【2018.5.27会议记录】—— [ 算法原理 ]：手工特征提取的概念问题。

标签：像素   tail   image   并且   就是   分享图片   info   blog   inf   

1、提取 特征点 、特征描述子 与 提取特征向量 之间的区别：

　　(1)、特征点：指的是一张图片上比较有代表性的‘位置’，提取特征点就是把图片中这些有代表性的位置给标出来。

　　(2)、特征描述子：当提取出特征点之后，由于特征点是图片的某个位置，为了能够进行数学计算，我们需要给这些“位置”用一个数学方法来描述，于是可以用一个向量v来表示每一个位置。而这个向量就叫做 特征描述子。

　　(3)、特征向量：指的是通过对图片在像素层面上做一些变换(LBP、颜色特征、Sift、surf)之后，生成一个向量V，用这个向量就可以表示整张图片，这个向量就称为特征向量。

2、理解SIFT图像检索与聚类算法的关系。

　　(1)SIFT特征提取的流程：

　　　　①图片描述子建立：对一张图片进行特征点的提取(找到图片中有代表性的位置)，并分别对这张图片中的每个特征点用特征描述子描述来描述（设这张图片有1000个特征点，每个描述子是128维向量）。

　　　　　　算法核心思想：https://blog.csdn.net/weixin_38404120/article/details/73740612

　　　　②引入词袋模型：https://blog.csdn.net/garfielder007/article/details/51475550

　　　　　　- 现在对图像库中所有图片（设有50张图片）的所有特征点（设每张图片特征点个数都为1000）进行提取并且建立描述子(这样总共有50 x 1000个描述子，且每个描述子维度为128)。而这50 x 1000 个描述子可以称为“词”

　　　　　　- 现在引入 K-means 聚类算法，给这50 x 1000个描述子分成64类，即设定聚类中心为64，然后通过学习得到这50 x 1000个描述子应该各自在哪一类下。

　　　　　　- 这样这64个类的每一类中都有 >不同个数；> 来自不同图片的描述子。

　　　　　　- 当完成聚类后，这样64维的每一维度就相当于一个描述子集合，把每一个维度的这样的描述子集合称为“词袋”

　　　　③特征向量的形成：

　　　　　　- 给这64为词袋建立一个对应的64维直方图。

　　　　　　- 再看看一张图片中的所有特征描述子都对应在64维词袋哪些词袋中，只要某一个维度的词袋包含图片的一个特征描述子，那么在直方图上的对应维度就加一，知道这一张图片中的所有特征点描述子都遍历完全。这样最终的64维直方图就是这张图片的特征向量。

　　(2)、图像检索：即比较 待检索 与 图片库中每张图片间 的特征向量距离，设定一个阈值，小于这个阈值的图片就检索出来。

【2018.5.27会议记录】—— [ 算法原理 ]：手工特征提取的概念问题。

标签：像素   tail   image   并且   就是   分享图片   info   blog   inf   

原文地址：https://www.cnblogs.com/lab210/p/9099681.html