致谢:基础框架来源BoW,开发版本在此基础上进行,已在Ubuntu、OS X上测试通过,Windows需要支持c++11的编译器(VS2012及其以上)。
使用
代码下载地址:bag-of-words-stable-version,这个是稳定版,上层目录里的开发版不要下载,那是我添加测试新模块所用的。
编译
修改Makefile
文件,如果你的系统支持多线程技术,将
CFLAGS = -std=c++11
修改为
CFLAGS = -std=c++11 -fopenMP # if openMP accesses, using this
修改完上面后,再修改编译所需的OpenCV和cppsugar,即
INCPATH = -I/usr/local/include -I/Users/willard/codes/cpp/opencv-computer-vision/cpp/BoVW/cppsugar
LIBPATH = -L/usr/local/lib
/usr/local/include
和/usr/local/lib
分别是OpenCV所在的包含头文件目录路径和库目录路径,修改为你本机所在的目录即可。后面的cppsugar目录同样换成你本机的目录。 修改。这些修改完成后,执行下面命令进行编译:
make
编译后即可在所在目录生成可执行文件。
生成图库列表文件
对于待检索的图像库imagesDataSet,执行下面命令
python imgNamesToTXT.py -t /Users/willard/Pictures/imagesDataSet
上面执行后生成一个imageNamesList.txt
的文件,该文件中包含的是每幅图像的路径及其图像文件名。
建立索引
执行下面命令,会完成特征提取、生成词典、量化生成bag of word向量:
./index imageNamesList.txt
上面命令执行玩,会生成两个文件bows.dat
和dict.dat
,分别存放的是图像库每幅图像的bag of word向量以及词典。
查询图像
按下面命令进行查询
./search /Users/willard/Pictures/first1000/ukbench00499.jpg imageNamesList.txt
其中/Users/willard/Pictures/first1000/ukbench00499.jpg
是查询图像,执行完后,会生成一个result.html
的文件,应为要显示检索结果,所以这里采用的是用html页面的方式显示检索结果的,用浏览器打开即可。
批量测试
为了评价检索的效果,可以使用ukbenchScores.cpp
计算在ukbench图像库上的NS score(NS分数),下面是在ukbench1000张图像上计算的NS score:
Ukbench first 1000 images, the NS-scores: 3.358, with tf*idf and histogram intersection kernel distance.
Ukbench first 1000 images, the NS-scores: 3.602, with tf and histogram intersection kernel distance.
Bag of words原理
关于bag of words的原理,可以查阅我的博文BoW图像检索Python实战和Bag of Words模型。注意,该框架中采用的相似性度量方式是直方图相交(histogram intersection kernel)的方法,测试发现直方图相交的方法要比用余弦距离度量的方式效果更好,但计算速度较慢。
开发版本bag-of-words-dev-version中加入了逆文档词频以及RANSAC重排,待效果达到预期后,会添加到稳定版中。
This is a test for KATEX, a2+b2=c2, if you want it in display style, try:e=n→∞lim(1+n1)n,andπ=k=0lim∞16k1(8k+14−8k+42−8k+51−8k+61).
c=±√a2+b2
ex=n→∞limt=0∑n(t!1⋅xt)=t=0∑∞(1+x+2!1x2+3!1x3+...+t!1⋅xt)
from: http://yongyuan.name/blog/bag-of-words-cpp-implement.html