图像检索代码python tf_Python计算机视觉编程（八）图像检索

图像检索

BOW模型

基于BOW的图像检索

特征提取

视觉词典

TF-IDF

常用参数

图像检索

具体实现流程

BOW模型

Bag-of-words models模型(词袋模型)

词袋模型对于给定的两个文档，进行分割可以建构出一个有n个元素词典，根据词典每个词在两个文档中的出现的频率，表示成两个n维向量。

基于BOW的图像检索

特征提取

学习视觉词典

针对输入特征集，根据视觉词典进行量化

把输入图像，根据TF-IDF转化成视觉单词的频率直方图

构造特征到图像的倒排表，通过倒排表快速索引相关图像

根据索引结果进行直方图匹配

特征提取

采用sift提取特征，以前的博客有具体的描述，就不再提及

视觉词典

使用K-meas算法

随机初始化 K 个聚类中心

重复下述步骤直至算法收敛:

对应每个特征， 根据距离关系赋值给某个中心/类别

对每个类别， 根据其对应的特征集重新计算聚类中心

码本/字典用于对输入图片的特征集进行量化

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

TF-IDF

TF词频(Term Frequency)，IDF逆向文件频率(Inverse Document Frequency)

TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。

TF词频(Term Frequency)指的是某一个给定的词语在该文件中出现的频率。分子是该词在文件中的出现次数，而分母则是在文件中所有字词的出现次数之和，即前面提到的词袋模型。

逆向文件频率(inverse document frequency，IDF)是一个词语普遍重要性的度量。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取以10为底的对数得到：