序言

以图搜图系统指的是从图像内容提取特征向量，然后使用向量数据库进行向量数据的插入、删除、相似性检索等操作，进而提供根据图像内容搜索出具有相似内容的其它图像的功能。

系统架构

典型的搜图系统整体架构时序图如下：

图像上传过程：

1. 1. 客户端上传图像到服务端。

2. 2. 服务端存储图像至对象存储、插入结构化数据至关系型数据库、发送消息至 MQ 消息队列。

3. 3. 服务端对客户端请求返回响应。

4. 4. 图像搜索服务接受 MQ 的消息，下载图像内容，使用特定模型提取图像特征向量，然后将特征向量插入到向量数据库。

这里使用 MQ 的主要原因有：

• • 异步快速响应，因为提取图像特征比较耗时，如果是同步的过程则会对客户端体验不友好。

• • 解耦服务、服务异构，提取图像特征属于计算机视觉领域，编程语言生态基本是 Python ，而后端服务则常见于 Java、Golang、Node.js 等，这在架构上就要求服务异构和解耦。

• • 削峰填谷，由于用户上传图像具有波峰波谷的天然特性，使用 MQ 可以使下游图像计算保持平稳。

图像搜索过程：

1. 1. 客户端上传图像到服务端。

2. 2. 服务端发起调用并将图像传递到图像搜索服务，图像搜索服务提取图像特征向量，然后查询向量数据库进行相似性搜索，最后返回向量搜索结果。

3. 3. 服务端根据向量搜索结果查询结构化数据，整合数据，最后响应。

我们可以看到以上系统中，比较耗时的有两部分：

1. 1. 图像传递链路长：客户端 -> 服务端 -> 对象存储 -> 图像搜索服务。

2. 2. 图像特征计算比较耗时、且比较消耗服务器资源。

使用客户端模型优化架构

为了进一步优化系统架构，我们可以尝试使用客户端模型进行图像特征提取。

图像上传过程：

1. 1. 客户端向服务端请求对象存储的直传地址，然后客户端直接将图像内容传递到对象存储（需要对象存储支持直传操作）。

2. 2. 客户端进行本地计算，提取图像特征向量，然后传递特征向量和结构化数据给服务端。

3. 3. 服务端对结构化数据和向量数据分别插入到不同的数据库，完成响应。

图像搜索过程：

1. 1. 客户端进行本地计算，提取图像特征向量，然后传递特征向量和结构化数据给服务端。

2. 2. 服务端分别进行向量检索和结构化数据查询，整合数据，完成响应。

优化后的架构：

• • 图像传递链路短，只有客户端 -> 对象存储。

• • 图像特征计算卸载到了客户端完成，服务器不需要再消耗计算资源。

• • 减少了 MQ 和图像搜索服务这两个构件，架构更加简单、复杂度降低。

客户端模型的可行性和约束

客户端相比于服务端具有硬件资源有限、且不可扩展的特点，因此这就要求客户端使用的模型要更小、计算消耗更少。

我们根据上图中的模型对比可以看到 mobilenet 这种模型更符合我们的需求（模型的名字就能看出来）。

示例

以下给出一个前端使用 mobilenet 完成图像特征提取的示例：

    <!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/mobilenet"></script>
</head>
<body>
<input type="file" id="imageInput">
<button onclick="extractFeatures()">Extract Features</button>
<pre id="result"></pre>

<script>
    let model;

    asyncfunctionloadModel(){
        if(!model){
            // 加载模型时 mobilenet 会去 storage.googleapis.com 下载
            model =await mobilenet.load({version:2,alpha:1.0});
        }
    return model;
    }

    functionpreprocessImage(image){
        const tensor = tf.browser.fromPixels(image)
            .resizeNearestNeighbor([224,224])
            .toFloat()
            .expandDims();
        return tensor.div(255.0);
    }

    asyncfunctionextractFeatures(){
        const input =document.getElementById('imageInput');
        if(input.files.length===0){
            alert('Please select an image file first.');
        return;
    }

    const model =awaitloadModel();
    const timeStart =Date.now();
    const file = input.files[0];
    const reader =newFileReader();
    reader.onload=asyncfunction(e){
        const image =newImage();
        image.src= e.target.result;
        image.onload=asyncfunction(){
            const processedImage =preprocessImage(image);
            const features = model.infer(processedImage,false);// 去掉最后的全连接层
            const featuresArray =await features.array();
            document.getElementById('result').textContent=JSON.stringify(featuresArray,null,2);

            console.log(`Extract feature spend: ${Date.now() - timeStart} ms`);;
        }
    }
    reader.readAsDataURL(file);
    }
    </script>
</body>
</html>

然后在我的笔记本电脑简单测试的结果：

从上图可以看到，在我的客户端处理一张图像可以在一秒内完成，当然实际耗时取决于硬件资源和图像大小。

最后，如果你对此类主题感兴趣，可以阅读我的其它相关文章。

参考资料：

• • https://keras.io/api/applications/

• • https://www.tensorflow.org/js/models

• • https://github.com/tensorflow/tfjs-models/tree/master/mobilenet