Bag of Feature 图像检索（python）

最新推荐文章于 2021-06-06 22:41:01 发布

yiyi-m

最新推荐文章于 2021-06-06 22:41:01 发布

阅读量599

点赞数

本文链接：https://blog.csdn.net/weixin_45380156/article/details/106308084

版权

一、Bag of Feature介绍

1.1 Bag of Words 模型

1.2 Bag of Feature算法

1.3 Bag of Feature 算法步骤

1.3.1 特征提取

1.3.2 构造“视觉单词”

1.3.3 TF-IDF计算权重

二、Bag of Feature进行图像检索

Bag of Feature 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。

一、Bag of Feature介绍

1.1 Bag of Words 模型

「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。

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。

而「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」。

1.2 Bag of Feature算法

从对Bag of Words的介绍中，我们也可以看到，「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（或直方图表示），如下面的图片所示。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，在此基础上，我们可以训练出一些分类模型，并用其对图片进行分类。

1.3 Bag of Feature 算法步骤

Bag of Feature用于图像检索的步骤：

对数据集做SIFT特征提取
根据SIFT特征提取结果，采用k-means算法对图像库中的特征点进行训练，生成类心，构造单词表。
根据IDF原理，计算每个视觉单词的权，生成Bof
对图像进行检索

1.3.1 特征提取

对数据集里的图像进行SITF特征提取，SIFT原理和之前的文章有详细讲解，这里不再介绍。这些典型实例可以通过分析训练图像集确定，并被视为视觉单词。所有这些视觉单词构成的集合称为视觉词汇，有时也称为视觉码本。对于给定的问题、图像类型，或在通常情况下仅需呈现视觉内容，可以创建特定的词汇。
实验第一步是提取所有图像的特征，称之为“视觉词汇”，将他们聚集在一起，此时他们还是未分类的。