计算机视觉--BOF图像检索算法

1、BOF

1.1 简介

BOF（Bag Of Features）是一种图像特征提取方法，它借鉴了文本分类的思路（Bag Of Words），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。

「Bag of Words」
「Bag of Words」是文本分类中一种通俗易懂的策略。一般来讲，如果我们要了解一段文本的主要内容，最行之有效的策略是抓取文本中的「关键词」，根据关键词出现的频率确定这段文本的中心思想。比如：如果一则新闻中经常出现「iraq」、「terrorists」，那么，我们可以认为这则新闻应该跟伊拉克的恐怖主义有关。而如果一则新闻中出现较多的关键词是「soviet」、「cuba」，我们又可以猜测这则新闻是关于冷战的，如下图所示。

这里所说的「关键词」，就是「Bag of words」中的 words ，它们是区分度较高的单词。根据这些 words ，我们可以很快地识别出文章的内容，并快速地对文章进行分类。
「Bag of Features」也是借鉴了这种思路，只不过在图像中，我们抽出的不再是一个个「word」，而是图像的关键特征「Feature」，所以研究人员将它更名为「Bag of Features」。

「Bag of Features」
「Bag of Features」的本质是提出一种图像的特征表示方法。按照「Bag of Features」算法的思想，首先我们要找到图像中的「关键词」，而且这些关键词必须具备较高的区分度。实际过程中，通常会采用「SIFT」特征。有了特征之后，我们会将这些特征通过「聚类算法」得出很多聚类中心。这些聚类中心通常具有较高的代表性，比如，对于人脸来说，虽然不同人的眼睛、鼻子等特征都不尽相同，但它们往往具有共性，而这些聚类中心就代表了这类共性。我们将这些聚类中心组合在一起，形成一部「字典」。
对于图像中的每个「SIFT」特征，我们能够在「字典」中找到最相似的聚类中心，统计这些聚类中心出现的次数，可以得到一个「向量表示」，如下图所示。这些向量就是所谓的「Bag」。这样，对于不同类别的图片，这个向量应该具有较大的区分度。

1.2 基本流程

「Bag of Features」基本流程如下：
1、提取图像特征
2、对特征进行聚类，学习"视觉字典"（ visual vocabulary ）
3、根据TF-IDF把输入图像转化成视觉单词（ visual words）的频率直方图
4、构造特征到图像的倒排表，快速索引相关图像
5、根据索引结果进行直方图匹配

• 提取图像特征

通过切割、密集或随机採集、关键点或稳定区域、显著区域等方式使图像形成不同的patches。并获得各patches处的特征。特征必须具有较高的区分度，而且要满足旋转不变性以及尺寸不变性等，因此，我们通常都会采用「SIFT」特征，如下图所示。

• 聚类特征，学习"视觉字典"（ visual vocabulary ）

提取完特征后，我们会采用一些聚类算法对这些特征向量进行聚类。最常用的聚类算法是 k-means。至于 k-means 中的 k 如何取，要根据具体情况来确定。另外，由于特征的数量可能非常庞大，这个聚类的过程也会非常漫长。

由聚类中心代表的视觉词汇形成视觉词典：

• 图像的频率直方图表示

TF-IDF
TF-IDF是一种用于信息检索的经常使用加权技术，在文本检索中。用以评估词语对于一个文件数据库中的当中一份文件的重要程度。词语的重要性随着它在文件里出现的频率成正比添加，但同一时候会随着它在文件数据库中出现的频率成反比下降。
TF的主要思想是：假设某个关键词在一篇文章中出现的频率高。说明该词语能够表征文章的内容。该关键词在其它文章中非常少出现，则觉得此词语具有非常好的类别区分度，对分类有非常大的贡献。词频(TF)指的是一个给定的词语在该文件里出现的次数。如：TF = 0.030 ( 3/100 )表示在包括100个词语的文档中, 词语’A’出现了3次。
IDF的主要思想是：假设文件数据库中包括词语A的文件越少。则IDF越大，则说明词语A具有非常好的类别区分能力。逆文档频率(IDF)是描写叙述了某一个特定词语的普遍重要性。假设某词语在很多文档中都出现过，表明它对文档的区分力不强，则赋予较小的权重；反之亦然。如：IDF = 13.287 ( log (10,000,000/1,000) )表示在总的10,000,000个文档中，有1,000个包括词语’A’。
最终的的TF-IDF权值为词频与逆文档频率的乘积。

对于一幅图像而言，我们可以提取出大量的「SIFT」特征点，但这些特征点仍然属于一种浅层的表达，缺乏代表性。因此，需要根据字典重新提取图像的高层特征。具体做法是，对于图像中的每一个「SIFT」特征，都可以在字典中找到一个最相似的 visual word，这样，我们可以统计一个 k 维的直方图，代表该图像的「SIFT」特征在字典中的相似度频率。

例如：对于上图这辆车的图片，我们匹配图片的「SIFT」向量与字典中的 visual word，统计出最相似的向量出现的次数，最后得到这幅图片的直方图向量。

• 构造倒排表，快速索引图像

既然我们需要检索相似图像，这就说明相似图像与输入图像具有相同的特征。

• 根据索引结果进行匹配

2、实验过程

2.1 数据集

2.2 实验结果展示

维度=100
结果1：


结果2：


当维度为100时，结果1的检索效果不错，结果2的检索效果不太好。看了数据集发现，结果1（台灯）这一类的图片是形状差别不大，背景也比较单一的十张照片，虽然各个图片亮度会有所不同，但从结果上看，亮度的变化对检索效果影响不大；结果2（自行车）这一类的图片是背景差别比较大的十张图片，有的图片包括了整个自行车，有的图片只有自行车的部分，因此尽管自行车类有十张图片，但检索结果却只有两张自行车的图片，另外三张明显看出来是检索错误的。
维度=500
结果1：


结果2：


当维度为500时，结果1的检索结果和维度为100时的检索结果一样，结果2的检索结果有了一些变化。相比维度为100时的直方图数值，维度为500时的直方图数值要稍微大一点点。结果2的检索结果前两张没有变化，后三张在维度为100时检索错误的在维度增大