计算机视觉——图像检索与识别

1. Bag-of-words模型

• BoW起始可以理解为一种直方图统计，开始是用于自然语言处理和信息检索中的一种简单的文档表示方法。BoW也只是统计频率信息，并没有序列信息。BoW是选择words字典，然后统计字典中每个单词出现的次数。

• BoW(Bag of Words)词袋模型最初被用在文本分类中，将文档表示成特征矢量。它的基本思想是假定对于一个文本，忽略其词序和语法、句法，仅仅将其看做是一些词汇的集合，而文本中的每个词汇都是独立的。简单说就是讲每篇文档都看成一个袋子（因为里面装的都是词汇，所以称为词袋，Bag of words即因此而来），然后看这个袋子里装的都是些什么词汇，将其分类。如果文档中猪、马、牛、羊、山谷、土地、拖拉机这样的词汇多些，而银行、大厦、汽车、公园这样的词汇少些，我们就倾向于判断它是一篇描绘乡村的文档，而不是描述城镇的。

2. Bag-of-features模型

• Bag of Feature 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 Feature。
• Bag of Feature在检索中的算法流程和分类几乎完全一样，唯一的区别在于，对于原始的 BOF 特征，也就是直方图向量，我们引入TF-IDF 权值。

3. Bag-of-features算法

• Bag of Feature的本质是提出一种图像的特征表示方法

  按照Bag of Feature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（CodeBook）。

  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（有些文章称之为直方图）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，基于此，我们可以训练出一些分类模型（SVM等），并用其对图片进行分类。

4. Bag-of-features过程

Bag of Feature大概分为四步：

• 1）提取图像特征

• 2）对特征进行聚类，得到一部字典（ visual vocabulary ）

• 3）根据字典将图片表示成向量（直方图）

• 4）把输入图片转化成视觉单词的频率直方图

• 提取图像特征
  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（有时为了降低计算量，也会采用其他特征，如：SURF ）。SIFT会从图片上提取出很多特征点，每个特征点都是 128 维的向量，因此，如果图片足够多的话，我们会提取出一个巨大的特征向量库。
  

• 训练字典（ 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。聚类完成后，我们就得到了这 k 个向量组成的字典，这 k 个向量有一个通用的表达，叫 visual word。
  

• 图片直方图表示
  上一步训练得到的字典，是为了这一步对图像特征进行量化。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（low level）的表达，缺乏代表性。因此，这一步的目标，是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。
  

• 训练分类器
  当我们得到每幅图片的直方图向量后，剩下的这一步跟以往的步骤是一样的。无非是数据库图片的向量以及图片的标签，训练分类器模型。然后对需要预测的图片，我们仍然按照上述方法，提取SIFT特征，再根据字典量化直方图向量，用分类器模型对直方图向量进行分类。当然，也可以直接根据 KNN 算法对直方图向量做相似性判断。

5.TF-IDF

• TF-IDF 最早是在文献检索领域中被提出的
  用一个文本检索的例子来了解 TF-IDF。

  假设我们要检索关于「原子能的应用」的文章，最简单的做法就是将查询分解为「原子能」、「的」、「应用」，然后统计每篇文章中这三个词出现的频率。比如，如果一篇文章的总词数是 1000 ，其中「原子能」、「的」、「应用」分别出现了 2 次、35 次和 5 次，那么它们的词频就分别是 0.002、0.035、0.005。将这三个数相加，总和 0.042 就是该文章关于「原子能的应用」的「词频」。一般来说，词频越高，文章的相关性就越强。TF-IDF 中的 TF 也就是词频（Term Frequency）的意思。

  但这种方法有一个明显的漏洞，就是一些跟主题不相关的词可能占据较大的比重。比如上面例子中的「的」一词，占据了总词频的 80% 以上，而这个词对主题的检索几乎没有作用。这种词我们称为「停止词（Stop Word）」，表明在度量相关性时不考虑它们的频率。忽略「的」之后，我们的词频变为 0.007，其中「原子能」贡献了 0.002，「应用」贡献了 0.007。

  除此以外，这个优化后的结果还存在另一点不足。在汉语中，「应用」是个很通用的词，「原子能」是专业性很强的词，而后者对主题的检索比前者作用更大。

  综合以上两点不足，我们需要对每一个词给一个权重。而且这个权重必须满足以下两个条件：

  1)一个词对主题预测能力越强，权重越大；
  2)停止词权重为 0；

  观察一下我们就会发现，如果一个关键词只在很少的文章中出现，通过它就容易锁定搜索目标，它的权重就应该更大。反之，如果一个词在大量文章中频繁出现，看到它仍然不清楚要找什么内容，它的权重就应该小。

  概括地讲，假定一个关键词 $w$ 在$D_w$ 篇文章中出现过，那么$D_w$ 越大，$w$的权重越小，反之亦然。在信息检索中，使用最多的权重是「逆文本频率指数」，也就是 TF-IDF 中的 IDF（Inverse Document Frequency）。它的公式为$log(\frac{D}{D_w})$，其中$D$是全部文章数。假定文章总数是 D=10 亿，停止词「的」在所有网页中都出现过，即$D_w$=10亿，那么 它的$IDF=log(10亿/10亿)=lo$