计算机视觉——BOF图像检索算法

Bag of Feature 是一种图像特征提取方法，它借鉴了文本分类的思路（Bag of Words），从图像抽象出很多具有代表性的「关键词」，形成一个字典，再统计每张图片中出现的「关键词」数量，得到图片的特征向量。

Bag of Words 模型

要了解「Bag of Feature」，首先要知道「Bag of Words」。「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。比如：如果一则新闻中经常出现「iraq」、「terrorists」，那么，我们可以认为这则新闻应该跟伊拉克的恐怖主义有关。而如果一则新闻中出现较多的关键词是「soviet」、「cuba」，我们又可以猜测这则新闻是关于冷战的（见下图）。

这里所说的关键词，就是「Bag of words」中的 words ，它们是区分度较高的单词。根据这些 words ，我们可以很快地识别出文章的内容，并快速地对文章进行分类。而「Bag of Feature」也是借鉴了这种思路，只不过在图像中，我们抽出的不再是一个个「word」，而是图像的关键特征「Feature」，所以研究人员将它更名为「Bag of Feature」。

Bag of Feature 算法

从上面的讨论中，我们不难发现，「Bag of Feature」的本质是提出一种图像的特征表示方法。

按照「Bag of Feature」算法的思想，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。

有了特征之后，我们会将这些特征通过聚类算法得出很多聚类中心。这些聚类中心通常具有较高的代表性，比如，对于人脸来说，虽然不同人的眼睛、鼻子等特征都不尽相同，但它们往往具有共性，而这些聚类中心就代表了这类共性。我们将这些聚类中心组合在一起，形成一部字典（CodeBook）。

对于图像中的每个「SIFT」特征，我们能够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，可以得到一个向量表示（有些文章称之为「直方图」），如本文开篇的图片所示。这些向量就是所谓的「Bag」。这样，对于不同类别的图片，这个向量应该具有较大的区分度，基于此，我们可以训练出一些分类模型（SVM等），并用其对图片进行分类。

一、Bag of Feature 算法过程

「Bag of Feature」大概分为五步：

1. 提取图像特征；
2. 对特征进行聚类，得到一部字典（ visual vocabulary ）；
3. 根据字典将图片表示成向量（直方图）；
4. 把输入图像，根据TF-IDF转化成视觉单词的频率直方图；
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

1.1提取图像特征

特征必须具有较高的区分度，而且要满足旋转不变性以及尺寸不变性等，因此，我们通常都会采用「SIFT」特征（有时为了降低计算量，也会采用其他特征，如：SURF ）。「SIFT」会从图片上提取出很多特征点，每个特征点都是 128 维的向量，因此，如果图片足够多的话，我们会提取出一个巨大的特征向量库。

1.2训练字典

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 个向量组成的字典，这 k 个向量有一个通用的表达，叫 visual word。

1.3图片直方图表示

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，但这些特征点仍然属于一种浅层（low level）的表达，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 visual word，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。

例如：对于上图这辆车的图片，我们匹配图片的「SIFT」向量与字典中的 visual word，统计出最相似的向量出现的次数，最后得到这幅图片的直方图向量。

1.4根据TF-IDF解算生成视觉单词的频率直方图

在文本检索中，不同的单词对文本检索的贡献有差异。运用到图像检索中也是同样的道理，每张图片都具有的共性特征的权重应该被降低。

投票值的大小也就是直方图上柱体的高度。

1.5构造特征到图像的倒排表

倒排法也就是特征到图像的映射关系。
举例解释：
Cn为特征点，In为输入的图像
C1:{I1，I101}表示特征点在I1和I101这两幅图像上出现，以下同理
C2:{I2，I99}
C3:{I1，I5，I100}
C4:{I1，I101，I3}
特征点C1与I1，I101有关，特征点C2与I2，I99有关，特征点C3与I1，I5，I100有关，特征点C4与I1，I101，I3有关。由此锁定I1，I3，I5，I100，I101这些图像，再进一步，I1和I101出现两次，那么就锁定这两幅图像来匹配特征。

二、Bag of Feature 算法实验

2.1实验要求

1. 构造不小于100张图片的数据集
2. 针对数据集，做SIFT特征提取
3. 根据SIFT特征提取结果，采用k-means算法学习“视觉词典(visual vocabulary)”，其中维度至少满足4个量级(比如10， 50， 100， 1000， 5000 )
4. 根据IDF原理，计算每个视觉单词的权
5. 针对数据库中每张图片的特征集，根据视觉词典进行量化，以及TF-IDF解算。每张图片转化成特征向量
6. 对于输入的检索图像(非数据库中图片)，计算SIFT特征，并根据TF-IDF转化成频率直方图/特征向量
7. 构造检索图像特征到数据库图像的倒排表，快速索引相关候选匹配图像集
8. 针对候选匹配图像集与检索图像进行直方图/特征匹配

2.2实验准备

1. 实验平台：Python 3
2. 实验数据：图像数据数据来源于平时生活中的照片，涵盖环境、人物、简单物体、复杂物体等等，代码摘抄自他人博客。

2.3实验代码

代码1： sift提取特征并建立视觉词典

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('test1/')
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)
#保存词汇
# saving vocabulary
with open('test1/vocabulary.pkl', 'wb') as f:
    pickle.dump(voc, f)
print ('vocabulary is:', voc.name, voc.nbr_words)

代码2： 遍历所有的图像，将它们的特征投影到词汇并提交到数据库

import pickle
from PCV.imagesearch import imagesearch
from PCV.localdescriptors import sift
from sqlite3 import dbapi2 as sqlite
from PCV.tools.imtools import get_imlist

#获取图像列表
imlist = get_imlist('test1/')
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('test1/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
for i in range(nbr_images)[:1000]:
    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 = sqlite.connect('testImaAdd.db')
print (con.execute('select count (filename) from imlist').fetchone())
print (con.execute('select * from imlist').fetchone())

代码3： 进行查询测试

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('test1/')
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('test1/vocabulary.pkl', 'rb') as f:
    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 = 53
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
    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
    try:
        H,inliers = homography.H_from_ransac(fp[:,ind],tp[:,ind2],model,match_theshold=4)
    except:
        inliers = []
    # store inlier count
    rank[ndx] = len(inliers)

# sort dictionary to get the most inliers first
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

2.4实验结果及分析

目标图片1：

检索结果：
通过更改K-means算法的维度考察对实验结果的影响
1）K=10

2）K=100

3）K=1000

4）K=5000

实验小结1：
1.从检索结果来看，在我的图片数据集下，K=1000时的检索结果最佳，正确率也最高
2.当K=10和K=100时，由于划分的维度较小，无法区别详细的特征信息，字典太小，单词区分性能差，对相似的目标特征无法表示，因此容易出现错误的检索图片
3.但是K的取值也不是越大越好，当K=5000时，划分的维度过大，字典过大，单词缺乏一般性，对噪声敏感，导致准确率低下
4.在各种维度下都存在着错误检索，我觉得是因为我选取的目标图片颜色过于单一，偏向白色，容易掩盖很多特征，由于这些错误检索图片在颜色上也是接近白色，缺少特征信息。

通过更改目标图片观察实验结果（K=1000）
目标图片2：

检索图片：

实验小结2：
1.从检索结果来看，对于目标图片2，BOF算法很好的检索出了所有正确的图片，但是对于检索图片的特征排序并没有规律，例如物理坐标更为接近的并不是排在最前面
2.对比目标图片1可以看出，目标图片2中的元素较少、图像简洁，只是在不同角度拍摄下的单一物体，而目标图片1中的物体表明有较多的凹凸层次，使得光线在物体表面反射的程度不同，使得细节更加丰富，因此，该BOF算法对单调图片拥有良好的检索能力
3.算法对于物体旋转、平移等影响并不敏感，但是同时也存在一个不足，那就是它没有考虑到特征之间的位置关系，而位置信息对于人理解图片来说，作用是很明显的。

三、实验总结

1.由于每张图像中提取出来的局部特征数量一般很大并且有一定的差别,给图像的表达与匹配带来一定的问题
2.Bag-of-Features模型在处理局部特征向视觉单词上映射来构造特征向量时,一个局部特征只是简单地映射为与其相似度最高的那个视觉单词。但是有时图像的局部特征可能同时与多个视觉单词的相似度都非常高。
3.每个视觉单词出现在不同的图像中的概率可能有所不同,有的视觉单词随机地分布在各个类别的图像中,而有些视觉单词在某些类别的图像中出现的频率比在其他类别中高很多,也就是说不同的视觉单词区分图像类别的能力有所不同。因而有必要为特征向量加权,使得类别区分能力强的视觉单词更加突出。Bag-of-Features模型中使用的特征加权算法是TF-IDF算法,但是只是简单地对词频和图像进行统计和计算,忽略了视觉单词与类别之间的关系。