图像检索的各个模块以及原理分析

曾经终败给现在 2022-07-13 15:28 181阅读 0赞

一、图像特征提取（SIFT、SURF）  
在图像处理中，常用的图像特征包括：颜色、形状、纹理以及空间关系等特征，常见的图像空间有RGB以及HSV。在图像匹配中，常提取图像的SIFT（Scale Invariance Feature Transform)和SURF(Speed Up Robust Feature)特征，下面是SIFT与SURF的优缺点：  
（1）SIFT：比较稳定、特征点较多、信息量大，可以快速进行特征点之间的匹配，最大的缺点就是计算复杂度较高，维度为128维。  
（2）SUFT：快速鲁棒特征，是对SIFT特征的一种改进，不需要像SIFT那样使用RANSAC（RANdom SAmple Consensus）剔除伪匹配点，维度为64维。  
二、聚类（生成码书或者生成视觉词典）  
通常通过无监督(unsupervised)聚类学习算法进行离线训练视觉词典，典型的无监督聚类学习算法包括K-means，Hierarchical k-means (HKM) and Approximate k-means (AKM)。  
(1)下面介绍一下K-means聚类的算法步骤：假设有n个样本，想聚成k类  
①初始化：从n个样本中随机抽取k个，作为最初始的聚类中心。  
②迭代：计算每个样本到这k个中心的距离，离谁最近就归为哪一类（欧氏距离）。  
③这样就得到k类，对新的每一类计算类中心，计算方法就是此类中包含的所有样本的均值。  
④重复②和 ③步骤，即计算新的类中心，每个样本重新进行归类，直到分类没有变化为止。  
(2)迭代的终止条件： ①没有（或者最小数目）对象被重新分配给不同的聚类；②没有（最小数目）聚类中心再发生变化； ③误差平方和局部最小。  
(3)优缺点：  
1）优点：确定的k个划分，达到平方误差最小，当聚类密集时，且类与类之间区别明显时，效果较好。当处理大的数据集时，算法相对可伸缩和高效，计算复杂度为O(nkt)，其中n是数据对象的数目，t是迭代次数，k<<N，t<<N。  
2）缺点：①k是事先给定的，k值的选定难以估计，很多时候我们并不事先知道给定的数据集分成多少类最合适； ②初始聚类中心的选择，初始值的选择对结果影响很大， 一 旦选择的不好，可能无法得到有效的聚类结果；③迭代过程中需要不断地进行样本调整，不断计算调整后新的聚类中心，数据量非常大，算法复杂度也较高。  
三、量化过程  
利用二中通过聚类生成的码书，对图像的特征（典型的SIFT特征）进行量化，以SIFT特征为例，将图像中的SIFT描述子利用kNN(k Nearest Neighbor)量化到离其最近邻的 k个视觉单词中，因此图像的128的SIFT特征矢量就可以转化为一维矢量，大大减少了计算效率，最后在使用倒排索引进行检索时，每个视觉单词使用tf-idf进行加权。  
四、机器视觉中常用的分类器  
其实上面用到的k近邻就是机器学习中分类器的其中一种，下面简要介绍一下几种分类器：  
（1） k近邻：  
①优点：“近朱者赤，近墨者黑”，kNN是无参数训练模型。  
②缺点：k是人为设定的，且该算法复杂度比较高。  
（2） SVM(Support Vector Machine，支持向量机)：  
①优点：SVM通过支撑面做分类，也就是说不需要计算所有样本，高维数据中只需要取少量样本，节省内存空间。  
②缺点：计算代价比较大，SVM将低维无序杂乱的数据通过核函数映射到高维空间，通过超平面将其分开。  
（3）Naive Bayes（朴素贝叶斯）  
①缺点：这一模型适合用在文本样本上，采用了朴素贝叶斯原理假设样本间是相互独立的，因此在关联比较强的样本上效果很差  
②优点：也是基于其独立的假设，概率计算大大简化，节省内存和时间。  
（4）linear regression（线性回归）  
①缺点：顾名思义，linear regression是假设数据服从线性分布的，这一假设前提也限制了该模型的准确率，因为现实中由于噪声等的存在很少有数据是严格服从线性 的。  
②优点：基于这种假设，linear regression可以通过normal equation求闭合解的方式求得y\_predict  
（5）logistic regression（逻辑回归）  
①缺点：从线性回归衍生而来，将线性的值域通过sigmoid函数压缩在（0,1）范围内，缺点同linear regression，且也是要求数据是无缺失的。  
②优点：有两种方式求解，精确的解析解和SGD算法估计，在要求准确性时使用解析解，在要求时间效率时使用SGD 迭代。  
（6）随机森林（RF，Random Forest）：  
1）一种机器学习（ML）算法，通过集成学习的思想，将多棵树进行集成的一种算法，它的基本单元是决策树（decision tree），属于ML的一个分支——集成学习方法 （Ensemble Learning）方法。从直观的角度解释，每棵决策树都是一个分类器（针对分类的情况），对于一个输入样本 ，N棵树会有N个分类结果，而RF集成所有 分类结果的投票，将投票次数最多的类别指定为最终的输出。  
2）随机森林的随机性表现在：①用随机的方式建立一个森林；②每一个低纬的空间都可以看成是原feature的一个线性组合，由高维到低维的转换是随机的。

还未整理完，后期继续整理。