2、大规模图像集合在线浏览的图像检索技术解析

大规模图像集合在线浏览的图像检索技术解析

在大规模图像集合的在线浏览场景中，传统的基于相似度的图像检索方法在很多情况下已难以满足需求，往往只能返回近似重复的图像。本文将介绍几种先进的图像检索方法，包括图像表示、检索策略以及一种新颖的缩放算法，旨在解决“这是什么？”和“这在哪里？”等问题。

1. 图像表示方法

在大规模图像检索中，有几种流行的图像表示方法，它们各自有着独特的特点和应用场景。
- 词袋模型（Bag of Words，BoW）
- 特征检测 ：对于数据集中的每张图像，检测其局部特征，常用的特征检测器有Harris - affine、Hessian - affine和MSER等，它们具有不同的检测特性，共同代表了当前的先进水平。
- 特征描述 ：使用特征描述符来描述检测到的兴趣区域，其中SIFT描述符最为常见，它将兴趣区域描述为128维空间中的一个点。此外，还有rootSIFT和SURF等变体。
- 视觉词汇构建 ：将特征描述符进行向量量化，形成视觉词汇。经典的词汇构建方法是无监督的k - means聚类，参数k表示词汇中视觉单词的数量，其取值范围较广，从适合分类任务的k ≈ 10³到k ≈ 10⁷不等。为了高效构建大词汇表，还可以使用层次词汇树和近似最近邻等方法。同时，通过无监督聚类可以压缩空间信息，而不会显著降低精度。
- 向量局部聚合描述符（VLAD）
- VLAD方法结合了词袋模型和Fisher核的优点。同样先检测和描述局部特征，使用k