计算机视觉 图像检索与识别

目录

一.图像检索相关介绍：

1.起因：

2.参数介绍：

     图像纹理：    

词序无关的文本表述:

图像分类：

 图像特征词典：

图像整体描述子：

二. 图像分类/检索具体内容：

图像分类/检索：

单词的TF-IDF权重：

 倒排表(Inverted file)：

图像检索流程：

图像检索结果：

三.代码实现：

1.数据集：

2.创建数据：

3.建立数据库：

4.检索：

---

一.图像检索相关介绍：

1.起因：

我们为什么要图像检索与识别？

在图像特征提取后进行比对 ，如果采用暴力匹配法：

        250,000 张图像 ~ 310 亿个图像对 ：

        – 每个图相对 2 秒 匹配 500 台并行计算机需要 1 年才能完成计算 ；

        • 1,000,000 张图像~5000亿个图像对 ：

        – 500 台并行计算机需要 15 年才能完成计算。

而 对于大场景数据集（如城市场景） , 只有少 于 0.1% 的图像对具有匹配关系， 我们的解决方案 是 利用图像整体特征实现匹配 / 检索， 而非局部特征点。

2.参数介绍：

对于图像检索 我们首先了解一下：

     图像纹理：    

        纹理是指图像中的重复模式，或纹理基元组成的结构

 

词序无关的文本表述:

根据文本中的词频分布，构造文本描述子；

        研表究明，汉字序顺并不定一影阅响读。比如当你看完这句话后，才发这现里的字全是都乱的。

图像分类：

对于图像我们可以将它分类成很多小组成；

 图像特征词典：

Bag of features ( BOF)一种适用于图像和视频检索的算法。BOF借鉴了文本分类的思路（也就是BOW），从图像抽象出很多具有代表性的「关键词」，形成一个字典，再统计每张图片中出现的「关键词」数量，得到图片的特征向量。

        基础流程：
        1. 特征提取；

        2. 学习 “视觉词典（visual vocabulary）” ；

        3. 针对输入特征集，根据视觉词典进行量化；

                        对于输入特征，量化的过程是将该特征映射到距离其最接近的 codevector ，并实现                 计数 ，码本 = 视觉词典 ，Codevector = 视觉单词 。