本文深入浅出地介绍了Bag-of-words和Bag-of-features模型在图像检索中的应用。首先阐述了Bag-of-words的基本概念，接着详细描述了Bag-of-features的四个基础流程：特征提取、学习视觉词典、量化输入特征和构建视觉单词频率直方图。此外，还讨论了图像检索的关键技术，包括TF-IDF加权和倒排表的构建，以提高检索效率和准确性。
目录
2、学习 “视觉词典（visual vocabulary）”
4、把输入图像转化成视觉单词（visual words）的频率直方图
Bag-of-words简介
最初的Bag-of-words ，也叫做“词袋”，在信息检索中，Bag-of-words model假定对于一个文本，忽略其词序和语法，句法，将其仅仅看做是一个词集合，或者说是词的一个组合，文本中每个词的出现都是独立的，不依赖于其他词是否出现。
应用以下实例解释：
文档1： John likes to watch movies. Mary likes movies too.
文档2： John also likes to watch football games.
基于以上两个文档，可以建构出词袋:
["John","likes","to","watch","movies","also","football","games","Mary","too"]
此处有10个不同的词，使用清单的索引表示长度为10的向量:
(1) [1, 2, 1, 1, 2, 0, 0, 0, 1, 1] (2) [1, 1, 1, 1, 0, 1, 1, 1, 0, 0]
词袋中列举了出现在文档中的每个词，向量(1)和向量(2)的索引内容分别对应到相应文档中该元素出现的次数。
举例来说，向量(1)第一个内容索引是1，即代表第一个索引内容"John"在文档1中出现的次数。后面以此类推。
此向量表示法根据文本中的词频分布，构造出文本描述子，无关原始文档中词的顺序。
通过构建词袋，可以将文档转化为各个单词元素作为横坐标，以单词出现的次数作为纵坐标的直方图，然后进行归一化处理，将每个词出现的频数作为文档的特征。
Bag-of-words应用于图像
类比Bag-of-words在文档中的应用，也可以将图片分成若干个图像块，构建“词库”，把每幅图像描述为一个局部区域/关键点(Patches/Key Points)特征的无序集合，即Bag-of-features。
Bag-of-features基础流程
1. 特征提取
2. 学习 “视觉词典（visual vocabulary）”
3. 针对输入特征集，根据视觉词典进行量化
4. 把输入图像转化成视觉单词（visual words）的频率直方图
1、特征提取
通过分割、密集或随机采集、关键点或稳定区域、显著区域等方式使图像形成不同的图像块，并获得各图像块处的特征。
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，通常采用SIFT特征（也可以采用SUFT、Harrist等特征提取算法 ）。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
最低0.47元/天 解锁文章
扫一扫
1648
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
