基于词汇树的图像检索（一）：词汇树

最新推荐文章于 2023-04-16 21:03:28 发布
VIP文章 最新推荐文章于 2023-04-16 21:03:28 发布
阅读量8.8k 收藏 24
点赞数 6
分类专栏： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Mewparadise/article/details/44724569
版权

从今天起准备把我的毕设的实现细节写到博客里面，一方面写一遍加深记忆，另一方面如果哪天忘记了查起来也方便


毕设题目是基于词汇树的无序图像集检索和支撑结构生成，其实提出词汇树那篇文章(Scalable Recognition with a Vocabulary Tree[1])已经是2006年的了，算是很老的文章，但是在大规模二三维重建的过程中快速的图像检索还是有意义的。


今天算是把整个程序怎么写彻底想通了，果然不能没有彻底相同就开始写代码。用力过猛容易闪着腰【高三暑假TAT

这个程序大概是这么个流程：（记录一下，无论是实验室寝室还是公司都可以查，不用老是带着那张草稿纸了）

1. 所有图像提特征（已经实现）

2. 建树（输入：所有特征，特征个数） （已经实现）

3. 将训练集图像转换成TF-IDF向量  （最麻烦的部分，正在写）

    (1) 计算树中每个节点的IDF值 （输入：所有特征，一个记录每张图有多少特征的一位数组）

    (2) 计算每张图的TF-IDF向量 (输入：指向起始特征的指针，特征数目)

    (3) 将TF-IDF向量和对应的图像路径写入数据结构 （输入：TF-IDF向量和图像路径）

4. 查询 

    (1) 计算查询图像的TF-IDF向量 (输入：查询图像路径)

    (2) 找到距离最近的数据库图像 (已经实现)


今天先说下什么叫做词汇树。


</

最低0.47元/天 解锁文章
Mewparadise
关注
  • 6
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于改进视觉字典模型的图像检索算法
01-29
目前在图像检索领域，由于视觉字典其性能突出，已成为图像检索领域构建视觉词典的主流方法。但传统的视觉字典方法存在运行时间效率低、内存消耗大等缺点。因此本文采用ROOTSift算法提取图像的特征点并利用高效的K-means聚类算法建立支持动态扩充的随机视觉字典。该方法基于视觉字典构建视觉词汇直方图和倒排序索引文件，并对视觉词重新分配权重以提高检索命中率。最后利用欧氏距离法查询完成相似性匹配。试验结果表明该方法能提高图像检索的准确率，对大规模的图像检索能够达到很好的检索质量。
基于词汇树的图像检索
xiaoju222的专栏
10-13 1709
http://wenku.baidu.com/link?url=e2VfptZJOf-h-dDUAQmkfSFktZ9W-NHVyfkRaI8OWEosDiwbL_JdWVJe7XqqcvdY5WPKj98p9pQ49UrSX6_pft_NeGX1xKz3EYTR0wM3Vu3 其中倒排
图像文本检索+图像预训练
02-09
LexLIP：用于大规模图像-文本检索的词汇瓶颈语言-图像预训练 表现SOTA！性能优于COTS等网络，单位：香港浸会大学，微软 图像文本检索（ITR）是在给定来自另一模态的查询的情况下检索相关图像/文本的任务。传统的密集检索范式依赖于使用双流编码器将图像和文本编码为密集表示，然而，它在大规模检索场景中面临检索速度低的挑战。在这项工作中，我们提出了lexicon-weighting范式，其中学习图像和文本的词汇空间中的稀疏表示，以利用单词包模型和高效的反向索引，从而显著降低检索延迟。一个关键的差距来自于图像数据的连续性，以及对稀疏词汇空间表示的要求。为了弥补这一差距，我们引入了一种新的预训练框架，即Lexicon-Bottlenecked Languagelmage Pre-Training（LexLIP），该框架学习重要性感知词汇表示。该框架在双流编码器和弱化文本解码器之间具有词典瓶颈模块，允许构建连续的单词瓶颈包以学习词典重要性分布。在使用相同规模的数据进行预训练后，我们的LexLIP在两个基准ITR数据集MSCOCO和Flickr30k上实现了最先进的性能。此外，在大规模检索
基于词汇树的手指静脉图像检索的二进制搜索路径
03-07
基于词汇树的手指静脉图像检索的二进制搜索路径
词根词缀学单词/优秀词典推荐
xuchaoxin1375的博客
02-19 2897
文章目录词根词缀概览微信小程序形近音近词根英语词典丨背单词英语词根词缀详解独立的第三方app词根词缀字典词根单词 词根词缀概览 (摘自B站截图) 微信小程序 形近音近词根英语词典丨背单词 优点是没有广告,词根解释较为详细,提供相关词的拓展 英语词根词缀详解 专门查词根时不错(有词根树) 独立的第三方app 词根词缀字典 app下载链接 词根单词 看看总体的词根体系树 有特色词源树 ...
[论文阅读]词汇树 Scalable Recognition with a Vocabulary Tree
好记性不如烂笔头
09-24 9858
论文阅读，记录一下自己阅读论文的收获，如有谬误，希望能得到指正！ ------------------------------------------------------------------------------------------------------------------------------------------------------------
Scalable Recognition with a Vocabulary Tree（词汇树）
weixin_43559672的博客
04-16 632
我们发现，对于检索质量来说，最重要的是拥有大量的词汇表（大量的叶节点），而不是给词汇表树的内部节点过强的权重。某个词在文章中的TF-IDF越大，那么一般而言这个词在这篇文章的重要性会越高，所以通过计算文章中各个词的TF-IDF，由大到小排序，排在最前面的几个词，就是该文章的关键词。不同层的w可以通过好几种方式得到，比如分配每个节点相对于路径中它上面的节点的熵，这似乎是正确的，但是我们发现使用相对于树的根的熵和忽略路径内的依赖关系更好。图3给出了这种图像的表示方式。词汇树是一个分层的聚类得到的分层的量化。
Scalable Recognition with a Vocabulary Tree
一个人的遭遇
05-22 2739
Reading Notes 1,Text Retrieval Approach The text retrieval approach: (1)Parsing an article into words; (2)Some words have the same stem, e.g.,“walk”,”walking”,”walks”, these different variants hav
聚类之层次聚类、基于划分的聚类（…
热门推荐
bluewater的专栏
04-14 3万+
5、聚类之层次聚类、基于划分的聚类（k-means）、基于密度的聚类、基于模型的聚类 目录(?)[-] 1.      一层次聚类 1.      层次聚类的原理及分类 2.      层次聚类的流程 3.      层次聚类的优缺点 2.      二划分聚类法k-means 1.      Kmeans算法的原理 2.      k均值的优缺点及分类 3.    
查找单词树（树）
chrisblogtk的博客
04-08 2362
Description 在进行文法分析的时候，通常需要检测一个单词是否在我们的单词列表里。为了提高查找和定位的速度，通常都要画出与单词列表所对应的单词查找树，其特点如下：   根节点不包含字母，除根节点外每一个节点都仅包含一个大写英文字母；   从根节点到某一节点，路径上经过的字母依次连起来所构成的字母序列，称为该节点对应的单词。单词列表中的每个词，都是该单词查找树某个节点所对应的单词； 
论文研究-基于词汇树的智能手机图书图像检索系统 .pdf
08-15
基于词汇树的智能手机图书图像检索系统，佘曼桂，张琳，随着智能移动终端的升级换代以及移动通信技术的发展，智能手机给人们带来全新的互联网体验。手机图书检索系统受限于检索算法的效
基于matlab创建基于颜色特征的图像检索系统
06-28
此示例说明如何使用自定义的功能包工作流创建基于内容的图像检索 （CBIR） 系统。 基于内容的图像检索 （CBIR） 系统用于查找在视觉上与查询图像相似的图像。CBIR系统的应用可以在许多领域找到，例如基于网络的产品...
基于稀疏表示的可分离词汇和特征融合在图像检索中的应用
03-02
基于稀疏表示的可分离词汇和特征融合在图像检索中的应用
spring java图片上传源码.rar
最新发布
04-26
源码实现了图片上传功能，可供相关功能开发的小伙伴参考学习使用。
新入职员工工作总结范文大全(篇).docx
04-26
工作总结，新年计划，岗位总结，工作汇报，个人总结，述职报告，范文下载，新年总结，新建计划。
本项目内容为《SpringBoot 2.X 基础教程》配套源码.zip
04-26
提供的源码资源涵盖了安卓应用、小程序、Python应用和Java应用等多个领域，每个领域都包含了丰富的实例和项目。这些源码都是基于各自平台的最新技术和标准编写，确保了在对应环境下能够无缝运行。同时，源码中配备了详细的注释和文档，帮助用户快速理解代码结构和实现逻辑。 适用人群： 这些源码资源特别适合大学生群体。无论你是计算机相关专业的学生，还是对其他领域编程感兴趣的学生，这些资源都能为你提供宝贵的学习和实践机会。通过学习和运行这些源码，你可以掌握各平台开发的基础知识，提升编程能力和项目实战经验。 使用场景及目标： 在学习阶段，你可以利用这些源码资源进行课程实践、课外项目或毕业设计。通过分析和运行源码，你将深入了解各平台开发的技术细节和最佳实践，逐步培养起自己的项目开发和问题解决能力。此外，在求职或创业过程中，具备跨平台开发能力的大学生将更具竞争力。 其他说明： 为了确保源码资源的可运行性和易用性，特别注意了以下几点：首先，每份源码都提供了详细的运行环境和依赖说明，确保用户能够轻松搭建起开发环境；其次，源码中的注释和文档都非常完善，方便用户快速上手和理解代码；最后，我会定期更新这些源码资源，以适应各平台技术的最新发展和市场需求。
IMG_20240426_195457.jpg
04-26
IMG_20240426_195457.jpg
培训看版.xlsx
04-26
Excel数据看板，Excel办公模板，Excel模板下载，Excel数据统计，数据展示
A Confidence-Guided Automated System for Non-emergency Calls.pdf
04-26
A Confidence-Guided Automated System for Non-emergency Calls.pdf
用python设计一个bow图像检索系统
06-13
BOW (Bag of Words) 是一种常用的图像检索方法，其基本思想是将图像转化为向量，然后通过计算向量之间的距离来实现图像检索。下面是一个基于Python的BOW图像检索系统的设计思路和实现方法。 ## 设计思路 1. 预处理阶段：对于每张图片，提取其SURF特征，并使用K-means算法将特征向量聚类，得到视觉词汇表。 2. 训练阶段：对于每张图片，使用其SURF特征和视觉词汇表，构造其Bag of Words向量，并使用SVM分类器对图像进行分类。 3. 检索阶段：对于查询图片，提取其SURF特征并构造其Bag of Words向量，计算查询向量与训练集中所有图像的距离，并返回距离最近的前K张图片作为检索结果。 ## 实现方法 下面是一个基于Python的BOW图像检索系统的实现方法。 ### 1. 预处理阶段 ```python import cv2 import numpy as np from sklearn.cluster import KMeans # 定义SURF特征提取器 surf = cv2.xfeatures2d.SURF_create() # 定义K-means聚类器 kmeans = KMeans(n_clusters=50) # 加载训练集图片 train_images = [] for i in range(1, 11): img = cv2.imread(f'train/{i}.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kp, des = surf.detectAndCompute(gray, None) train_images.append(des) # 将特征向量聚类，得到视觉词汇表 features = np.vstack(train_images) kmeans.fit(features) vocabulary = kmeans.cluster_centers_ ``` 以上代码中，我们使用OpenCV的SURF特征提取器提取训练集图片的SURF特征，并使用K-means算法将特征向量聚类，得到视觉词汇表。 ### 2. 训练阶段 ```python import os # 构造训练集的Bag of Words向量和标签 train_data = [] train_labels = [] for i in range(1, 11): img = cv2.imread(f'train/{i}.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kp, des = surf.detectAndCompute(gray, None) words = kmeans.predict(des) bow_vector = np.zeros((1, 50)) for w in words: bow_vector[0, w] += 1 train_data.append(bow_vector) train_labels.append(i) # 使用SVM分类器对图像进行分类 svm = cv2.ml.SVM_create() svm.setType(cv2.ml.SVM_C_SVC) svm.setKernel(cv2.ml.SVM_LINEAR) svm.train(np.array(train_data), cv2.ml.ROW_SAMPLE, np.array(train_labels)) ``` 以上代码中，我们对每张训练集图片提取SURF特征并构造其Bag of Words向量，然后使用SVM分类器对图像进行分类。 ### 3. 检索阶段 ```python # 加载查询图片 query_img = cv2.imread('query.jpg') query_gray = cv2.cvtColor(query_img, cv2.COLOR_BGR2GRAY) query_kp, query_des = surf.detectAndCompute(query_gray, None) # 构造查询图片的Bag of Words向量 query_words = kmeans.predict(query_des) query_bow = np.zeros((1, 50)) for w in query_words: query_bow[0, w] += 1 # 计算查询向量与训练集中所有图像的距离 distances = [] for i in range(1, 11): img = cv2.imread(f'train/{i}.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) kp, des = surf.detectAndCompute(gray, None) words = kmeans.predict(des) bow_vector = np.zeros((1, 50)) for w in words: bow_vector[0, w] += 1 dist = np.linalg.norm(query_bow - bow_vector) distances.append((i, dist)) # 返回距离最近的前K张图片作为检索结果 k = 5 results = sorted(distances, key=lambda x: x[1])[:k] for r in results: print(f'train/{r[0]}.jpg') ``` 以上代码中，我们对查询图片提取SURF特征并构造其Bag of Words向量，然后计算查询向量与训练集中所有图像的距离，并返回距离最近的前K张图片作为检索结果。 ## 总结 BOW图像检索系统是一种基于特征向量的图像检索方法，在实际应用中具有广泛的应用。本文介绍了基于Python的BOW图像检索系统的设计思路和实现方法，希望能够对读者有所帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值