PostgreSQL 在视频、图片去重，图像搜索业务中的应用
背景
图像处理的业务场景比较多，例如 图像搜索、视频去重、人脸识别、美图、图片去重 等。
比如，视频去重，一些用户上传了较多的视频，同一部电影可能有不同的版本，分辨率不一样，音轨不一样，压缩比不一样。这种情况会导致服务端重复存储大量的视频。
又比如甄别黄色视频或黄色图片，鉴黄师的职业要消失了。
有什么方法可以得到重复的视频呢？ 如何鉴别黄色视频和图片呢？ 本文将给你揭晓。
另一方面，图片搜索是继文字搜索后又一个比较常用的搜索引擎。
市面上常见的搜索引擎有谷歌、百度、搜狗等图片搜索引擎。
http://image.baidu.com/
http://images.google.com.hk
例如在搜索引擎提供的接口中上层了一张雪人的图片，搜出来一堆和雪人近似的图片。
图片搜索是怎么做到的呢?
万能的PostgreSQL绝不落下这么好玩的东东，通过PG万能的API，可以扩展它的图片搜索功能。
如果你对PostgreSQL扩展开发感兴趣，可以参考我写的文章
《找对业务G点, 体验酸爽 - PostgreSQL内核扩展指南》
PostgreSQL 图像搜索插件背景技术
PostgreSQL的图像搜索插件使用了非常主流的Haar wavelet技术对图像进行变换后存储，可以参考WIKI和一篇关于HW的文献。
https://en.wikipedia.org/wiki/Haar_wavelet
http://www.cs.toronto.edu/~kyros/courses/320/Lectures.2013s/lecture.2013s.10.pdf
https://wiki.postgresql.org/images/4/43/Pgcon_2013_similar_images.pdf
截取几页，注意烧脑。
PostgreSQL 图像搜索插件介绍
依赖gd.h
# yum install -y gd-devel
下载安装imgsmlr
$ git clone https://github.com/postgrespro/imgsmlr
$ cd imgsmlr
$ export PGHOME=/home/digoal/pgsql9.5
$ export PATH=$PGHOME/bin:$PATH:.
$ make USE_PGXS=1
$ make USE_PGXS=1 install
安装插件
$ psql
psql (9.5.3)
Type "help" for help.
postgres=# create extension imgsmlr;
CREATE EXTENSION
imgsmlr新增了两个数据类型
| Datatype | Storage length | Description |
|---|---|---|
| pattern | 16388 bytes | Result of Haar wavelet transform on the image |
| signature | 64 bytes | Short representation of pattern for fast search using GiST indexes |
gist 索引方法(支持pattern和signature类型), 以及KNN操作符，可以用于搜索相似度
| Operator | Left type | Right type | Return type | Description |
|---|---|---|---|---|
| <-> | pattern | pattern | float8 | Eucledian distance between two patterns |
| <-> | signature | signature | float8 | Eucledian distance between two signatures |
新增了几个函数
将图像的二进制转换为pattern类型，将pattern中存储的数据转换为signature类型
| Function | Return type | Description |
|---|---|---|
| jpeg2pattern(bytea) | pattern | Convert jpeg image into pattern |
| png2pattern(bytea) | pattern | Convert png image into pattern |
| gif2pattern(bytea) | pattern | Convert gif image into pattern |
| pattern2signature(pattern) | signature | Create signature from pattern |
| shuffle_pattern(pattern) | pattern | Shuffle pattern for less sensitivity to image shift |
PostgreSQL 图像搜索插件测试
导入一些图片，例如（越多越好）
建立图片表
create table image (id serial, data bytea);
导入图片到数据库
insert into image(data) select pg_read_binary_file('文件路径');
将图片转换成 patten 和 signature
CREATE TABLE pat AS (
SELECT
id,
shuffle_pattern(pattern) AS pattern,
pattern2signature(pattern) AS signature
FROM (
SELECT
id,
jpeg2pattern(data) AS pattern
FROM
image
) x
);
创建索引
ALTER TABLE pat ADD PRIMARY KEY (id);
CREATE INDEX pat_signature_idx ON pat USING gist (signature);
近似度查询，例如查询与id = :id的图像相似的图像，按相似度排行，取出前10条
SELECT
id,
smlr
FROM
(
SELECT
id,
pattern <-> (SELECT pattern FROM pat WHERE id = :id) AS smlr
FROM pat
WHERE id <> :id
ORDER BY
signature <-> (SELECT signature FROM pat WHERE id = :id)
LIMIT 100
) x
ORDER BY x.smlr ASC
LIMIT 10
这里可以用到KNN索引，快速按相似度排行输出结果。
例子
视频去重业务
视频去重，可以抽取视频中的关键帧，自关联产生笛卡尔积，计算不同视频的任意两张图片的相似度，相似度达到一定阈值，可以认为是相同视频。
例子
创建图片表，并将所有视频的关键帧导入表中
create table image (id serial8 primary key, movie_id int, data bytea);
导入图片，假设为jpeg格式
... 略 ...
生成patten 和 signature
CREATE TABLE pat AS (
SELECT
id, movie_id,
shuffle_pattern(pattern) AS pattern,
pattern2signature(pattern) AS signature
FROM (
SELECT
id, movie_id,
jpeg2pattern(data) AS pattern
FROM
image
) x
);
计算不同视频的相似度
select t1.movie_id, t1.id, t1.signature<->t2.signature from
pat t1 join pat t2 on (t1.movie_id<>t2.movie_id)
order by t1.signature<->t2.signature desc
or
select t1.movie_id, t1.id, t1.signature<->t2.signature from
pat t1 join pat t2 on (t1.movie_id<>t2.movie_id)
where t1.signature<->t2.signature > 0.9
order by t1.signature<->t2.signature desc
小结
1. PostgreSQL是一个非常强大的数据库，功能高度可定制。而且不需要动到PostgreSQL的内核。 安全可靠。
2. 使用图像搜索的技术就是PostgreSQL功能扩展的例子，速度杠杠的，还记得我以前给出的关于地理位置近邻查询的性能指标吗。
《PostgreSQL 百亿地理位置数据 近邻查询毫秒级反馈》
3. 如果你对PostgreSQL扩展开发感兴趣，可以参考我写的文章
《找对业务G点, 体验酸爽 - PostgreSQL内核扩展指南》