1、什么是图搜图？
"图搜图"指的是通过图像搜索的一种方法，用户可以通过上传一张图片，搜索引擎会返回类似或者相关的图片结果。这种搜索方式不需要用户输入文字，而是通过比较图片的视觉信息来找到相似或相关的图片。这项技术在许多不同的应用中都很有用，如找到相同或相似的图片，寻找图片的来源，或者识别图片中的物体等等。
图像搜索的技术基础主要包括图像处理和机器学习等方面。通过图像处理，可以提取图像的特征（如颜色、形状、纹理等），然后通过机器学习模型比较这些特征来寻找相似的图片。近年来，深度学习也在图像搜索中发挥了重要作用，使得搜索结果更加精确和高效。
举例：谷歌“按图搜索”、百度识图。
2、为什么要图搜索？传统搜索不香吗？
图像搜索和传统的文本搜索都有它们各自的优点和适用场合。以下是一些使用图像搜索的原因：
- 寻找相似的图片
如果你有一张图片，想找到类似的图片，或者找到这张图片的其他版本（如不同的分辨率或是否有水印等），图像搜索是最直接的方法。
- 找到图片的来源
如果你找到一张你喜欢的图片，但不知道它来自哪里，图像搜索可以帮你找到它的原始来源，比如说是来自哪个网站或者是谁拍摄的。
- 识别图片中的内容
图像搜索也可以帮助你识别图片中的物体或人物。比如说，你有一张含有未知物体的图片，你可以通过图像搜索来识别它是什么。
- 超越语言和文化障碍
有时候，你可能无法用文字准确描述你要搜索的内容，或者你不知道它的正确名称。在这种情况下，图像搜索可以帮助你找到你需要的信息，不需要考虑语言和文化的差异。
举个例子：小区里带孩子玩，遇到一个虫子，小朋友们都围过去，好奇的小朋友就问到“这个虫子叫什么名字？”家长们也都不知道，有点像小时候见过的豆虫，但又不完全一样，最终借助“百度识图”搞定答案。
总的来说，图像搜索是一个非常有用的工具，能够补充和增强传统的文本搜索。不过，它也并不是万能的，有时候还是需要配合文本搜索一起使用才能得到最好的搜索结果。
3、Elasticsearch 8.X 如何实现图搜图？
从宏观角度，类似把“大象放冰箱”的几个大步骤，Elasticsearch 8.X 要实现图搜图需要两个核心步骤：
步骤1：特征提取
使用图像处理和机器学习的方法（如卷积神经网络）来提取图像的特征。这些特征通常会被编码为一个向量，可以用来衡量图像的相似度。有一些开源的工具库可以用于图像特征提取，部分举例如下：
| 工具库 | 语言 | 主要特性 |
| OpenCV | C++，Python，Java | 提供多种特征提取算法，如SIFT，SURF，ORB等；同时提供一系列图像处理功能 |
| TensorFlow | Python | 提供预训练的深度神经网络模型，如ResNet，VGG，Inception等，用于提取图像特征 |
| PyTorch | Python | 提供预训练的深度神经网络模型，如ResNet，VGG，Inception等，用于提取图像特征 |
| VLFeat | C，MATLAB | 提供多种特征提取算法，如SIFT，HOG，LBP等 |
这些库都为图像特征提取提供了大量的工具和函数，可以帮助开发者快速地实现图像特征提取。需要注意的是，不同的特征提取方法可能适用于不同的任务，选择何种方法取决于特定的应用需求。
步骤2：索引和搜索
将提取出来的特征向量存储在Elasticsearch中，然后利用Elasticsearch的搜索能力来找出相似的图像。Elasticsearch的向量数据类型可以用来存储向量，而script_score查询可以用来计算相似度。
4、Elasticsearch 8.X “图搜图”实战
4.1 架构梳理
- 数据层：图片数据分散在互联网上，需要采集实现。
- 采集层：借助爬虫或者已有工具采集数据，存储到本地即可。
- 存储层：借助向量转换工具或模型工具，遍历图片为向量存入Elasticsearch。
- 业务层：实现图片转向量后，借助knn检索实现图搜图。
4.2 clip-ViT-B-32-multilingual-v1工具选择
sentence-transformers/clip-ViT-B-32-multilingual-v1是OpenAI的CLIP-ViT-B32模型的多语言版本。
该模型可以将文本（50多种语言）和图像映射到一个公共的密集向量空间中，使得图像和匹配的文本紧密相连。这个模型可以用于图像搜索（用户通过大量的图像进行搜索）和多语言的图像分类（图像标签被定义为文本）。
模型地址：https://huggingface.co/sentence-transformers/clip-ViT-B-32-multilingual-v1
4.3 生成向量
如下的函数能将已有数据集图片生成向量。
model.encode(image)
生成的向量参考如下：
4.4 执行检索
POST my-image-embeddings/_search { "knn" : { "field" : "image_embedding", "k" : 5, "num_candidates": 10, "query_vector" : [ -0.7245588302612305, 0.018258392810821533, -0.14531010389328003, -0.08420199155807495, .....省略....... ] }, "fields": [ "image_id", "image_name", "relative_path" ] }
如上搜索请求使用了Elasticsearch的k-NN (k-最近邻) 插件来查找与query_vector最接近的图像。
具体的参数含义如下：
| 参数 | 含义 |
| knn | 表示将使用k-最近邻搜索。 |
| field | 定义了执行k-NN搜索的字段。在此例中，image_embedding 字段应包含图像的嵌入向量。 |
| num_candidates | 是一个控制搜索精度和性能权衡的选项。在一个大的索引中，寻找确切的k个最近邻居可能会很慢。因此，k-NN插件首先找到num_candidates个候选，然后在这些候选中找到k个最近邻居。在此例中，num_candidates: 10 ,表示首先找到10个候选，然后在这些候选中找到5个最近邻居。 |
| query_vector | 要比较的查询向量。k-NN插件会计算这个向量与索引中的每个向量的距离，然后返回距离最近的k个向量。在此例中，query_vector 是一个大的浮点数列表，代表图像的嵌入向量。 |
| fields | 定义了返回的字段。在此例中，搜索结果将只包含image_id，image_name，和relative_path字段。如果不指定 fields参数，搜索结果将包含所有字段。 |
显示详细信息
4.5 图搜图结果展示
5、小结
总结一下，图搜图功能的实现重点在于两个关键的组件：Elasticsearch和预训练模型 sentence-transformers/clip-ViT-B-32-multilingual-v1。
Elasticsearch，作为一个基于Lucene的搜索服务器，为分布式多用户全文搜索提供了一个基于RESTful web接口的平台。另一方面，sentence-transformers/clip-ViT-B-32-multilingual-v1，这个预训练模型，基于OpenAI的CLIP模型，可以生成文本和图像的向量表示，这对于比较文本和图像的相似性至关重要。
在具体实现过程中，每个图像的特征都由预训练模型提取，得到的向量可以视作图像的数学表示。这些向量将存储在Elasticsearch中，为图搜图功能提供了一个高效的最近邻搜索机制。当有新的图像上传进行搜索时，同样使用预训练模型提取特征，得到向量，并与Elasticsearch中存储的图像向量进行比较，以找出最相似的图像。
整个过程体现了预训练模型在图像特征提取中的重要作用，以及Elasticsearch在进行高效最近邻搜索中的强大能力。两者的结合为图搜图功能的实现提供了一个可靠的技术支持。
参考
- 1、https://huggingface.co/sentence-transformers/clip-ViT-B-32-multilingual-v1
- 2、https://github.com/rkouye/es-clip-image-search
- 3、https://github.com/radoondas/flask-elastic-image-search
- 4、https://www.elastic.co/guide/en/elasticsearch/reference/current/knn-search.html
- 5、https://unsplash.com/data
推荐阅读
更短时间更快习得更多干货！
和全球 近2000+ Elastic 爱好者一起精进！
大模型时代，抢先一步学习进阶干货！
