미리 알아보기

• pillow
• OpenCV
• 이미지 열기, 파일 정보 추출하기
• CIFAR-100에서 히스토그램을 기반으로 유사한 이미지를 골라내기

환경 세팅

1. 터미널에서 아래와 같이 세팅

   $ pip install pillow opencv-python matplotlib    

2. 파일 준비하기

   $ mkdir -p ~/aiffel/python_image_proc/data
   $ ln -s ~/data/* ~/aiffel/python_image_proc/data
   $ ls ~/aiffel/python_image_proc/data  # 파일 확인

3. 실습용으로 CIFAR-100 이미지 데이터셋을 사용
   CIFAR-100

디지털 이미지

• 디지털 화면은 수많은 점들로 이루어짐
• 색상을 가지는 점 하나를 화소(pixel, picture element)
• 각 화소는 RGB(Red, Green, Blue) 세 개의 단일 색의 강도를 각각 조절하여 색상을 표현
  
  -> 이유
  눈의 망막에 있는 시세포가 인간의 경우 대부분 세 가지로

래스터 or 비트맵

• 빨강, 초록, 파랑 세 가지 색의 강도로 표현되는 점 하나하나의 색상 값을 저장
• 이를 래스터(raster) 또는 비트맵(bitmap) 방식의 이미지
• 한 점마다 각 색상별로 8비트를 사용하여 0~255 사이의 값(2^8 = 256)으로 해당 색의 감도를 표시

벡터

• 벡터(vector) 방식의 이미지는 상대적인 점과 선의 위치를 방정식으로써 기록
• 확대 및 축소에 따라 디지털 화면의 각 화소에 어떻게 표현될지를 재계산하기에 깨짐이 없음

jpg

• 근처에 있는 화소들을 묶어, 비슷한 색들을 뭉뚱그리는 방식으로 이미지를 압축
• 색상 정보의 손실, 저장할 때 압축률을 높일 때
• 다시 저장하는 등 재압축 시
• 디지털 풍화라고 불리는 색상이 지저분해지는 현상

png

• 스크린샷 등에 많이 사용되는 PNG 이미지 형식
• 색상의 손실 없이 이미지를 압축
• 이미지에 사용된 색상을 미리 정의해두고 그를 참조하는 팔레트 방식을 사용
• 사용된 색상이 적은 단순한 이미지의 경우 동일한 해상도의 JPEG 파일보다도 용량이 작음
• 사진과 같이 이미지에 사용된 색상이 많아지면 JPEG 파일보다 쉽게 더 많은 용량을 차지

GIF

• 움짤로 익숙
• 이미지 내에 여러 프레임을 두어 이를 움직이게
• 색상 정보를 손실 없이 저장
• 256개의 색상만 기억할 수 있는 팔레트 방식으로 제한

이미지 다루기 (Pillow 사용법)

• 전신
  - PIL(Python Image Library)이라는 라이브러리
  • Pillow가 이어받아 현재까지도 지속적으로 사용
  • Pillow는 Numpy와 결합하여 간편하게 사용할 수 있는 도구
• 디지털 이미지
  - 이미지는 배열 형태의 데이터
  • 예
    • 가로 세로 각 32픽셀에 RGB 세 가지 색상 채널
      • Numpy로 [32, 32, 3] 차원의 배열을 생성
      • 데이터 타입을 uint8(각 값이 부호가 없는(unsigned) 8비트 정수(integer))
      • 0~255(2의 8승 = 256) 사이의 값

        data = np.zeros([32,32,3],dtype=np.unit8)
        => 데이터는 넘파이 제로에 32,32,싸이즈의 3색상에 dtype이 넘파이

numpy PIL 호출

import numpy as np
from PIL import Image

디지털 이미지 초기화

data = np.zeros([32, 32, 3], dtype=np.uint8) # 가로, 세로크기, RGB 

한번에 표시

import numpy as np       
from PIL import Image

data = np.zeros([32, 32, 3], dtype=np.uint8) 
image = Image.fromarray(data, 'RGB')
image

data[:, :] = [255, 0, 0]
image = Image.fromarray(data, 'RGB')
image

예

• width와 height를 출력하고, .save()를 이용하여 jpg 파일 포맷으로 저장

import numpy as np
from PIL import Image
data = np.zeros([32,32,3], dtype=np.unit8)
image = Image.fromarry(data, 'RGB')
show(image)

이미지 포멧 변환

img = Image.open(image_path)
new_image_path = os.getenv('HOME')+'jpg_pillow_practice.jpg'
img = img.convert('RGB')
img.save(new_image_path)

이미지 저장 .save()

resized_image = img.resize((100,200))

이미지 크기 조절 .resize()

resized_image = img.resize((100,200))

이미지 잘라내기 .crop()

box = (300, 100, 600, 400)
region = img.crop(box)

이미지 확장자 임의로 변경

# 이미지 확장자를 임의로 wpg로 바꿈 wpg = w png
image_path = './python_image_proc/data/pillow_practice.wpg'

# 이미지 열기
img = Image.open(image_path)
img

Pillow를 활용한 데이터 전처리

CIFAR 데이터를 받아 개별 이미지 파일로 추출

import os
import pickle
from PIL import Image

dir_path = './python_image_proc/data/cifar-100-python' # 여기에 있는 것의
train_file_path = os.path.join(dir_path, 'train')      # train에 들어가서

with open(train_file_path, 'rb') as f:
    train = pickle.load(f, encoding='bytes')

print(type(train))
print(train)   

모듈 pickle 활용법

• pickle.dump(객체, 파일) 로 저장하고
• pickle.load(파일) 로 로딩합니다
• 파이썬의 변수 혹은 클래스 인스턴스를 binary 형태로 저장하는 패키지

import pickle
my_list = ['a','b','c']
 
## Save pickle
with open("data.pickle","wb") as fw:
    pickle.dump(my_list, fw)
 
## Load pickle
with open("data.pickle","rb") as fr:
    data = pickle.load(fr)
print(data)
#['a', 'b', 'c']

근데 wb랑 rb는 뭐냐

• pickle.dump(object, filepath) 를 이용하여 변수를 저장
• pickle.load(filepath) 를 이용하여 저장된 변수를 읽기
• file open 시 mode 를 ‘wb’ 와 ‘rb’ 를 입력
• 'wb 는 write binary, rb 는 read binary 를 의미

다시

import os
import pickle
from PIL import Image

dir_path = './python_image_proc/data/cifar-100-python' # 여기에 있는 것의
train_file_path = os.path.join(dir_path, 'train')      # train에 들어가서

with open(train_file_path, 'rb') as f:
    train = pickle.load(f, encoding='bytes')

print(type(train))
print(train)   

<class 'dict'>
{b'filenames': [b'bos_ta........, 72, 69, 67]], dtype=uint8)}

결과는 너무 많다...
일단 데이터를 제공한 사람의 설명을 보면 딕셔너리 파일로 되어 있다니
어떤 키가 있는지 확인해보자

train.keys()

dict_keys([b'filenames', b'batch_label', b'fine_labels', b'coarse_labels', b'data'])

각 키들이 문자열(str)이 아닌 b로 시작하는 bytes로 되어있다!

일단 첫번째 정보인 파일명(b'filenames')의 타입을 확인해보자

type(train[b'filenames'])

list

리스트네.
앞 5개만 확인해보자

train[b'filenames'][0:5]

[b'bos_taurus_s_000507.png',
b'stegosaurus_s_000125.png',
b'mcintosh_s_000643.png',
b'altar_boy_s_001435.png',
b'cichlid_s_000031.png']

데이터 설명을 보면

Data: a 10000x3072 numpy array of uint8s. Each row of the array stores a 32x32 colour image. The first 1024 entries contain the red channel values, the next 1024 the green, and the final 1024 the blue. The image is stored in row-major order, so that the first 32 entries of the array are the red channel values of the first row of the image.

딕셔너리 b'data'에 있데, 꺼내보자

train[b'data'][0:5]

array([[255, 255, 255, ..., 10, 59, 79],
[255, 253, 253, ..., 253, 253, 255],
[250, 248, 247, ..., 194, 207, 228],
[124, 131, 135, ..., 232, 236, 231],
[ 43, 32, 87, ..., 60, 29, 37]], dtype=uint8)

numpy 배열이 나왔네..
형태를 보자

train[b'data'][0].shape

(3072,)

3072라는 숫자는 빨강 초록 파랑 3채널 X 1024(=32 * 32)씩 각 화소에 해당하는 것

• Numpy 배열을 잘 reshape하면 이미지 파일 원본이 복구됨

• 주의점
  - 3072바이트의 이미지 데이터는 앞 1024바이트는 빨강(R), 그다음 1024는 녹색(G), 마지막 1024는 파랑(B)
  • 그냥 모양만 맞추어 reshape하면 안됨
  • 1024를 32X32에 채우는 것을 3번 반복하는 방식의 reshape
  • 앞선 차원부터 데이터를 채우는 방식의 reshape를 위해 np.reshape에는 order라는 인자
  • 이 인자를 F호 주면 원하는 형태로 진행

image_data = train[b'data'][0].reshape([32, 32, 3], order='F')   # order를 주의하세요!!
image = Image.fromarray(image_data)    # Pillow를 사용하여 Numpy 배열을 Image객체로 만들어서
image    # 화면에 띄워 봅시다!!

x축과 y축이 뒤집어서 나옴 -> 축을 바꿔주는 작업이 필요

이미지 축 바꾸기

• np.swapaxes(0, 1)

image_data = image_data.swapaxes(0, 1)
image = Image.fromarray(image_data)
image

지금까지 종합

import os
import pickle
from PIL import Image
import numpy
from tqdm import tqdm

dir_path = './python_image_proc/data/cifar-100-python'
train_file_path = os.path.join(dir_path, 'train')

# image를 저장할 cifar-100-python의 하위 디렉토리(images)를 생성합니다. 
images_dir_path = './python_image_proc/cifar-images'
if not os.path.exists(images_dir_path):
    os.mkdir(images_dir_path)  # images 디렉토리 생성

# 32X32의 이미지 파일 50000개를 생성합니다. 
with open(train_file_path, 'rb') as f:
    train = pickle.load(f, encoding='bytes')
    for i in tqdm(range(len(train[b'filenames']))):
        filename = train[b'filenames'][i].decode()
        data = train[b'data'][i].reshape([32, 32, 3], order='F')
        image = Image.fromarray(data.swapaxes(0, 1))
        image.save(os.path.join(images_dir_path, filename))

100%|██████████| 50000/50000 [00:24<00:00, 2011.90it/s]

OpenCV

• 영상 처리를 위한 다양한 고급 기능을 구현
  Changing Colorspaces
• OpenCV에서는 RGB가 아닌 BGR순서

  코드를 한번 살펴보세요.

  import os
  import cv2 as cv
  import numpy as np
  from  matplotlib import pyplot as plt
  %matplotlib inline

img_path = './python_image_proc/data/cv_practice.png'
img = cv.imread(img_path)

Convert BGR to HSV

hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV)

define range of blue color in HSV

lower_blue = np.array([100,100,100])
upper_blue = np.array([130,255,255])

Threshold the HSV image to get only blue colors

mask = cv.inRange(hsv, lower_blue, upper_blue)

Bitwise-AND mask and original image

res = cv.bitwise_and(img, img, mask=mask)

plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))
plt.show()
plt.imshow(cv.cvtColor(mask, cv.COLOR_BGR2RGB))
plt.show()
plt.imshow(cv.cvtColor(res, cv.COLOR_BGR2RGB))
plt.show()

>> ![](https://velog.velcdn.com/images%2Fpasianus%2Fpost%2Fc6fbdf3d-ff34-495e-af1d-e1da89627f03%2F%E1%84%89%E1%85%B3%E1%84%8F%E1%85%B3%E1%84%85%E1%85%B5%E1%86%AB%E1%84%89%E1%85%A3%E1%86%BA%202022-01-17%20%E1%84%8B%E1%85%A9%E1%84%92%E1%85%AE%2010.27.17.png)

### 모듈 불러오기
```python
import cv2 as cv
import numpy as np

OpenCV는 pip 설치시 opencv-python
import시에는 cv2
OpenCV와 Numpy는 세뚜

.imrea()

img_path = './python_image_proc/data/cv_practice.png'
img = cv.imread(img_path)

파일로부터 이미지를 읽어와 반환해주는 함수

OpenCV 공식 문서화 사이트

.cvtColor(변수, cv.COLOR_BGR2HSV)

# Convert BGR to HSV
hsv = cv.cvtColor(img, cv.COLOR_BGR2HSV)

OpenCV: Color Space Conversions

cvtColor은 컬러 스페이스 변환(convert)을 위한 함수

추출을 위한 기준색 정의

# define range of blue color in HSV
lower_blue = np.array([100,100,100])
upper_blue = np.array([130,255,255])

원하는 색을 추출

• HSV 색 공간에서 색상(Hue) 값 110~130 사이, 채도(Saturation) 및 명도(Value) 값 50~255 사이의 색들을 파란색이라고 정의

HSV에 대해 이해가 필요

$cf$

• HSV 이미지를 사용하여 특정 색상 Object 추출하기

1. RGB 이미지를 입력받아 HSV 이미지로 변환한다.
2. 색상의 범위에 따라 특정 색상의 객체를 추출하는 마스크를 생성한다.
3. 생성한 마스크에 따라 이미지를 계산하여 특정한 색상의 객체만 추출되는 결과 이미지를 만든다.

추출한 기준색으로 마스크 생성 .inRange()

# Threshold the HSV image to get only blue colors
mask = cv.inRange(hsv, lower_blue, upper_blue)

• img 를 변환한 hsv에다가 이 기준들(lower_blue, upper_blue)를 적용
• 해당하는 픽셀들에는 1, 그렇지 않은 픽셀들에는 0을 찍어놓은 배열을 반환

가로 400, 세로 300 픽셀짜리 이미지를 받았었다면, img과 hsv는 각각 픽셀 당 BGR, HSV 세 개의 색상 채널별 값을 가질 테기 때문에, 400 300 3의 크기를 갖는 배열이었고, mask는 픽셀마다 1 또는 0만을 값으로 가졌기에 400 300 ( 1)의 크기

왼쪽이 original frame으로 mask를 만든 뒤 1을 흰색으로, 0을 검정으로 표시한다면, 위 이미지의 가운데에 있는 mask image와 동일

.bitwise_and() 이미지 두장의 AND 연산

• .bitwise_and() 설명

이미지 두 장을 받아서 AND 비트 연산을 한다는 건데, 우리는 이 기능이 필요한 게 아니니 두 장 다 같은 이미지(img, img)를 넣어서 결국 동일한 이미지가 나오게 합니다. 대신 중요한 mask를 같이 넣어줘서, 해당 영역만 따오도록 합니다. 따온 영역은 위 공식 문서 페이지의 함수 설명에 따라 dst가 주어진다면 그 위에, 아니면 새로 빈 검정색 영역 위에 이미지를 만들고 반환

이미지 객체의 컬러변환 cvtColor(변수, cv.COLOR_BGR2RGB)

plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))
plt.show()
plt.imshow(cv.cvtColor(mask, cv.COLOR_BGR2RGB))
plt.show()
plt.imshow(cv.cvtColor(res, cv.COLOR_BGR2RGB))
plt.show()

받아온 이미지 img, 파란색인 영역만 골라낸 마스크 mask, 그리고 이미지에 마스크를 적용한 결과 res를 표시

$cf$. plt 로 보여주지 않고 cv 로 이미지를 띄우는 방법

• cv.imshow(res) = PIL.Image.show(), plt.imshow()

비슷한 이미지 찾아내기

이미지에서 색상 히스토그램을 추출

$cf$ 히스토그램

• 이미지에서 픽셀 별 색상 값의 분포
• 히스토그램을 통해, 각 이미지의 색상 분포를 비교하여 서로 유사한 이미지를 판단하는 척도로 사용

위의 예시는 이미지를 흑백으로 변환했을 때 밝기에 따른 히스토그램
우리는 RGB 각 채널별 분포를 사용
0~255 사이 각 값에 해당하는 픽셀의 개수를 일일이 저장하기에는 계산량이 많아지므로, 단순화의 측면에서 이를 4개 구간(0~63, 64~127, 128~191, 192~255)로 나누어 픽셀 수 세기

• 히스토그램을 실제로 화면에 표시하기 위해 matplotlib도 설치
• OpenCV를 파이썬에서 불러 쓸 수 있도록 하는 패키지 opencv-python 설치

$ pip install opencv-python matplotlib

import os
import pickle
import cv2
import numpy as np
from matplotlib import pyplot as plt
from tqdm import tqdm
from PIL import Image

# 전처리 시 생성했던 디렉토리 구조
dir_path = './python_image_proc/'
train_file_path = os.path.join(dir_path, 'train')
images_dir_path = os.path.join(dir_path, 'cifar-images')

# 파일명을 인자로 받아 해당 이미지 파일과 히스토그램을 출력해 주는 함수
def draw_color_histogram_from_image(file_name):
    image_path = os.path.join(images_dir_path, file_name)
    # 이미지 열기
    img = Image.open(image_path)
    cv_image = cv2.imread(image_path)

    # Image와 Histogram 그려보기
    f=plt.figure(figsize=(10,3))
    im1 = f.add_subplot(1,2,1)
    im1.imshow(img)
    im1.set_title("Image")

    im2 = f.add_subplot(1,2,2)
    color = ('b','g','r')
    for i,col in enumerate(color):
        # image에서 i번째 채널의 히스토그램을 뽑아서(0:blue, 1:green, 2:red)
        histr = cv2.calcHist([cv_image],[i],None,[256],[0,256])   
        im2.plot(histr,color = col)   # 그래프를 그릴 때 채널 색상과 맞춰서 그립니다.
    im2.set_title("Histogram")

draw_color_histogram_from_image('adriatic_s_001807.png')

서로 비교하는 기능

설계 실습

STEP1. 아이디어 개요

우리가 만들 결과물은 histogram_search.py라는 Python 파일이고, 이 파일은 이미지 파일 경로 하나를 명령줄에서 입력으로 받아, 검색 대상 이미지들 중 비슷한 이미지들을 골라 화면에 표시하는 기능을 수행

핵심은
1. 컴퓨터에게 비슷한 이미지라는 개념을 어떻게 구현하느냐

• 히스토그램으로 비교
  -> OpenCV에서 cv2.compareHist() 라는 함수 제공

2. 이미지 파일 경로를 명령줄에서 입력으로 받는 것은 어떻게 하지?

• sys.argv를 사용

3. 검색 대상 이미지는 어디서 가져오지?

• CIFAR-100 이미지 사용

작동 순서 정리

1. 프로그램이 실행된다.
2. 입력된 경로의 이미지 파일을 불러온다.
3. 검색 대상 이미지들 중 불러온 이미지와 가장 비슷한 이미지 5개를 표시한다.
4. 프로그램이 종료된다.

아이디어 구체화

1. 프로그램이 실행된다.
2. 입력된 경로의 이미지 파일을 불러온다.
3. 검색 대상 이미지들 중 불러온 이미지와 가장 비슷한 이미지 5개를 고른다.

• 4. 고른 이미지들을 표시한다.

5. 프로그램이 종료된다.

에서 좀 더 구체화

1. 프로그램이 실행된다.
2. 입력된 경로의 이미지 파일을 불러온다.
3. 검색 대상 이미지들 중 불러온 이미지와 가장 비슷한 이미지 5개를 고른다.
   3-1. 검색 대상 이미지들을 불러온다.
   3-2. 입력 이미지와 비교하여 유사도를 기준으로 순서를 매긴다.
   3-3. 유사도 순서상으로 상위 5개 이미지를 고른다.
4. 고른 이미지들을 표시한다.
5. 프로그램이 종료된다.

핵심 알고리즘 - 유사도 계산 방법

1. 프로그램이 실행된다.
2. 입력된 경로의 이미지 파일을 불러온다.
3. 검색 대상 이미지들 중 불러온 이미지와 가장 비슷한 이미지 5개를 고른다.
   3-1. 검색 대상 이미지들을 불러온다.
   3-2. 입력 이미지와 비교하여 유사도를 기준으로 순서를 매긴다.
   3-2-1. 입력 이미지와 검색 대상 이미지들 사이의 유사도를 계산한다.
   3-2-2. 계산된 유사도를 기준으로 정렬하여 순서를 매긴다.
   3-2. 유사도 순서상으로 상위 5개 이미지를 고른다.
4. 고른 이미지들을 표시한다.
5. 프로그램이 종료된다.

유사도를 히스토그램끼리 비교
-> OpenCV의 기능을 사용

• 1. 프로그램이 실행된다.
• 2. 입력된 경로의 이미지 파일을 불러온다.
• 3. 검색 대상 이미지들 중 불러온 이미지와 가장 비슷한 이미지 5개를 고른다.
     - 3-1. 검색 대상 이미지들을 불러온다.
     - 3-2. 입력 이미지와 비교하여 유사도를 기준으로 순서를 매긴다.
     - 3-2-1. 입력 이미지와 검색 대상 이미지들 사이의 유사도를 계산한다.
     - 3-2-1-1. 입력 이미지와 검색 대상 이미지들을 하나하나 히스토그램으로 만든다.
     - 3-2-1-2. OpenCV의 compareHist() 함수를 사용하여 입력 이미지와 검색 대상 이미지 하나하나의 히스토그램 간 유사도를 계산한다.
     - 3-2-1-3. 계산된 유사도를 기준으로 정렬하여 순서를 매긴다.
• 3-2-2. 유사도 순서상으로 상위 5개 이미지를 고른다.
• 4. 고른 이미지들을 표시한다.
• 5. 프로그램이 종료된다.

기능의 모듈화

• 프로그램이 실행된다.
• 입력된 경로의 이미지 파일을 불러온다.
• 검색 대상 이미지들을 불러온다.
• 입력 이미지를 히스토그램으로 만든다.
• 검색 대상 이미지들을 하나하나 히스토그램으로 만든다.
• OpenCV의 compareHist() 함수를 사용하여 입력 이미지와 검색 대상 이미지 하나하나의 히스토그램 간 유사도를 계산한다.
• 계산된 유사도를 기준으로 정렬하여 순서를 매긴다.
• 유사도 순서상으로 상위 5개 이미지를 고른다.
• 고른 이미지들을 표시한다.
• 프로그램이 종료된다.

이것을 가지고 다시 코드스럽게.

• 프로그램이 실행된다.
• 입력된 경로의 이미지 파일을 불러온다.
• 입력 이미지를 히스토그램으로 만든다.
• build_histogram_db()
  - 검색 대상 이미지들을 불러온다.
  - 검색 대상 이미지들을 하나하나 히스토그램으로 만든다.
• search()
  - OpenCV의 compareHist() 함수를 사용하여 입력 이미지와 검색 대상 이미지 하나하나의 히스토그램 간 유사도를 계산한다.
  - 계산된 유사도를 기준으로 정렬하여 순서를 매긴다.
  - 유사도 순서상으로 상위 5개 이미지를 고른다.
• 고른 이미지들을 표시한다.
• 프로그램이 종료된다.

설계를 조금더 단순화하기 위한 기능 제한
-> 검색 대상의 이미지 중 하나의 이름을 입력받는 것.

• 프로그램이 실행된다.
• 입력된 경로의 이미지 파일을 불러온다.
• build_histogram_db()
  - CIFAR-100 이미지들을 불러온다.
  - CIFAR-100 이미지들을 하나하나 히스토그램으로 만든다.
  - CIFAR-100 히스토그램 중 입력된 이미지 이름에 해당하는 히스토그램을 입력 이미지로 선택한다.
• search()
  - OpenCV의 compareHist() 함수를 사용하여 입력 이미지와 검색 대상 이미지 하나하나의 히스토그램 간 유사도를 계산한다.
  - 계산된 유사도를 기준으로 정렬하여 순서를 매긴다.
  - 유사도 순서상으로 상위 5개 이미지를 고른다.
• 고른 이미지들을 표시한다.
• 프로그램이 종료된다.

설계 과정 완성

• 각 함수에 입력되고 반환될 데이터의 형태와 변수명 정하기

• 프로그램이 실행된다.

• build_histogram_db()
  - CIFAR-100 이미지들을 불러온다.
  - CIFAR-100 이미지들을 하나하나 히스토그램으로 만든다.
  - 이미지 이름을 키로 하고, 히스토그램을 값으로 하는 딕셔너리 histogram_db를 반환한다.

• CIFAR-100 히스토그램 중 입력된 이미지 이름에 해당하는 히스토그램을 입력 이미지로 선택하여 target_histogram이라는 변수명으로 지정한다.

• search()
  - 입력 이미지 히스토그램 target_histogram와 전체 검색 대상 이미지들의 히스토그램을 가진 딕셔너리 histogram_db를 입력으로 받는다.
  - OpenCV의 compareHist() 함수를 사용하여 입력 이미지와 검색 대상 이미지 하나하나의 히스토그램 간 유사도를 계산한다. 결과는 result라는 이름의 딕셔너리로, 키는 이미지 이름, 값은 유사도로 한다.
  - 계산된 유사도를 기준으로 정렬하여 순서를 매긴다.
  - 유사도 순서상으로 상위 5개 이미지만 골라서 result에 남긴다.

• 고른 이미지들을 표시한다.

• 프로그램이 종료된다.

코드로 구현