图像检索

最新推荐文章于 2024-04-06 21:08:19 发布

原创

最新推荐文章于 2024-04-06 21:08:19 发布 · 3.3k 阅读

8 ·

CC 4.0 BY-SA版权

本文介绍了BOF（Bag of Features）图像检索技术，包括其简介和详细流程。通过SIFT特征匹配、构建视觉词典和量化图像特征，生成图像的“条形码”进行检索。代码部分涉及SIFT特征提取、数据库操作和图片检索。实验结果显示存在一定的误配，可能由于特征相似度高和数据集大小限制。

图像检索

一、BOF图像检索
- 1.1简介
- 1.2流程
二、代码
三、图片集
四、结果

一、BOF图像检索

1.1简介

Bof,即Bag of features，中文翻译为“词袋”，是一种用于图像或视频检索的技术。而检索就要进行比对。两幅不同的图像如何比对，比对什么，这就需要提炼出每幅图像中精练的东西出来进行比较。正如超市中的条形码，就能很好的反映出一件商品的所有特征。因此概括的来说，bof就是生成每幅图像的“条形码”来进行检索。

1.2流程

1.特征提取：通过sift算法提取图像特征。
2.学习“视觉词典”。
3.针对输入特征集，根据视觉词典进行量化。
4.把输入图像，根据TF-IDF转化成视觉单词（visual words）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.根据索引结果进行直方图匹配。

二、代码

2.1sift特征匹配

# -*- coding: utf-8 -*

import pickle

from PCV.imagesearch import vocabulary

from PCV.tools.imtools import get_imlist

from PCV.localdescriptors import sift

# 要记得将PCV放置在对应的路径下


# 获取图像列表

imlist = get_imlist('D:/pycharm/untitled1/image/')  # 存放数据集的路径

nbr_images = len(imlist)  # 获取数据集的长度

# nbr_images = 300  # 可以是自己选择用多少张图片作为训练数据集

# 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_i