基于Bag of words模型图像检索系统设计与实现.docVIP

基于Bag of words模型图像检索系统设计与实现 　　摘要：该系统将Bag of words模型用于大批量图像检索，基于OpenCV C语言库提取图像的SIFT特征，然后使用Kmeans算法进行聚类，再将其表示成Bag of words矢量并进行归一化，实现大批量图像检索，并用caltech256数据集进行实验。实验表明，该系统该系统采用的方法是有效的。 　　关键词：SIFT; Kmeans; Bag of words;大批量;图像检索 　　中图分类号：TP311文献标识码：A文章编号：1009-3044(2012)05-1139-03 　　Based on the Bag of Words of the Model of Image Retrieval System Design and Implementation 　　SUN Meng-ke, ZHANG Hong-mei 　　(Henan University of Technology College of Information Science and Engineering, Zhengzhou 450000, China) 　　Abstract: The system will be Bag of words model used in large quantities of image retrieval, based on OpenCV C library image SIFT fea? ture extraction, and then use Kmeans clustering algorithm, and then it says a Bag of words and vector normalization, realizing mass image retrieval, and caltech256 data set for experiments. Experiments show that the system adopts the method is effective. 　　Key words: SIFT; kmeans; bag of words; mass data; image retrieval 　　近年来，随着计算机科学的飞速发展，模式识别技术在社会生活中的应用已经非常普遍，特别是计算机图像识别技术，因为其直观，方便，快速，准确的特点，更是受到了人们的青睐。 　　目前常用的利用计算机自动检索图像的方法是使用颜色、纹理、形状等全局视觉特征来获得图像内容信息，衡量图像之间的相似程度以实现图像检索。然而，这种方法反映的只是图像的客观统计特性，不能被人的视觉所理解。 　　本文考虑到图像检索系统的用户是根据图像中的目标来判别图像之间的相似性，因而将目标识别中的典型模型-Bag of words模型引入图像的检索识别领域，提取图像的局部特征来实现图像的匹配检索，一定程度上对图像有了语义方面的理解，也屏蔽了复杂背景对检索结果的影响。 　　Gabriella Csurka等人[1]首先于2004年在图像处理领域引入了Bag of words模型，提取图像的SIFT特征并用支持向量机对5类图像进行分类，结果表明该模型对复杂背景具有一定的健壮性，并且在不利用几何信息的情况下，也能得到很好的分类效果。 　　Herbert Bay等人[2]在2006年提出了一种特征提取的快速算法SURF(Speeded Up Robust Features)，通过简化主流的兴趣点检测算子（a Hessian matrix-based measure）和描述算子（a distribution-based descriptor）来实现，并以recall、1-precision为标准同SIFT做了比较，结果显示，SURF在各个方面的性能均接近或超越了SIFT，但是计算速度却是SIFT的3倍左右。 　　何友松等人[3]在2009年将Bag of Words模型引入汽车图像识别领域，并提出将SIFT特征提取算法和PLSA分类算法结合在一起实现车辆和背景图像分类的思想，实验对比了该算法与Tamura纹理特征算法和Gabor纹理特征算法在车辆图像识别中的效果，结果表明该算法分类正确率优于另外两种方法。 　　综上所述，目下对于Bag of words模型在图像处理领域中的应用，大都集中在对小批量图像的处理，相应的对于在大批量图像处理中的应用却鲜见于报端。本文将Bag of words模型中的聚类算法改进之后，用于对大批量数据进行聚类，取得了非常好的效果。 　　 1 Bag of words模型概述 　　Bag of words模型最初被用在文本