徐海蛟：Matlab计算大规模图片数据集的L1距离

最新推荐文章于 2021-11-02 17:58:04 发布

徐海蛟博士

最新推荐文章于 2021-11-02 17:58:04 发布

阅读量1.5k

点赞数

CC 4.0 BY-SA版权

分类专栏：徐海蛟

本文链接：https://blog.youkuaiyun.com/xuhaijiao99/article/details/17753977

本文介绍了如何使用Matlab优化计算大规模图片数据集的L1距离，从最初的双重for循环到逐步向量化，利用arrayfun和bsxfun函数减少计算时间，最终将原本需要5小时的计算时间缩短到3小时。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

比较两幅图片之间的距离或者相似性，我们常以Matlab pdist函数或者pdist2函数计算。计算大规模图片数据集的两两图片之间的距离，很自然想到双重for循环完成了。不过，这很慢:
function KMatrix = getL1( X, Y ) %L1距离
m = size(X,1); n = size(Y,1);
KMatrix = zeros(m,n);
for i = 1: m %按行
for j = 1: n
KMatrix(i,j) = sum( abs( X(i,:)-Y(j,:)) );
end
fprintf('%d.',i); if mod(i,10)==0, fprintf('\n'); end
end
其中，X、Y分别是图片集X、Y的特征文件矩阵。

以L1距离为例，特征文件是4096维的RGB彩色描述子,两万幅图片之间的L1距离矩阵20000×20000，在 8CPU + 16GB内存的X64 Windows 7系统上计算，MATLAB 2012b运行时间5小时。比较慢。

向量化是一个考虑。不过，童鞋们，如何向量化呢？这个比起点积要复杂一点点。通过一行一行计算距离，去掉一个内循环:
function KMatrix = getL1( X, Y ) %L1距离向量化
m = size(X,1); n = size(Y,1);
nOnes = ones(1,n); KMatrix = zeros(m,n);
for i = 1: m %按行
xi = X(i,:); xi = xi( nOnes, : );