图像检索
基本原理
图像检索过程简单说来就是对图片数据库的每张图片抽取特征 (一般形式为特征向量),存储于数据库中,对于待检索图片,抽取同样的特征向量,然后并对该向量和数据库中向量的距离(相似度计算),找出最接近的一些特征向量,其对应的图片即为检索结果。
图像检索流程:
1.2.1收集数据集
1.2.2提取sift特征
1.2.3根据sift特征提取结果,进行聚类,得到一个字典
1.2.4根据字典将图片表示成向量(直方图);
1.2.5训练分类器或者用 KNN 进行检索
图像集
代码
生成代码所需的模型文件
import pickle
from PCV.imagesearch import vocabulary
from PCV.tools.imtools import get_imlist
from PCV.localdescriptors import sift
from PCV.imagesearch import imagesearch
from PCV.geometry import homography
from sqlite3 import dbapi2 as sqlite
#获取图像列表
imlist = get_imlist('D:/Documents/学习资料/大三下/python计算机视觉/作业6/11/')
nbr_images = len(imlist)
#获取特征列表
featlist = [imlist[i][:-3]+'sift' for i in range(nbr_images)]
#提取文件夹下图像的sift特征
for i in range(nbr_images):
sift.process_image(imlist[i], featlist[i])
#生成词汇
voc = vocabulary.Vocabulary('ukbenchtest')
voc.train(featlist, 100, 10)
#保存词汇
# saving vocabulary
with open('D:/Documents/学习资料/大三下/python计算机视觉/作业6/11/BOW/vocabulary.pkl', 'wb') as f:
pickle.dump(voc, f)
print('vocabulary is:', voc.name, voc.nbr_words)
将模型数据导入数据库
import pickle
from PCV.imagesearch import vocabulary
from PC