常用圖像分類功能包

點擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達(dá)

為了能夠有效地識別位置，我們需要提取表征圖像的特征，之后將相同的特征分成一組，并搜索相似的圖像。當(dāng)然位置識別也可以應(yīng)用于其他程序，例如在圖像恢復(fù)我們也需要查找相似圖像。

Bag of Feature是一種圖像特征提取方法。它借鑒了文本分類（Bag of Words）的思想，從圖像中提取出許多具有代表性的關(guān)鍵詞，形成字典，然后對每個圖像中出現(xiàn)的關(guān)鍵詞數(shù)量進(jìn)行計數(shù)，以獲得圖片的特征向量。

獲得特征向量后，我們通過聚類算法得到這些特征向量的聚類中心。將這些聚類中心組合在一起，形成字典。

對于圖像中的每個特征，我們可以在字典中找到最相似的聚類中心，計算這些聚類中心的出現(xiàn)次數(shù)，并獲得一個稱為Bag的矢量表示。因此，對于區(qū)別越大的圖片此矢量的區(qū)分度越大。

索引本地特征

為了獲得詞匯量，我們需要大量數(shù)據(jù)，即需要足夠大的數(shù)據(jù)集。然后，對于每個圖像，通常使用SIFT提取特征和描述符特征，并將其映射到描述符空間中。

提取特征后，使用一些聚類算法對這些特征向量進(jìn)行聚類。最常用的聚類算法是k-means。它將樣本數(shù)據(jù)的自然類別分為k個聚類，以便每個點都屬于與最近的聚類中心相對應(yīng)的聚類。用作聚類標(biāo)準(zhǔn)的類滿足使聚類中心與屬于該中心的數(shù)據(jù)點之間的平方距離之和最小的要求。

K-Means方法實際上需要確定兩個參數(shù)c和δ。其中，ci表示每個聚類中心的位置，δij的值為{0,1}，表示點xj是否分配給第i個聚類中心。

然后，目標(biāo)函數(shù)可以編寫如下。

為了優(yōu)化ci，我們需要給出每個點所屬的類，另一方面，為了優(yōu)化δij，我們需要給我們聚類中心。

在實際使用中，K-Means的迭代過程實際上是EM算法的特例。K-Means算法的流程如下所示。

假設(shè)我們有N個樣本點{?x?1，…，xN?}，并給出聚類數(shù)k。

首先，隨機(jī)選擇一系列聚類中心點μi，i?= 1，…，k。然后，根據(jù)最近距離的原理為每個數(shù)據(jù)點指定相應(yīng)的聚類中心，并計算新的數(shù)據(jù)點均值以更新聚類中心。如此反復(fù)，直到收斂。

聚類完成后，我們得到由這k個向量組成的字典。這k個向量具有稱為視覺詞的一般表達(dá)。

對于圖像中的每個SIFT功能，我們都可以在字典中找到最相似的視覺單詞。這樣，我們可以計算一個k維直方圖，它表示字典中圖像的SIFT特征。

將視覺單詞應(yīng)用于圖像檢索

當(dāng)我們使用進(jìn)行圖像搜索時，將會查看哪些視覺單詞出現(xiàn)在該圖像中。對于每個出現(xiàn)的單詞，我們檢查哪些其他圖像具有相同的單詞。對于有相同特征向量的圖像，我們在數(shù)組計數(shù)器中添加一個。該數(shù)組是一個列表，其中每個圖像都有一個包含計數(shù)器變量的變量。最后，我們將數(shù)組中計數(shù)器值最高的圖像作為該圖像的匹配項。

但是，圖像中的每個功能仍需要與詞匯表中的所有可視單詞進(jìn)行比較。加快此過程的解決方案是層次聚類。

分層聚類

代替聚類為k個聚類，可以將先聚類成b個類，然后將每個聚類再次聚類為b個聚類，依此類推。

我們獲得了一個類似樹的結(jié)構(gòu)，從而可以更快地進(jìn)行視覺特征詞的比較。對于每個特征向量，沿著該聚類樹向下到達(dá)葉子節(jié)點，然后該葉子節(jié)點描述了視覺單詞。這也意味著我們不必將每個向量與每個視覺單詞聯(lián)系在一起。

結(jié)論

提取特征時，功能袋不需要學(xué)習(xí)相關(guān)的標(biāo)簽，因此是一種弱監(jiān)督的學(xué)習(xí)方法，另一方面它根本不考慮特征之間的位置關(guān)系。

如果有幾種可能的比賽是合理的，但仍然選擇其中一項，因為它的得分要好一些，這尤其不幸。在這種情況下，找到一種有效的方法來區(qū)分可能的解決方案以找到最佳解決方案是有利的。如果我們還包括地心信息，我們可以克服這一問題。

參考資料

1.?AmanbirSandhu and Aarti Kochhar?Content Based Image Retrieval using Texture, Color and Shape for Image Analysis‘ Council for Innovative Research International Journal of Computers & Technology, vol.3, no. 1, pp.2277–3061,2012

2.?Arnold W.M Smeulders, Marcel Worring and Amarnath Gupta?Content based image retrieval at the end of the early years‘ IEEE Transactions on Pattern Analysis and Machine Intelligence ,vol. 22, no.12 pp. 1349–1380,2000

3.?Arthi.K and Mr. J. Vijayaraghavan?Content Based Image RetrievalAlgorithm Using Color Models‘, International Journal of Advanced Research in Computer and Communication Engineering,Vol. 2, Issue 3,pp.1346–1347,2013

4.?Baddeti Syam and Yarravarappu Rao?An effective similarity measure via genetic algorithm for content based image retrieval with extensive features‘ International Arab journal information technology vol.10 no.2 pp.143–153,2013

5.?Bai Xue, Liu Wanjun?Research of Image Retrieval Based on Color‘, International Forum on Computer Science-Technology and Applications, pp.283–286, 2009

6.?Chin-Chen Chang and Tzu-Chuen Lu?A Color-Based Image Retrieval Method Using Color Distribution and Common Bitmap‘ Springer, pp. 56–71, 2005

7.?Chuen-Horng Lin, Rong-Tai Chen, Yung-Kuan Chan?A smart content-based image retrieval system based on color and texture feature‘, Image and Vision Computing vol.27 pp. 658–665,2009

8.?Clough, P and Sanderson, M.?User experiments with the Eurovision cross-language image retrieval system‘ Journal of the American Society of Information Science and Technology, vol.57 no.5 pp.697 -708,2006

9.?Deepika Nagthane?Content Based Image Retrieval system Using K-Means Clustering Technique‘ International Journal of Computer Applications & Information Technology, vol. 3, no.1 pp.21–30,2013

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~