基于颜色特征的图像检索（二）

上一篇是给定一张测试图像检索前10张最相似的图像，但是要比较一种方法的好坏，需要对整个测试集进行计算，因此这里给出对整个测试集进行检索的代码，思路在上一篇博客中有写，代码部分用到的ImgExtract函数、HSVHist函数和ColorMoment函数也已经在上一篇博客中进行了说明。

目录

一、提取训练集和测试集图像的特征

二、进行相似度计算并排序

三、计算精度

四、结果

---

一、提取训练集和测试集图像的特征

这里给出了提取颜色直方图作为特征的代码，首先读取训练集，由于颜色直方图的维数是72，所以新建一个shape=[train_num, 72]的矩阵train_imghist用于存储每张图像的颜色直方图，然后存储训练集图像的粗分类标签、细分类标签和文件名，代码如下：

load train.mat
train_num = size(data, 1);
train_imghist = zeros(train_num, 72);
for i = 1:train_num
    train_img = ImgExtract(i, data);
    train_imghist(i, :) = HSVHist(train_img);    % 获取测试图像的直方图
end
train_coarse = coarse_labels;
train_fine = fine_labels;
train_filename = filenames;

如果要用颜色矩作为特征，需要将72改成9，调用的函数也需要从HSVHist换成ColorMoment函数，即：

    train_imghist(i, :) = ColorMoment(train_img);    % 用颜色矩做特征

提取测试集图像特征的思路和代码都和训练集差不多，代码如下：

load test.mat
test_num = size(data, 1);
test_imghist = zeros(test_num, 72);
for i = 1:test_num
    test_img = ImgExtract(i, data);
    test_imghist(i, :) = HSVHist(test_img);
end
test_coarse = coarse_labels;
test_fine = fine_labels;
test_filename = filenames;

 

二、进行相似度计算并排序

有了训练集和测试集每张图像的特征后，需要将测试集每张图像的特征与训练集的所有图像进行特征匹配，计算相似度，首先新建一个shape=[test_num, train_num] 的矩阵p，矩阵的第i行第j列的数存储的是第i张测试图像和第j张训练图像的相似度，为了提高计算速度，这里采用的是矩阵运算，获取一张测试图像的特征后，调用repmat函数复制train_num行，现在得到的矩阵test_re的维度是[train_num, 72]，每一行的数是一样的，都代表该测试图像的特征，然后用这个矩阵直接与训练集的特征矩阵train_imghist做运算，注意直方图相交法是点除运算，欧氏距离得到的q需要做reshape操作，最后再将q赋值给p(i, :)即可，代码如下：

p = zeros(test_num, train_num);
for i = 1:test_num
    test_hist = test_imghist(i,:);
    test_re = repmat(test_hist, train_num, 1);
%     q = sum(min(test_re, train_imghist), 2) ./ sum(test_re, 2);    % 直方图相交法
    diff = (test_re - train_imghist).^2;  
    q = sqrt(sum(diff, 2));    % 计算欧氏距离
    p(i,:) = reshape(q, [1, train_num]);
end

得到矩阵p后，对p的每一行进行排序，直方图相交法是降序排序，欧氏距离是升序排序，排序后取每行的前10个，获取下标，并通过下标获取粗分类标签和细分类标签，代码如下：

% [B, IX] = sort(p, 2, 'descend');
[B, IX] = sort(p, 2);
B = B(:, 1:10);
IX = IX(:, 1:10);
coarse_label10 = train_coarse(IX);
fine_label10 = train_fine(IX);

 

三、计算精度

测试图像一共10000张，对每张测试图像检索最相似的10张训练图像，因此最后一共得到10*10000=100000张图像，这里的精度算的是100000张图像中有多少与相应测试图像的粗分类标签或细分类标签匹配，计算公式就是匹配的数量/100000，代码中的cnt_coarse是算的粗分类精度，cnt_fine是算的细分类精度。这里也是矩阵运算，先将测试图像的标签复制10列，然后与训练图像的标签矩阵相减，相减等于0说明两个标签匹配，注意要将矩阵先转换成double类型，否则MATLAB会认为是图像矩阵相减，本应得到的负数会变成0，导致精度计算错误，代码如下：

test_coarse10 = repmat(test_coarse, 1, 10);
test_fine10 = repmat(test_fine, 1, 10);
cnt_c = double(coarse_label10) - double(test_coarse10);
cnt_f = double(fine_label10) - double(test_fine10);
cnt_coarse = length(find(cnt_c == 0)) / 100000;
cnt_fine = length(find(cnt_f == 0)) / 100000;

 

四、结果

运行结果如下表格，可以看到颜色直方图+直方图相交法的精度 > 颜色直方图+欧氏距离 > 颜色矩+欧氏距离：

方法	粗分类精度	细分类精度
颜色直方图+直方图相交法	17.33%	8.49%
颜色直方图+欧氏距离	15.89%	7.45%
颜色矩+欧氏距离	13.34%	5.71%