CV——Bag of Features (BOF)图像检索算法

Bag of Features基本原理

此算法的思想是在我们先做一个数据集，然后找到图像中的关键词，这些关键词必须具备较高的区分度，最主要的操作就是提取sift特征，然后对这些特征点进行聚类算法，然后得到聚类中心，聚类中心就具有很高的代表性，这些聚类中心形成字典，然后自取一张图片，进行sift特征提取，就可以在字典里找到最相似的聚类中心，统计这些聚类中心出现的次数，然后就直方图表示出来，对于不同类别的图片，就可以训练处一些分类模型，然后就可以进行图片分类。

关于Bag of Words

对于了解「Bag of Feature」来说，了解「Bag of Words」原理是非常重要的。

「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。

「Bag of words」中的 words ，它们是区分度较高的单词。根据这些 words ，我们就可以快速识别出文章内容，并对文章进行分类。
而「Bag of Feature」算法与其大同小异，只是我们抽出的“关键词word”是图像中的关键特征。

Bag of Features算法步骤

首先我们要找到图像中的关键词，而且这些关键词必须具备较高的区分度。实际过程中，通常会采用SIFT特征。

特征提取：

特征聚类：
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。至于 k-means 中的 k 如何取，要根据具体情况来确定。另外，由于特征的数量可能非常庞大，这个聚类的过程也会非常漫长。
聚类完成后，我们就得到了这 k 个向量组成的视觉词典。

转化直方图：

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 ，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。

总结步骤：

1.首先，我们用sift算法生成图像库中每幅图的特征点及描述符。
2.再用k-means算法对图像库中的特征点进行聚类，得到一部视觉词典。
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
6.根据索引结果进行直方图匹配

代码实现

1.读取图片，提取特征，建立字典

# -*- coding: utf-8 -*-
import pickle
from PCV.imagesearch import vocabulary
from PCV.tools.imtools import get_imlist
from PCV.localdescriptors import sift

#获取图像列表
#imlist = get_imlist('E:/Python37_course/test7/first1000/')
imlist = get_imlist('C:/Users/Administrator/PycharmProjects/pythonProject/VC/BagOfFeature/datasets/')
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)
voc = vocabulary.Vocabulary('test77_test')
voc.train(featlist, 122, 10)
    
#保存词汇
# saving vocabulary
'''with open('C:/Users/Administrator/PycharmProjects/pythonProje