视觉图像检索

最新推荐文章于 2023-04-04 10:05:42 发布

z-hq

最新推荐文章于 2023-04-04 10:05:42 发布

阅读量348

点赞数

本文链接：https://blog.csdn.net/Z_haiqian/article/details/117632092

版权

本文介绍了BoF（Bag-of-Features）算法在图像检索中的应用，包括其原理、步骤和代码实现。特征提取使用SIFT，通过学习视觉词典进行量化，并构建倒排表进行快速索引。实验结果显示，随着维度增加，准确率提高，但运算效率降低，提示可采用朴素贝叶斯分类优化处理海量数据。

摘要由CSDN通过智能技术生成

文章目录

一、实验原理
- BAG OF FEATURES算法流程
二、代码实现
三、实验结果
四、总结

一、实验原理

BoW（Bag-of-Features）算法是由Csurka等在2004年提出并应用于图像处理领域的，该算法广泛应用于目标识别和图像检索。算法主要思想借鉴了文本检索的思想。在检索文本的过程中，文本由一系列的基本单元组成，这个单元通常是单词；同理，一副图像也可以看成是由一系列的基本单元组成，这些图像中的基本单元称为视觉单词（visual words）

BAG OF FEATURES算法流程

（1）特征提取：通过sift算法提取图像特征
（2）学习“视觉词典”
（3）针对输入特征集，根据视觉词典进行量化。
（4）把输入图像，根据TF-IDF转化成视觉单词（visual words）的频率直方图。
（5）构造特征到图像的倒排表，通过倒排表快速索引相关图像
（6）根据索引结果进行直方图匹配。

二、代码实现

# -*- coding: utf-8 -*-
import pickle
from PCV.imagesearch import vocabulary
from PCV.tools.imtools import get_imlist
from PCV.localdescriptors import sift

#获取图像列表
imlist = get_imlist('ukbench/')
nbr_images = len(imlist)
#获取特征列表
featlist = [imlist[i][:-3]+'sift' for i in range(nbr_images)]

#提取文件夹下图像的sift特征
for i in range(nbr_images):
    sift.process_image(imlist[i], featlist[i])

#生成词汇
voc = vocabulary.Vocabulary('test77_test')
voc.train(featlist, 65, 10)
    
#保存词汇