python计算机视觉-BOF图像检索

概述BOF图像检索图像检索基本概述Bagofwords模型Bagoffeatures（BOF）BOF算法流程提取图像特征训练字典图片直方图表示实现BOF图像检索代码运行结果图像检索基本概述从20世纪70年代开始，有关图像检索的研究就已开始，当时主要是基于文本的图像检索技术(简称TBIR)，利用文

BOF图像检索图像检索基本概述Bag of words模型Bag of features （BOF）BOF算法流程提取图像特征训练字典图片直方图表示实现BOF图像检索代码运行结果

图像检索基本概述

从20世纪70年代开始，有关图像检索的研究就已开始，当时主要是基于文本的图像检索技术(简称TBIR)，利用文本描述的方式描述图像的特征，如绘画作品的作者、年代、流派、尺寸等。
到90年代以后，出现了对图像的内容语义，如图像的颜色、纹理、布局等进行分析和检索的图像检索技术，即基于内容的图像检索(简称CBIR)技术。CBIR属于基于内容检索(简称CBR)的一种，CBR中还包括对动态视频、音频等其它形式多媒体信息的检索技术。
在检索原理上，无论是基于文本的图像检索还是基于内容的图像检索，主要包括三方面：一方面对用户需求的分析和转化，形成可以检索索引数据库的提问;另一方面，收集和加工图像资源，提取特征，分析并进行标引，建立图像的索引数据库;最后一方面是根据相似度算法，计算用户提问与索引数据库中记录的相似度大小，提取出满足阈值的记录作为结果，按照相似度降序的方式输出。
为了进一步提高检索的准确性，许多系统结合相关反馈技术来收集用户对检索结果的反馈信息，这在CBIR中显得更为突出，因为CBIR实现的是逐步求精的图像检索过程，在同一次检索过程中需要不断地与用户进行交互。

Bag of words模型

要了解「Bag of Feature」，首先要知道「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（见下图）。

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」。

Bag of features （BOF）BOF算法流程

1、收集图片，对图像进行sift特征提取。
2、从每类图像中提取视觉词汇，将所有的视觉词汇集合在一起
3、利用K-Means算法构造单词表。
K-Means算法是一种基于样本间相似性度量的间接聚类方法，此算法以K为参数，把N个对象分为K个簇，以使簇内具有较高的相似度，而簇间相似度较低。SIFT提取的视觉词汇向量之间根据距离的远近，可以利用K-Means算法将词义相近的词汇合并，作为单词表中的基础词汇
4、针对输入的特征集，根据视觉词典进行量化，把输入图像转化成视觉单词的频率直方图。
5、构造特征到图像的倒排表，通过倒排表快速索引相关图像。
6、根据索引结果进行直方图匹配。

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。「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。

训练字典

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。
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。

实现BOF图像检索代码

提取图像的 SIFT特征点：

# -*- Coding: utf-8 -*-import picklefrom PCV.imagesearch import vocabularyfrom PCV.tools.imtools import get_imListfrom PCV.localdescriptors import sift#获取图像列表# imList = get_imList('D:/pythonProjects/ImageRetrIEval/first500/')imList = get_imList('flowers')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, 1000, 10)#保存词汇# saving vocabularywith open('flowers/vocabulary.pkl', 'wb') as f:    pickle.dump(voc, f)print('vocabulary is:', voc.name, voc.nbr_words)

将图像添加到数据库：

# -*- Coding: utf-8 -*-import picklefrom PCV.imagesearch import imagesearchfrom PCV.localdescriptors import siftfrom sqlite3 import dbAPI2 as sqlitefrom PCV.tools.imtools import get_imList#获取图像列表imList = get_imList('flowers')nbr_images = len(imList)#获取特征列表featList = [imList[i][:-3]+'sift' for i in range(nbr_images)]# load vocabulary#载入词汇with open('flowers/vocabulary.pkl', 'rb') as f:    voc = pickle.load(f)#创建索引indx = imagesearch.Indexer('testImaAdd.db',voc)indx.create_tables()# go through all images, project features on vocabulary and insert#遍历所有的图像，并将它们的特征投影到词汇上for i in range(nbr_images)[:500]:    locs,descr = sift.read_features_from_file(featList[i])    indx.add_to_index(imList[i],descr)# commit to database#提交到数据库indx.db_commit()con = sqlite.connect('testImaAdd.db')print(con.execute('select count (filename) from imList').fetchone())print(con.execute('select * from imList').fetchone())

图像检索测试：

# -*- Coding: utf-8 -*-#使用视觉单词表示图像时不包含图像特征的位置信息import picklefrom PCV.localdescriptors import siftfrom PCV.imagesearch import imagesearchfrom PCV.geometry import homographyfrom PCV.tools.imtools import get_imList# load image List and vocabulary#载入图像列表imList = get_imList('flowers')nbr_images = len(imList)#载入特征列表featList = [imList[i][:-3]+'sift' for i in range(nbr_images)]#载入词汇with open('flowers/vocabulary.pkl', 'rb') as f:    voc = pickle.load(f)src = imagesearch.Searcher('testImaAdd.db',voc)# Searcher类读入图像的单词直方图执行查询# index of query image and number of results to return#查询图像索引和查询返回的图像数q_ind = 0          # 匹配的图片下标nbr_results = 65  # 数据集大小# regular query# 常规查询(按欧式距离对结果排序)res_reg = [w[1] for w in src.query(imList[q_ind])[:nbr_results]] # 查询的结果print ('top matches (regular):', res_reg)# load image features for query image#载入查询图像特征进行匹配q_locs,q_descr = sift.read_features_from_file(featList[q_ind])fp = homography.make_homog(q_locs[:,:2].T)# RANSAC model for homography fitting#用单应性进行拟合建立RANSAC模型model = homography.RansacModel()rank = {}# load image features for result#载入候选图像的特征for ndx in res_reg[1:]:    try:        locs,descr = sift.read_features_from_file(featList[ndx])  # because 'ndx' is a rowID of the DB that starts at 1    except:        continue#get matches    matches = sift.match(q_descr,descr)    ind = matches.nonzero()[0]    ind2 = matches[ind]    tp = homography.make_homog(locs[:,:2].T)    # compute homography, count inlIErs. if not enough matches return empty List    # 计算单应性矩阵    try:        H,inlIErs = homography.H_from_ransac(fp[:,ind],tp[:,ind2],model,match_theshold=4)    except:        inlIErs = []    # store inlIEr count    rank[ndx] = len(inlIErs)# sort dictionary to get the most inlIErs first# 对字典进行排序，可以得到重排之后的查询结果sorted_rank = sorted(rank.items(), key=lambda t: t[1], reverse=True)res_geom = [res_reg[0]]+[s[0] for s in sorted_rank]print ('top matches (homography):', res_geom)# 显示查询结果imagesearch.plot_results(src,res_reg[:6]) #常规查询imagesearch.plot_results(src,res_geom[:6]) #重排后的结果

运行结果

训练集65张图片：

检索的图片：

常规查询的结果：

重排的结果：

结果分析：
从结果可以看出，检索出来的第2,4张图片与输入的图片在形状上，纹理上，颜色上相似。第1,3,5张图片在形状纹理上相似，但是颜色不一样。从1-4是按照最相似开始排序的。重排后的图片有了变化，但是相似第二的图片其实看起来与输入的图片并不相似。
根据实验过程也发现了一些问题，对于大量数据，输入矩阵的巨大将使得内存溢出及效率低下。字典如果过大，单词会缺乏一般性，对噪声敏感，计算量大，关键是图象投影后的维数高;字典如果太小，单词区分性能差，对相似的目标特征无法表示。
参考文献1

总结

以上是内存溢出为你收集整理的python计算机视觉-BOF图像检索全部内容，希望文章能够帮你解决python计算机视觉-BOF图像检索所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。