原文: https://i-blog.csdnimg.cn/blog_migrate/e452f1aec9eaeac7e7c50195cc2a0b82.png
--来自肉麻的开题报告
以经典BoW模型实现一个图像检索的方法,BoW检索的一般流程如图2所示:
图2 BoW检索流程
最初的BoW在图像检索中应用的流程主要分为以下几步:
1、特征提取。在训练阶段,将图像用很多“块”(patch)表示,以SIFT特征为例,图像中每个关键点就是一个patch,每一个patch特征向量的维数128。
2、字典构建。假设共有M幅训练图像,字典的大小为100,即有100个词,用K-均值算法对所有的patch进行聚类,等k-均值收敛时,将得到每一个聚类最后的质心,这100个质心(维数128)就是词典里的100个词,词典构建完毕。
3、字典表示。在测试阶段,对每幅图像初始化一个维数100、值全为0的直方图,计算测试图像每个patch与字典中单词的距离,距离patch最近的单词对应的直方图计数加1,将所有patch计算完毕后的直方图即为图像的字典表示。
4、图像检索。训练图与测试图都以100维向量表示,对每个待检索图像,只需在字典中计算所有训练图与其距离,并返回最近的若干幅即可。
特征提取是算法的开始,也在很大程度上决定了算法的性能。PS:1.该图参考的是LiFeiFei2006年的资料,原图是用于object recognition的;
2.培训完过后开始总结特征;
3.实验Gabor特征+LDA;