.Если контекст вокруг изображения известен, тогда доступен широкий спектр онлайн-сервисов поиска текста в изображение. К сожалению, аналитик может часами выполнять поиск по ключевым словам и вручную просматривать результаты, но все равно может не найти нужное изображение.

Альтернативой поиску текста в изображение является использование механизма поиска изображения в изображение (обратное изображение). Этот подход использует алгоритмы для определения похожих изображений.

Существуют разные подходы к поиску визуально похожих изображений.Самый прямой подход — использовать криптографическую хеш-функцию, такую ​​как MD5 или SHA1. Одно и то же значение хеш-функции идентифицирует одно и то же изображение. Однако изменение одного байта приведет к существенно разным значениям хеш-функции. Несмотря на то, что изображения могут визуально выглядеть одинаково, разные байты дают разные хэши и, следовательно, являются разными изображениями.

Анализ цифровых изображений обычно основывается на перцепционных хэшах для обратного поиска изображений. Перцепционный хэш — это алгоритм, который дает аналогичные хеш-значения для визуально похожих изображений.Существует множество перцептивных хэш-функций. Различные алгоритмы могут фокусироваться на цветах, краях, углах, «пятнах» или частотных моделях. В общем, эти типы алгоритмов могут сопоставлять похожие изображения, даже если есть существенные различия в размере, качестве и цвете. Они также могут соответствовать изображениям с небольшими различиями в содержании, кадрировании и повороте.

Несмотря на то, что существует множество различных алгоритмов перцептивного хеширования, публично доступны только несколько поисковых систем.Эти службы позволяют пользователям загружать изображения в качестве критериев поиска. Вместо того, чтобы использовать слова для поиска картинок, они позволяют использовать картинку для поиска похожих картинок. Результаты включают веб-страницы, на которых размещены варианты изображения. Вот несколько примеров перцептивных поисковых систем:

• TinEye : Эта поисковая система отлично справляется с поиском частичных совпадений. Хотя он может не сразу узнавать о новых изображениях, он обычно идентифицирует широко распространенные изображения, а также изображения из новостных агентств.
• Поиск картинок Google : Эта поисковая система проиндексировала большинство изображений, найденных Google, включая самые поздние изображения, которым всего несколько часов. Он отлично подходит для определения текстового контента, относящегося к изображениям. Однако поиск картинок Google не способен выявлять существенные отклонения от кадрирования, склейки или редактирования.
• Bing : Bing от Microsoft включает поисковую систему, которая соответствует на основе аналогичных форм. Однако он не имеет большого корпуса проиндексированных изображений и обычно не находит вариантов одного и того же изображения.Если изображение имеет большую прямоугольную область посередине, то обычно можно найти другие изображения с большими прямоугольными областями посередине. Это полезно для поиска визуально похожих изображений без поиска вариантов одного и того же изображения.
• Karma Decay : эта специализированная поисковая система сопоставляет все изображения, появившиеся в социальной сети Reddit. Это полезно для определения таких тем, как мемы и спорные текущие события.

Каждая из этих поисковых систем служит своей цели.Например, Bing хорош для поиска множества изображений, в целом похожих по форме, идентификации известных людей и извлечения текста. TinEye отлично умеет находить вариации одного и того же изображения. Google может определить, что изображено на картинке, а Karma Decay помогает определить, что социальные сети говорят о картинке.

Это не единственные поисковые системы обратного изображения. Некоторые службы (не перечисленные здесь) имеют очень экстремальную направленность, например, поиск только изображений аниме. Другие, такие как Yandex и Baidu , были замечены в предоставлении вредоносного JavaScript, экстремального отслеживания пользователей и изменения типа данных, которые они собирают, в зависимости от вашего местоположения.(Мы не рекомендуем использовать какие-либо поисковые системы, которые, как было замечено, предоставляют пользователям враждебный код.)

Изображения, передаваемые из блога в блог и через онлайн-форумы, обычно сохраняются повторно. Каждое повторное сохранение снижает качество изображения. Наилучшие результаты анализа будут получены при наивысшем качестве изображения. Если исходное изображение недоступно, то, скорее всего, неплохим вариантом будет вариант, близкий к оригиналу (одно или два сохранения от оригинала).

Предполагая, что изображение доступно в Интернете, как вы можете найти исходное (или почти оригинальное) изображение? Ответ обычно требует поиска изображения самого высокого качества.

Сервисы перцептивного поиска позволяют аналитикам просматривать результаты по размеру или сходству. К сожалению, ни одна из этих поисковых систем не сортирует результаты по качеству. При поиске визуально похожих изображений есть несколько атрибутов, которые могут помочь определить изображения более высокого качества. Некоторые атрибуты легко идентифицировать по результатам поиска, тогда как другие могут потребовать дополнительного анализа. Хотя эти рекомендации не всегда верны, этих эвристик обычно достаточно для определения изображения более высокого качества:

• Размеры .Самый большой снимок — это обычно изображение самого высокого качества. Это не всегда верно, поскольку маленькие изображения могут быть увеличены в масштабе, но большинство изображений масштабируются меньше (а не больше) для Интернета. Изображения значительно меньшего размера вряд ли будут иметь более высокое качество.
• Размер файла . Если два изображения имеют одинаковые размеры, то изображение с самым большим размером файла, вероятно, будет более качественным. Эта эвристика работает, потому что файлы JPEG более низкого качества приводят к уменьшению размера файлов. Однако файлы PNG и BMP почти всегда имеют больший размер, чем соответствующие файлы JPEG.Размер файла следует сравнивать с аналогичными форматами файлов.
• Обрезка . Посмотрите на края картинки. Удалить содержимое по краям изображения легко, но очень сложно добавить содержимое. Изображение с большим количеством содержимого по краям обычно является изображением более высокого качества.
• Набивка . Ищите границы вокруг изображения. Это может быть толстая рамка, однопиксельная рамка или едва уловимая тень. Изображения без полей обычно имеют более высокое качество, чем аналогичные изображения с полями.Акт сохранения изображения (после добавления границ) снизит качество изображения.
• Размытие и шум . Изображения JPEG более низкого качества обычно выглядят размытыми. Попытки компенсировать размытие низкого качества обычно включают повышение резкости изображения, что приводит к появлению пиксельного шума на изображении. Изображение, которое кажется более размытым или более шумным, скорее всего, будет иметь более низкое качество. (Хотя исходные изображения с цифровых камер действительно содержат шум сенсора, этот естественный артефакт обычно не заметен человеческому глазу.)
• Авторство . Ищите логотипы, водяные знаки и текст об авторских правах. Обычно они находятся в углах или по краям изображений. Картинки без авторства обычно более высокого качества, чем аналогичные изображения с атрибутами. Добавление атрибуции к изображению затемняет контент, а сохранение в формате JPEG после аннотирования снижает качество.
• Метаданные . Файлы с метаданными, вероятно, имеют более высокое качество, чем файлы без метаданных.Как минимум, метаданные могут определить, как обрабатывалась картинка.
• Источник . Такие онлайн-сервисы, как Facebook, Imgur и Twitter, не создают изображений; они только распространяют картинки. Распространяемый файл обычно изменяется и может быть повторно сохранен с низким качеством (как в случае с Facebook и Twitter). Новостные агентства обычно используют изображения с профессиональных фото-сайтов, таких как Reuters, Associated Press или Getty Images. В общем, определите, является ли хостинг-сайт авторитетным источником, личным веб-сайтом или социальной сетью.
• Возраст . Онлайн-изображения со временем перераспределяются, а общие изображения обычно модифицируются (кадрируются, изменяются размеры, меняются цвета, повторно сохраняются и т. Д.). Старые изображения фактически замораживаются во времени, в то время как у более молодых было больше времени для передачи и изменения. В результате более старые изображения обычно имеют более высокое качество.

При поиске текстового контента, относящегося к изображению, важно определить качество изображения. Изображение более высокого качества обычно ассоциируется с более авторитетным текстом.

В общем, постарайтесь определить период времени, когда изображение впервые появилось и обсуждалось. В отношении вирусных изображений может быть несколько блоков обсуждения. Эти кластеры появляются каждый раз, когда другая онлайн-группа обнаруживает картинку (если она для них новая, они будут обсуждать ее как кластер, даже если это старая картинка). Например, Karma Decay может идентифицировать несколько потоков на Reddit, в которых обсуждается изображение. Каждый поток может обозначать другой период времени, когда кто-то обнаружил изображение.

Приписывание контекста изображению зависит от воспринимаемой поисковой машины. Поиск картинок Google попытается связать общий текст с похожими изображениями; Google может сразу определить содержание или контекст, связанный с изображением. Karma Decay будет определять темы обсуждения на Reddit, которые обычно предоставляют контекст. Напротив, TinEye определяет только веб-сайты, на которых размещено изображение. Возможно, вам придется посетить несколько веб-сайтов, чтобы определить контекст.

Подобные изображения также могут определять закономерности распределения.Например, если на сайтах социальных сетей широко представлены вариации изображения, это, вероятно, широко обсуждаемая тема. Если варианты можно найти только на тайских веб-сайтах, то человек, создавший вариант, который вы оцениваете, может читать на тайском языке или может иметь связи с Таиландом.

При определении текстового контекста остерегайтесь мистификаций и теорий заговора. Установленная мистификация / заговор обычно приводит к противоречивым текстовым описаниям. Одно описание поддерживает концепцию, другое описание развенчивает проблему, а третье может предоставить начальную историю.В этих случаях количество текста и возраст текста обычно не зависят от основной истины. (О мистификации может быть больше статей, но это не значит, что она реальна.) Не думайте, что первоначальная история или наиболее часто повторяемое объяснение верны. С помощью мистификаций и заговоров ищите цитируемые источники и известных экспертов; неуказанные источники и анонимные эксперты, которых можно идентифицировать только по онлайновым ссылкам, вряд ли будут авторитетными источниками.

В FotoForensics на каждой странице анализа есть кнопка поиска: Z.При нажатии на кнопку поиска отобразится список доступных поисковых систем. Выбор имени для поиска загрузит изображение в службу перцептивного поиска. Результаты от внешних служб отображаются в отдельном окне веб-браузера.
Поиск похожих изображений полезен для определения контекста, вариантов, распространения и информации, относящейся к изображению. Однако результаты поиска не всегда могут дать достоверную информацию. В частности:

• Не все изображения распространяются в Интернете или индексируются поисковыми системами.Вы можете не найти картинку, которую ищете.
• Вирусные изображения, распространяемые через социальные сети (например, Facebook или Twitter), могут иметь сотни вариантов — изображения, которые выглядят одинаково, но имеют разные хеш-значения MD5 / SHA1. Эти варианты приводят к шуму поиска, который может скрыть исходный источник. Вирусные изображения могут не иметь установленного происхождения.
• Источник фотоаппарата может быть не в сети. Возможно, вы не сможете определить исходный источник изображения, качественный вариант или даже авторитетный источник.
• Для составных изображений отдельные компоненты не могут быть идентифицированы.
• Перцепционный поиск возвращает похожих изображений. Подобный не означает идентичный . Восстановленная фотография должна быть похожа на оригинал. Люди с похожими физическими качествами, скорее всего, будут выглядеть одинаково, и изображения людей в одинаковых позах будут выглядеть одинаково. Большинство поисковых систем могут сортировать результаты по степени сходства.Не удивляйтесь, если только несколько картинок будут похожи на вас, прежде чем превратиться в визуально непохожие. Если алгоритм фокусируется на цвете, то не удивляйтесь, если картинки имеют похожие цвета, но совершенно разное содержание.
• «Визуально похожий» — это не то же самое, что идентификация объекта. Если вы копируете изображение и вносите незначительные изменения (например, незначительное редактирование, кадрирование, масштабирование или перекрашивание), оно все равно может быть визуально похоже на исходное изображение. Однако, если вы сделаете два снимка объекта под разными углами (например,ж., два снимка стула, снятые под разными углами) вряд ли будут соответствовать друг другу — даже если это один и тот же объект. Это потому, что человек может распознать объект, а компьютер распознает, что это не две версии одного и того же изображения.

Предупреждения

Визуально похожие поисковые запросы могут быть полезны, но также имеют определенные предостережения. Это включает:

• Исходное изображение : Модификации изображения, включая обрезку, поворот, редактирование и изменение цвета, могут привести к тому, что поисковая система пропустит результаты.Даже если два изображения вам кажутся одинаковыми, компьютер может подумать, что они слишком разные. Величина допустимой разницы индивидуальна для каждой поисковой системы.
• Мобильный Firefox : поиск по изображению Google возвращает очень длинный URL-адрес, который усекается мобильным Firefox. В результате мобильный Firefox не сможет использовать систему поиска изображений Google. FotoForensics пытается идентифицировать эту ситуацию и не разрешает мобильному Firefox выполнять поиск с помощью Google.
• NoScript : пользователи, у которых установлен плагин для браузера NoScript, могут видеть сообщение об ошибке при поиске с помощью Google и других служб.Проблема в том, что некоторые службы выполняют перезагрузку веб-страницы. Эта перезагрузка находится вне контроля FotoForensics. Встроенная в NoScript функция «Небезопасная перезагрузка» предотвращает перезагрузку. Если вы видите ошибку при поиске с помощью Google или TinEye, используйте меню NoScript, чтобы выбрать «XSS» → «Небезопасная перезагрузка», чтобы разрешить завершение поиска.
• Внешние службы : Сторонние службы время от времени меняют свои возможности. Например:
  • Google был очень хорош в визуально похожих совпадениях.Однако с тех пор Google решил сосредоточиться на создании описательных фраз и последующем поиске по фразе. Поиск по фразе приводит к меньшему количеству визуально похожих совпадений.
  • Bing раньше находил только похожие элементы. Например, при поиске человека в черной рубашке будут найдены другие люди в черных рубашках, но не то же изображение. Но с тех пор Microsoft значительно улучшила свои возможности сопоставления. Bing может находить визуально похожие изображения, похожие объекты и предоставлять контекст для изображения.
  • TinEye раньше разрешал отправку материалов из других веб-служб, но больше не поддерживает эту функцию. Если вы хотите использовать TinEye, вам необходимо перейти непосредственно на tineye.com.
  Внешние сервисы могут быть изменены без предварительного уведомления. Иногда изменение является улучшением, а иногда — нет.

Поиск похожих изображений — это только один из подходов к оценке. Интерпретация результатов может быть неубедительной. Важно подтверждать результаты с помощью других методов и алгоритмов анализа.

Поиск обратных изображений на основе глубокого обучения для промышленных приложений | от Vegard Flovik

Примеры, которые вы, вероятно, видели раньше, например, быть типичными моделями классификации «кошка против собаки», обсуждаемыми в большом количестве блогов и учебных пособий в Интернете. Однако большинство этих примеров основано на наличии доступа к значительному количеству помеченных изображений, где у вас есть «основная достоверная информация», доступная для обучения вашей модели. В нашем случае это не совсем то, что мы ищем, поскольку у нас нет такой информации.К счастью, мы все еще можем использовать общедоступные модели глубокого обучения, обученные на других наборах данных.

Доступ к моделям, которые уже были обучены на огромных объемах данных (например, популярный набор данных ImagNet, содержащий миллионы аннотированных изображений), является одной из причин, почему стало намного проще создавать современные глубокие модели. обучающие приложения. Используя такие предварительно обученные модели в качестве основы, часто можно успешно использовать методы трансферного обучения, чтобы адаптировать модель к нашим конкретным потребностям, даже с очень ограниченными объемами данных (или вообще без данных).

В нашем случае, когда дело доходит до осмысления базы данных неструктурированных изображений, мы действительно можем получить много ценной информации без каких-либо помеченных обучающих изображений вообще. Это связано с тем, как эти модели глубокого обучения фактически анализируют содержимое изображения на основе автоматического извлечения соответствующих «характеристик» изображения.

Модель глубокого обучения, обученная на большом наборе помеченных изображений, по сути превратилась в автоматический «экстрактор признаков». Это означает, что при анализе изображений мы в основном получаем на выходе «вектор признаков», который содержит релевантную информацию о содержании изображения.Даже если мы не обучили нашу модель классифицировать этот результат в отдельный набор категорий / классов, мы все равно можем извлечь много ценной информации.

Нейронная сеть как экстрактор признаков

• Классификатор изображений нейронной сети работает путем преобразования изображений (которые являются точками в пространстве пикселей высокой размерности) в «векторы признаков» низкой размерности, представляющие характерные «особенности», полученные сетью (как показано на рисунке ниже)
• Затем мы можем взять обученную нейронную сеть, удалить ее последние высокоуровневые слои, первоначально использовавшиеся для классификации объектов, и использовать рассеченную модель для преобразования наших изображений в векторы признаков.

От изображения к извлечению признаков. Пример функций, которые фильтры в сверточном слое ищут на разных уровнях сети. Чем глубже в сеть (более высокий уровень), тем сложнее функции. Источник: Цайлер, Мэтью Д. и Роб Фергус. «Визуализация и понимание сверточных сетей». Computer Vision – ECCV 2014. Springer International Publishing, 2014. 818–833

. Это векторное представление изображения может все еще содержать некоторый «шум» и избыточную информацию.Чтобы отфильтровать наиболее важную информацию (а также ускорить процесс поиска и анализа изображений), мы дополнительно сжимаем данные на основе анализа главных компонентов. При этом мы сжимаем вектор признаков с 2048 до 256 измерений. (обратите внимание, что размерность зависит от вашего выбора нейронной сети в качестве экстрактора признаков).

От входного изображения к сжатому вектору признаков

Метрика сходства: косинусное сходство

После преобразования наших изображений в векторы признаков нам понадобится какая-то метрика сходства для их сравнения.Одним из таких кандидатов, используемым в этом примере, является «косинусное подобие». По сути, это измеряет «угол» между изображениями в многомерном пространстве признаков. Это проиллюстрировано ниже в очень упрощенной версии для двухмерного пространства признаков, где сравнивается косинусное сходство между входным изображением и изображениями «A» / «B». Здесь мы видим, что «A» содержит объекты, похожие на входное изображение (и, следовательно, меньший «угол» между ними), тогда как «B» содержит объекты, выглядящие иначе (и, соответственно, имеет больший угол).

Косинусное сходство как метрика для сравнения векторов признаков

Кластеризация изображений

Обрабатывая изображения в нашей базе данных с помощью нашей «модели извлечения признаков», мы можем преобразовать все изображения в представление вектора признаков. Это означает, что теперь у нас есть количественное описание содержания изображения. Имея эту информацию, мы можем, например, передать эти векторы через алгоритм кластеризации, который назначит изображения различным кластерам в зависимости от их содержимого. При этом мы все еще не знаем, что содержат отдельные изображения, но мы знаем, что изображения в различных кластерах обычно содержат похожие объекты / контент.

От вектора признаков к кластеризации. Источник изображения: Визуализация данных с использованием t-SNE, исследовательская статья Лоренса ван дер Маатена и Джеффри Хинтона

. Одно применение этой техники могло бы, например, быть предварительным шагом к определению обучающего набора для контролируемых моделей классификации изображений. Сгруппировав все изображения и проверив несколько изображений из каждого кластера, мы можем затем присвоить метку всем изображениям в кластере. При этом мы эффективно пометили все наши изображения, просто взглянув на несколько примеров из каждого кластера.По сравнению с ручной прокруткой и аннотированием 100 000 изображений, это явно улучшение. Тем не менее, автоматическое присвоение одинаковой метки всем изображениям в каждом из кластеров, вероятно, вызовет некоторую неправильную маркировку. Тем не менее, он по-прежнему представляет собой хорошую отправную точку для более подробного анализа.

Еще одно важное применение — это «обратный поиск изображений», который является основной темой этой статьи. Допустим, мы хотим проанализировать «целевое изображение», а затем выполнить поиск в нашей базе данных на предмет аналогичного содержания.Например, это может быть, например, быть базой данных изображений из предыдущих работ по техническому обслуживанию или проверок на заводе-изготовителе. Тогда мы могли бы быть заинтересованы в поиске изображений похожих объектов или, возможно, всех исторических изображений осмотра определенного элемента оборудования.

Затем мы можем сначала преобразовать наше целевое изображение в представление вектора признаков, обработав его с помощью нашей «модели экстрактора признаков». Сделав это, мы можем затем выполнить поиск сходства в нашей базе данных векторов признаков.

Сопоставление изображений: шаг за шагом

• Подготовка базы данных изображений: преобразование базы данных изображений в представление вектора признаков с помощью нашей модели нейронной сети с последующим преобразованием главных компонентов.
• Анализировать новое целевое изображение: преобразовать изображение в вектор признаков низкой размерности, используя тот же конвейер, который описан выше.
• Найти совпадающие изображения: вычислить сходство между векторами признаков, используя косинусное сходство. Используйте метрику подобия, чтобы сопоставить изображения из базы данных, которые наиболее похожи на целевое изображение.

Поиск дубликатов фотографий, средство для удаления дубликатов изображений и изображений на основе визуального сходства

Системное сканирование

Этот режим предназначен для сканирования папок / жестких дисков / внешних дисков / USB-накопителей или даже сетевых папок. Весь процесс выполняется за 3 шага, а именно: выбор целевого местоположения, выбор режима сканирования и затем запуск сканирования.

Мы изложили функциональные возможности этого программного обеспечения в следующих строках.Давайте посмотрим на доброту, предоставляемую PictureEcho.

Нажмите кнопку «Добавить путь», чтобы легко добавить любое количество местоположений для одного сканирования, а PictureEcho с радостью позаботится обо всем остальном. Если вы по ошибке добавили каталог, просто выберите его в адресном поле, в котором отображаются все местоположения, которые были выстроены в линию для сканирования, и нажмите «Удалить путь».

Затем вы должны выбрать, хотите ли вы сканировать на предмет точных дубликатов или похожих.Точные дубликаты — это изображения, которые соответствуют друг другу бит за пикселем, пиксель за пикселем. Подобные изображения — это те изображения, которые даже невооруженным глазом могут определить как очень похожие друг на друга, но недостаточно близкие, чтобы их можно было классифицировать как точные дубликаты.

Если вы собираетесь выполнить сканирование на похожее совпадение, щелкните ссылку Настройки подобия, чтобы открыть окно настроек, где вы можете выбрать сканирование по вашему выбору. По сути, сканирование похожих фотографий бывает 4 типов, и следующее изображение объясняет каждый из них в очень простой для понимания манере.Выберите желаемый тип сканирования и нажмите OK.

На вкладке «Включенные расширения» показаны типы изображений, которые будут сканироваться как в сценариях «Точное совпадение», так и в сценариях «Подобное совпадение». Обратите внимание, что на данный момент необработанные изображения можно сканировать только в режиме точного соответствия.

На вкладке «Исключенные папки» показаны местоположения, которые по умолчанию не учитывались при сканировании. Эти места включают критические каталоги, которые нельзя сканировать, иначе вы рискуете серьезно повредить файлы Windows.

Теперь вернемся к действию. Вы можете установить флажок «Показать предварительный просмотр», если хотите просмотреть предварительный просмотр изображения, обнаруженного при сканировании. Наконец, нажмите «Начать поиск», чтобы запустить сканирование.

Когда сканирование закончится, все повторяющиеся / похожие изображения будут перечислены в групповом формате. Здесь важно отметить, что каждая группа состоит из одинаковых / похожих (в зависимости от обстоятельств) изображений, соответствующих одному изображению.Вы можете щелкнуть любое изображение, и область предварительного просмотра отобразит его предварительный просмотр, а также предоставит полезную информацию о метаданных об изображении.

Нижний колонтитул пользовательского интерфейса PictureEcho будет передавать полезную информацию о результатах, собранных при сканировании.

Теперь вы можете либо вручную выбрать изображения, которые вы хотите удалить / создать резервную копию в папке, установив флажок перед именем каждого изображения, либо использовать меню «Выбрать дубликаты» (в дальнем правом углу нижнего колонтитула).Меню «Выбрать дубликаты» — намного более быстрый и простой вариант. Он предоставляет вам универсальное решение, в котором вы можете выбирать изображения одним щелчком мыши, а не выбирать каждую фотографию по отдельности.

Единственный вариант, требующий небольшой детализации, — это вариант «Выбрать по расположению изображения». Если вы отсканировали несколько папок за одно сканирование, вы можете использовать эту опцию, если хотите, чтобы изображения в определенной папке оставались нетронутыми. Просто нажмите кнопку «Выбрать по расположению изображения», а затем нажмите кнопку «Добавить», чтобы добавить папку, в которой не должно выполняться удаление изображений / перемещение в папку.После добавления папки выберите ее и нажмите «Снять отметку». В результате этого действия все файлы изображений в тестовой папке 3 (см. Изображение ниже) не будут затронуты, а изображения в оставшихся местах сканирования, которые точно / похожи на изображения в Папка тестирования 3 будет автоматически выбрана для следующего действия.

Последний шаг — нажать кнопку «Выбрать действие» и сделать свой выбор. Параметр «Удалить навсегда» удалит файлы фотографий после получения вашего согласия.Если вы выберете опцию «Переместить в папку», появится всплывающее окно «Обзор папки», которое поможет вам выбрать папку, в которую вы хотите переместить изображения.

Процедура сканирования схожего совпадения будет точно такой же, за исключением того, что перед сканированием необходимо будет выбрать параметр «Сходное совпадение» и уровень схожести.

Дубликат сканирования Adobe Lightroom

PictureEcho предоставляет специальный режим сканирования, помогающий пользователям сканировать каталог Adobe Lightroom на предмет точных / похожих фотографий.Процедура почти полностью аналогична сканированию системы, за исключением начала.

После того, как пользователь создал каталог в Adobe Lightroom, расположение каталога будет автоматически добавлено в поле адреса, когда пользователь выберет вкладку Adobe Lightroom.