一下是用python做计算机视觉的一些程序
提取图像特征 ： 如采用SIFT、指纹算法函数、哈希函数、bundling features算法等也可以针对特定的图像集群采用特定的模式设计算法
图像特征的存储 ： 一般将图像特征量化为数据存放于索引表中，并存储在外部存储介质中，搜索图片时仅搜索索引表中的图像特征，按匹配程度从高到低查找类似图像。
相似度匹配 ：
相似度匹配。如存储的是特征向量，则比较特征向量之间的加权后的平方距离。如存储的是散列码，则比较Hamming距离。初筛后，还可以进一步筛选最佳图像集。
基本步骤： 采用颜色空间特征提取器和构图空间特征提取器提取图像特征。图像索引表构建驱动程序生成待搜索图像库的图像特征索引表。图像搜索引擎驱动程序执行搜索命令，生成原图图像特征并传入图片搜索匹配器。图片搜索匹配内核执行搜索匹配任务。返回前limit个最佳匹配图像。
虽然RGB值很容易理解，但RGB色彩空间无法模拟人眼接受到的色彩。取而代之，我们使用HSV色彩空间将像素点的映射到圆bin体上。 这个图像描述符是HSV颜色空间的3D颜色直方图（色相、饱和度、明度）。
我认为解释3D直方图最好的方式是用连接词AND。一个3D HSV颜色描述符将查找指定图像中1号bin有多少像素含有色相值，AND有多少像素有饱和度值，AND有多少像素有明度值。计算出符合条件的像素值。虽然需要对每个bin重复这个操作，但可以非常高效的完成这个任务。所以是乘法
对于我们的假期照片图像搜索引擎，将在HSV色彩空间中使用3D颜色直方图，8个bin用于色相通道、12个bin用于饱和度通道、3个bin用于明度通道，总共的特征向量有8 × 12 × 3=288。这意味着数据集中的每幅图像，无论其像素数目是36 × 36，还是2000 × 1800。最终都会用288个浮点数构成的列表抽象并量化表示。
这里不计算整个图像的3D HSV颜色直方图，而是计算图像中不同区域的3D HSV颜色直方图。使用基于区域的直方图，而不是全局直方图的好处是：这样我们可以模拟各个区域的颜色分布。