Question

我正在做一个使用Bag Of Features方法制作视觉搜索系统的项目，但几乎没有问题。如果我正确理解了方法，那么该方法几乎没有步骤。

从图像中提取特征
矢量量化
从数据库中搜索图像

我在2到3之间存货。我使用名为scikit-learn的python包量化在opencv中使用SIFT算法提取的特征向量。目前，我使用默认设置设置了簇大小8。我试图从输出码本中生成直方图并显示它。我尝试了几次相同的图像，但所有的直方图看起来都不一样。代码如下。这是一个简单的代码。

import cv2
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

def feature_extract(img):
    sift = cv2.SIFT()
    gray = img
    kp, des = sift.detectAndCompute(gray, None)
    return kp, des


def codebook(k, des):
    km = KMeans(n_clusters=k, max_iter=500)
    km.fit(des)
    codebook = km.cluster_centers_
    label = km.labels_
    return codebook, label

img = cv2.imread('sift_example.jpg', 0)
kp, des = feature_extract(img)

k = 8
codebook, label = codebook(k, des)
plt.hist(label, bins=range(0,9), align='left'), plt.show()

我怀疑问题来自群集错误。由于最初的聚类中心设置为随机，因此最终的聚合中心是不同的。这有什么解决方案吗？

Answer 1

你对KMeans初始中心的随机性是正确的，但是我会假设如果你没有明确地改变随机数生成器的初始种子，那么它总会选择相同的＆＃34;随机＆＃34;作为初始中心的特征。另一个原因可能是，如果特征检测/提取是多线程的，则在您的图像上计算的特征可以在每次运行之间以不同的顺序出现。你也可以检查一下。

或者，您可以将自己的中心作为初始质心传递给KMeans，这样您就可以自己选择或生成它们，以确保KMeans始终以相同的初始中心开始

使用Bag Of Features方法的图像搜索系统

1 个答案: