BOF图像检索

一、Bag of features算法

1、算法原理

Bag of features算法一种是用于图像和视频检索的算法，该算法对于不同角度、光照的图像，基本都能在图像库中正确检索。

2、算法步骤

（1）收集图片，用sift算法生成图像库中没附图的特征及描述符。

（2）用K-means算法对图像库中的特征点进行训练，生成类聚中心。

（3）通过判断图像的每个特征点与那个类心最近，最近则放入该类心，最后生成一列频数表，生成每幅图像的BOF。

（4）对需要查询的图片不断进行（3）操作，生成一列查询图片的BOF。

（5) 将得到的BOF向量与图像库中每幅图的BOF向量求夹脚，夹脚最小的即为匹配对象。

3、补充：K-means算法

K-means算法是一种类聚算法，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。

K-means算法步骤：

（1）从数据中选择K个对象作为初始类聚中心。

（2）计算每个类聚对象到类心的距离。

（3）计算标准测度函数，直到达到最大迭代次数，停止。

4、BOF算法的流程

1、准备一个训练图片集，提取这些图片的SIFT特征

2、对这些特征进行K-Means聚类，创建视觉词典。

3、针对输入特征集，根据视觉词典进行量化

4、输入测试图片，提取测试图片的SIFT特征，把输入图像转成视觉单词的频率直方图。

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

数据集

代码

（1）提取每张图片的sifi特征，生成词汇表。

# -*- 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('D:/pythonProjects/ImageRetrieval/first500/')
imlist = get_imlist('D:/pythonProjects/ImageRetrieval/animaldb/')
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('ukbenchtest')
voc.train(featlist, 1000, 10)
#保存词汇
# saving vocabulary
with open('D:/pythonProjects/ImageRetrieval/animaldb/vocabulary.pkl