基于SIFT特征的图像检索 vs CNN
下面简单的对比一下sift和cnn的检索结果：（基于此改进的版本好多：各种sift；cnn（vgg-fc3；vgg（resnet、inception等）-conv；）+PCA等，各种特征融合等等）
检索库：
sift检索结果：
cnn检索结果：
原图：
检索图：
原图：
检索图：
原图：
检索图：
原图：
检索图：
下面是基于SIFT检索的代码，CNN的还是自己撸吧：
# coding: utf-8
import cv2
import numpy as np
import os
from sklearn.cluster import KMeans
from matplotlib import pyplot as plt
# get_ipython().magic('matplotlib inline')
# ### 基于SIFT,BOW的图像检索
# #### 1、SIFT提取每幅图像的特征点
# #### 2、聚类获取视觉单词中心（聚类中心），构造视觉单词词典
# #### 3、将图像特征点映射到视觉单词上，得到图像特征
# #### 4、计算待检索图像的最近邻图像
# 根据图像数据文件夹路径获取所有图片路径
def get_img_path(training_path):
training_names=os.listdir(training_path)
# 保留所有图片
pic_names=['bmp','jpg','png','tiff','gif','pcx','tga','exif','fpx','svg','psd','cdr','pcd','dxf','ufo','eps','ai','raw','WMF']
for name in training_names:
file_format=name.split('.')[-1]
if file_format not in pic_names:
training_names.remove(name)
img_paths=[] # 所有图片路径
for name in training_names:
img_path=os.path.join(training_path,name)
img_paths.append(img_path)
return img_paths
def getClusterCentures(img_paths,dataset_matrix,num_words):
获取聚类中心
img_paths:图像数据中所有图像路径
dataset_matrix：图像数据的矩阵表示 注：img_paths dataset_matrix这两个参数只需要指定一个
num_words:聚类中心数
des_list=[] # 特征描述
des_matrix=np.zeros((1,128))
sift_det=cv2.xfeatures2d.SIFT_create()
if img_paths!=None:
for path in img_paths:
img=cv2.imread(path)
# img = cv2.resize(img, (400, 400))
gray=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
kp,des=sift_det.detectAndCompute(gray,None)
if des!=[]:
des_matrix=np.row_stack((des_matrix,des))
des_list.append(des)
elif dataset_matrix!=None:
for gray in range(dataset_matrix.shape[0]):
kp,des=sift_det.detectAndCompute(gray,None)
if des!=[]:
des_matrix=np.row_stack((des_matrix,des))
des_list.append(des)
else:
raise ValueError('输入不合法')
des_matrix=des_matrix[1:,:] # the des matrix of sift
# 计算聚类中心 构造视觉单词词典
kmeans=KMeans(n_clusters=num_words,random_state=33)
kmeans.fit(des_matrix)
centres = kmeans.cluster_centers_ # 视觉聚类中心
return centres,des_list
# 将特征描述转换为特征向量
def des2feature(des,num_words,centures):
des:单幅图像的SIFT特征描述
num_words:视觉单词数/聚类中心数
centures:聚类中心坐标 num_words*128
return: feature vector 1*num_words
img_feature_vec=np.zeros((1,num_words),'float32')
for i in range(des.shape[0]):
feature_k_rows=np.ones((num_words,128),'float32')
feature=des[i]
feature_k_rows=feature_k_rows*feature
feature_k_rows=np.sum((feature_k_rows-centures)**2,1)
index=np.argmax(feature_k_rows)
img_feature_vec[0][index]+=1
return img_feature_vec
def get_all_features(des_list,num_words):
# 获取所有图片的特征向量
allvec=np.zeros((len(des_list),num_words),'float32')
for i in range(len(des_list)):
if des_list[i]!=[]:
allvec[i]=des2feature(centures=centres,des=des_list[i],num_words=num_words)
return allvec
def getNearestImg(feature,dataset,num_close):
找出目标图像最像的几个
feature:目标图像特征
dataset:图像数据库
num_close:最近个数
return:最相似的几个图像
features=np.ones((dataset.shape[0],len(feature)),'float32')
features=features*feature
dist=np.sum((features-dataset)**2,1)
dist_index=np.argsort(dist)
return dist_index[:num_close]
def showImg(target_img_path,index,dataset_paths):
target_img:要搜索的图像
dataset_paths：图像数据库所有图片的路径
显示最相似的图片集合
# get img path
paths=[]
for i in index:
paths.append(dataset_paths[i])
plt.figure(figsize=(10,20)) # figsize 用来设置图片大小
plt.subplot(432),plt.imshow(plt.imread(target_img_path)),plt.title('target_image')
for i in range(len(index)):
plt.subplot(4,3,i+4),plt.imshow(plt.imread(paths[i]))
plt.show()
# 暴力搜索
def retrieval_img(img_path,img_dataset,centures,img_paths):
检索图像，找出最像的几个
img:待检索的图像
img_dataset:图像数据库 matrix
num_close:显示最近邻的图像数目
centures:聚类中心
img_paths:图像数据库所有图像路径
num_close=9
img=cv2.imread(img_path)
img=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
sift_det=cv2.xfeatures2d.SIFT_create()
kp,des=sift_det.detectAndCompute(img,None)
feature=des2feature(des=des,centures=centures,num_words=num_words)
sorted_index=getNearestImg(feature,img_dataset,num_close)
showImg(img_path,sorted_index,img_paths)
# test
# 或者文件中的所有图像
img_paths = get_img_path('save_pic')
num_words=3 # 聚类中心数
# 得到质心， 和所有样本的sift特征。
centres,des_list=getClusterCentures(img_paths=img_paths,num_words=num_words,dataset_matrix=None)
# 获取所有训练样本的特征。
img_features=get_all_features(des_list=des_list,num_words=num_words)
# 对新来的样本和已有样本进行相似度检索。
path='lp.jpg'