大数据集根本不能用对于大场景数据的匹配法

一、图像特征匹配

蛮力匹配方法：非常耗时，根本不能用于大数据集

对于大型场景数据集（如城市场景），不到0.1%的图像对有匹配关系

解决方案：使用整体图像特征来实现匹配/检索，而不是局部特征点

词袋模型

BoW可以理解为一种直方图统计，是一种用于自然语言处理和信息检索的简单文档表示方法。 BoW 也只有统计频率信息，没有序列信息。 BoW就是选择单词词典，然后统计每个单词在词典中出现的次数。

BoW（Bag of Words）模型最初用于文本分类，将文档表示为特征向量。它的基本思想是假设对于一个文本，忽略它的词序、语法和句法，只把它看成一个词的集合，文本中的每个词都是独立的。简单来说，就是把每个文档看成一个bag（因为里面包含了所有的词汇，所以叫做bag of words，而Bag of words就是由此而来），然后看看这个bag里面包含了哪些词汇，把它的分类。如果文档中包含猪、马、牛、羊、山谷、土地、拖拉机等词较多，而银行、建筑、汽车、公园等词较少，我们倾向于将其判断为描述乡村的文档。而不是描述小镇。

特征包模型

Bag of Feature 也是借鉴了这个思路，但是在图像中，我们不再提取一个词，而是图像的关键特征 Feature，因此研究人员将其命名为 Bag of Feature。

Bag of Feature在检索中的算法流程和分类几乎一模一样。唯一不同的是，对于原始的 BOF 特征，即直方图向量图像检索的流程及其关键技术，我们引入了 TF-IDF 权重。

Bag of Feature的本质是提出一种图像特征表示的方法

根据 Bag of Feature 算法的思想，首先我们需要找到图片中的关键词，而这些关键词必须具有高度的区分度。在实践中，通常使用 SIFT 特征。

我们有了特征之后，再利用这些特征，通过聚类算法得到很多聚类中心。这些集群中心通常具有高度代表性。例如，对于人脸来说，虽然不同的人有不同的特征，比如眼睛和鼻子，但它们往往具有共性，而这些聚类中心代表了这种共性。我们将这些聚类中心组合成一个字典（CodeBook）。

对于图像中的每一个SIFT特征，我们可以在字典中找到最相似的聚类中心，统计这些聚类中心出现的次数，得到这些向量的向量表示（有些文章称其为直方图）就是所谓的包。这样，对于不同类别的图片，这个向量应该有更大的区分度。基于此，我们可以训练一些分类模型（SVM等），并用它来对图片进行分类。

特征包：图像检索过程 特征包中的知识点 提取图像特征

特征必须具有高度的区分度，并且必须满足旋转不变性和大小不变性，所以我们通常使用SIFT特征

培训词典

提取特征后，我们将使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。

最小化每个特征 xi 与其对应的聚类中心 mk 之间的欧几里得距离

算法过程：

随机初始化K个聚类中心

重复以下步骤，直到算法收敛：

对应每个特征，根据距离关系分配一个中心/类别

对于每个类别，根据其对应的特征集重新计算聚类中心

聚类是实现视觉词汇/码本的关键

无监督学习策略

将k-means算法得到的聚类中心作为码向量

码本可以通过与不同的训练集共同训练得到

一旦训练集准备充分，训练出来的码本（codebook）就会通用

码本/字典用于量化输入图像的特征集

对于输入的特征，量化的过程就是将特征映射到离它最近的码向量上并实现计数

码本 = 视觉词典

码向量 = 视觉词

直方图表示

上一步得到的字典用于这一步的图像特征量化。对于一张图像，我们可以提取大量的 SIFT 特征点，但这些特征点仍然属于低级表达图像检索的流程及其关键技术，缺乏表征。因此，这一步的目标是根据字典重新提取图像的高层特征。对于图像中的每个 SIFT 特征，可以在字典中找到最相似的视觉词。这样，我们就可以统计出一个k维直方图，表示图像的SIFT特征在字典中的相似频率。

TF-IDF

在文本检索中，不同的词对文本检索的贡献不同

一个词在文档中出现的比例越大，它对匹配的用处就越小，即出现在所有文档中的词没有帮助

我们不计算规范直方图距离，而是通过逆文档频率对每个单词进行加权

二、创建词汇的实验

# -*- 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('D:\bow\image\gun\')
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('training')
voc.train(featlist, 165, 10)
 
# 保存词汇
# saving vocabulary
with open('D:\bow\image\gun\vocabulary.pkl', 'wb') as f:
    pickle.dump(voc, f)
print('vocabulary is:', voc.name, voc.nbr_words)

创建数据库

 
# -*- coding: utf-8 -*-
 
import pickle
from PCV.imagesearch import imagesearch
from PCV.localdescriptors import sift
import sqlite3
from PCV.tools.imtools import get_imlist
 
# 获取图像列表
imlist = get_imlist('D:\bow\image\')
nbr_images = len(imlist)
# 获取特征列表
featlist = [imlist[i][:-3] + 'sift' for i in range(nbr_images)]
 
# load vocabulary
# 载入词汇

with open('D:\bow\image\vocabulary.pkl', 'rb') as f:
    voc = pickle.load(f)
# 创建索引
indx = imagesearch.Indexer('testImaAdd.db', voc)
indx.create_tables()
 
# go through all images, project features on vocabulary and insert
# 遍历所有的图像，并将它们的特征投影到词汇上(比如我的是165张图片)
for i in range(nbr_images)[:164]:
    locs, descr = sift.read_features_from_file(featlist[i])
    indx.add_to_index(imlist[i], descr)
# commit to database
# 提交到数据库
indx.db_commit()
 
con = sqlite3.connect('testImaAdd.db')
print(con.execute('select count (filename) from imlist').fetchone())
print(con.execute('select * from imlist').fetchone())

在数据库中搜索图像

# -*- coding: utf-8 -*-
 
import pickle
from PCV.localdescriptors import sift
from PCV.imagesearch import imagesearch
from PCV.geometry import homography
from PCV.tools.imtools import get_imlist
 
# load image list and vocabulary

# 载入图像列表
imlist = get_imlist('D:\bow\image\')  # 存放数据集的路径
nbr_images = len(imlist)
# 载入特征列表
featlist = [imlist[i][:-3] + 'sift' for i in range(nbr_images)]
 
# 载入词汇
with open('D:\bow\image\vocabulary.pkl', 'rb') as f:  # 存放模型的路径
    voc = pickle.load(f)
src = imagesearch.Searcher('testImaAdd.db', voc)
 
# index of query image and number of results to return
# 查询图像索引和查询返回的图像数
q_ind = 150
nbr_results = 5
 
# regular query
# 常规查询(按欧式距离对结果排序)
res_reg = [w[1] for w in src.query(imlist[q_ind])[:nbr_results]]
print('top matches (regular):', res_reg)
 
# load image features for query image
# 载入查询图像特征
q_locs, q_descr = sift.read_features_from_file(featlist[q_ind])
fp = homography.make_homog(q_locs[:, :2].T)
 
# RANSAC model for homography fitting
# 用单应性进行拟合建立RANSAC模型

model = homography.RansacModel()
rank = {}
 
# load image features for result
# 载入候选图像的特征
for ndx in res_reg[1:]:
    locs, descr = sift.read_features_from_file(featlist[ndx])  # because 'ndx' is a rowid of the DB that starts at 1
    # get matches
    # 获取匹配数 # get matches执行完后会出现两张图片
    matches = sift.match(q_descr, descr)
    ind = matches.nonzero()[0]
    ind2 = matches[ind]
    tp = homography.make_homog(locs[:, :2].T)
    # compute homography, count inliers. if not enough matches return empty list
    # 计算单应性，对内点技术。如果没有足够的匹配书则返回空列表
    try:
        H, inliers = homography.H_from_ransac(fp[:, ind], tp[:, ind2], model, match_theshold=4)
    except:
        inliers = []
    # store inlier count
    rank[ndx] = len(inliers)
 
# 将字典排序，以首先获取最内层的内点数
sorted_rank = sorted(rank.items(), key=lambda t: t[1], reverse=True)
res_geom = [res_reg[0]] + [s[0] for s in sorted_rank]
print('top matches (homography):', res_geom)
 
# 显示查询结果
imagesearch.plot_results(src, res_reg[:8])  # 常规查询
imagesearch.plot_results(src, res_geom[:8])  # 重排后的结果