python opencv图像检索_图像检索(5):基于OpenCV实现小型的图像数据库检索

本文对前面的几篇文章进行个总结，实现一个小型的图像检索应用。

一个小型的图像检索应用可以分为两部分：

train，构建图像集的特征数据库。

retrieval，检索，给定图像，从图像库中返回最类似的图像

构建图像数据库的过程如下：

生成图像集的视觉词汇表(Vocabulary)

提取图像集所有图像的sift特征

对得到的sifte特征集合进行聚类，聚类中心就是Vocabulary

对图像集中的图像重新编码表示，可使用BoW或者VLAD，这里选择VLAD.

将图像集中所有图像的VLAD表示组合到一起得到一个VLAD表，这就是查询图像的数据库。

得到图像集的查询数据后，对任一图像查找其在数据库中的最相似图像的流程如下：

提取图像的sift特征

加载Vocabulary，使用VLAD表示图像

在图像数据库中查找与该VLAD最相似的向量

构建图像集的特征数据库的流程通常是offline的，查询的过程则需要是实时的，基本流程参见下图：

由两部分构成：offline的训练过程以及online的检索查找

各个功能模块的实现

下面就使用VLAD表示图像，实现一个小型的图像数据库的检索程序。下面实现需要的功能模块

特征点提取

构建Vocabulary

构建数据库

第一步，特征点的提取

不管是BoW还是VLAD，都是基于图像的局部特征的，本文选择的局部特征是SIFT，使用其扩展RootSift。提取到稳定的特征点尤为的重要，本文使用OpenCV体哦那个的SiftDetecotr，实例化如下：

auto fdetector = xfeatures2d::SIFT::create(0,3,0.2,10);

create的声明如下：

static Ptr cv::xfeatures2d::SIFT::create ( int nfeatures = 0,

int nOctaveLayers = 3,

double contrastThreshold = 0.04,

double edgeThreshold = 10,

double sigma = 1.6

)

nfeatures 设置提取到的特征点的个数，每个sift的特征点都根据其对比度(local contrast)计算出来一个分数。设置了该值后，会根据分数排序，只保留前nfeatures个返回

nOctaveLayers 每个octave中的层数，该值可以根据图像的分辨率大小计算出来。D.Lowe论文中该值为３

contrastThreshold　过滤掉低对比度的不稳定特征点，该值越大，提取到的特征点越少

edgeThreshold