我正在为SURF搜索可用的指标。就像一个图像在一个尺度上与另一个图像匹配时,假设0到1,其中0表示没有相似性,1表示相同的图像。
SURF提供以下数据:
到目前为止,我正在尝试一些东西,但似乎没有任何效果:
使用不同集合的大小的度量:d = N / min(大小(Q),大小(T))其中N是匹配的兴趣点的数量。这给出了相当低评级的非常相似的图像,例如, 0.32,即使70个兴趣点与Q中的600个和T中的200个相匹配。我认为70是一个非常好的结果。我正在考虑使用一些对数缩放,所以只有非常低的数字会得到低的结果,但似乎无法找到正确的方程式。使用d = log(9*d0+1)
我得到0.59的结果,这是相当不错的,但它仍然有点破坏了SURF的力量。
使用成对距离的指标:我做了类似找到K最佳匹配并添加距离的内容。两个图像相似的距离最小。这个问题是我不知道兴趣点描述符元素的最大值和最小值是什么,从中计算了距离,因此我只能相对地找到结果(来自许多最好的输入)。正如我所说,我希望将指标精确地设置在0和1之间。我需要将其与其他图像指标进行比较。
这两个问题的最大问题是排除另一个问题。一个没有考虑匹配的数量,另一个没有考虑匹配之间的距离。我输了。
编辑:对于第一个,log(x * 10 ^ k)/ k的等式,其中k为3或4,大部分时间给出了很好的结果,min不好,它可以使d在某些极少数情况下大于1,而不会有小的结果。
答案 0 :(得分:6)
您可以轻松创建指标,该指标是两个指标的加权总和。使用机器学习技术来学习适当的权重。
您所描述的内容与基于内容的图像检索领域密切相关,这是一个非常丰富多样的领域。谷歌搜索将获得大量的点击率。虽然SURF是一种出色的通用低中级特征探测器,但远远不够。 SURF和SIFT(SURF的衍生源)在重复或接近重复的检测方面非常出色,但在捕获感知相似性方面效果不佳。
性能最佳的CBIR系统通常利用通过一些训练集最佳组合的一系列特征。一些有趣的探测器包括GIST(最好用于检测人造和自然环境的快速廉价探测器)和Object Bank(基于直方图的探测器本身由100个物体探测器输出组成)。