主要内容
retrieveImages
搜索图像集为类似的图像
语法
描述
remogids.= retrieveImages (queryImage，imageIndex）remogids.对应于里面的图像imageIndex它们在视觉上与查询图像相似。的remogids.按相似匹配的从多到少的顺序返回。
［可选地返回用于对图像检索结果进行排序的相似度分数。的remogids.，分数) = retrieveImages (queryImage，imageIndex）分数输出包含从0到1的相应分数。
［可选地返回可视的单词remogids.，分数，映号) = retrieveImages (queryImage，imageIndex）queryImage用于搜索类似图像的。
［使用一个或多个指定的附加选项remogids.，＿＿＿) = retrieveImages (queryImage，imageIndex，名称,值）名称,值配对参数，使用任何前面的语法。
例子
使用查询图像搜索图像集
创建图书封面的图像集。
datadir = fullfile（toolboxdir（“愿景”)，'VisionData'，'书柜'）;封套= imageDatastore (dataDir);
显示数据集。
thumbnailGallery = [];为i = 1:length(bookCovers. files) i = readimage(bookCovers,i);thumbnail = imresize(I，[300 300]);thumbnailGallery =猫(4 thumbnailGallery缩略图);结束图蒙太奇（Thumbnailgallery）;
索引图像集。这一步可能需要几分钟。
imageIndex = IndexImages（Bookcovers）;
使用Bag-Of-Features创建倒置的图像索引。------------------------------------------------------- 创建Bag-Of-Features。------------------------- * 选择使用检测器方法特征点的位置。*从选定的特征点位置提取SURF特征。** detectsurfeatures用于检测关键点进行特征提取。*从58张图片中提取特征…完成。提取29216特性。*保留每个类别中80%最强大的功能。*平衡所有图像类别的特征数量，以改善聚类。**图像类别1最强特征数量最少:23373。 ** Using the strongest 23373 features from each of the other image categories. * Creating a 20000 word visual vocabulary. * Number of levels: 1 * Branching factor: 20000 * Number of clustering steps: 1 * [Step 1/1] Clustering vocabulary level 1. * Number of features : 23373 * Number of clusters : 20000 * Initializing cluster centers...100.00%. * Clustering...completed 7/100 iterations (~0.58 seconds/iteration)...converged in 7 iterations. * Finished creating Bag-Of-Features Encoding images using Bag-Of-Features. -------------------------------------- * Encoding 58 images...done. Finished creating the image index.
选择并显示查询图像。
queryDir = fullfile (dataDir,'疑问', filesep);queryImage = imread ([queryDir'query3.jpg']);imageIds =检索agages（QueryImage，imageIndex）;
并排显示查询图像及其最佳匹配。
bestMatch = imageid (1);bestImage = imread (imageIndex.ImageLocation {bestMatch});图imshowpair (queryImage bestImage,“蒙太奇”）
使用roi搜索特定对象的图像集
使用查询图像的感兴趣区域(ROI)来搜索图像集中的对象。
定义一组要搜索的图像。
imageFiles =．..{'elephant.jpg'，'cameraman.tif'，．..'peppers.png'，“saturn.png”，．..“pears.png”，“stapleRemover.jpg”，．..'football.jpg'，“mandi.tif”，．..“kids.tif”，“liftingbody.png”，．..“office_5.jpg”，“gantrycrane.png”，．..“moon.tif”，'circuit.tif'，．..'tape.png'，'coins.png'};imd = imageDatastore (imageFiles);
创建一个搜索索引。
imageIndex = IndexImages（IMDS）;
使用Bag-Of-Features创建倒置的图像索引。------------------------------------------------------- 创建Bag-Of-Features。------------------------- * 选择使用检测器方法特征点的位置。*从选定的特征点位置提取SURF特征。** detectsurfeatures用于检测关键点进行特征提取。*从16张图片中提取特征…完成。提取3680特性。*保留每个类别中80%最强大的功能。*平衡所有图像类别的特征数量，以改善聚类。**图像类别1最强特征的数量最少:2944。 ** Using the strongest 2944 features from each of the other image categories. * Creating a 2944 word visual vocabulary. * Number of levels: 1 * Branching factor: 2944 * Number of clustering steps: 1 * [Step 1/1] Clustering vocabulary level 1. * Number of features : 2944 * Number of clusters : 2944 * Initializing cluster centers...100.00%. * Clustering...completed 1/100 iterations (~0.08 seconds/iteration)...converged in 1 iterations. * Finished creating Bag-Of-Features Encoding images using Bag-Of-Features. -------------------------------------- * Encoding 16 images...done. Finished creating the image index.
指定查询映像和ROI。ROI概述了对象，是搜索的大象。
queryImage = imread (“clutteredDesk.jpg”）;queryROI = [130 175 330 365];图imshow (queryImage)矩形('位置'，queryroi，“EdgeColor”，'黄色'）
你也可以使用imrect以交互方式选择ROI的功能。例如，queryroi = getPosition（IMRECT）
找到包含该对象的图像。
imageid = retrieveImages (queryImage imageIndex,'roi'，queryroi）
imageid =12x1 uint32列向量1 11 6 12 2 3 8 10 13 14⋮
显示最佳匹配。
bestMatch = imageid (1);图imshow (imageIndex.ImageLocation {bestMatch})
几何验证使用estimateGeometricTransform2D函数
使用视觉词的位置来验证最佳搜索结果。要根据几何信息重新排列搜索结果，对顶部重复此步骤N搜索结果。
指定图像的位置。
datadir = fullfile（toolboxdir（“愿景”)，'VisionData'，'书柜'）;封套= imageDatastore (dataDir);
索引图像集。这个过程可能需要几分钟。
imageIndex = IndexImages（Bookcovers）;
使用Bag-Of-Features创建倒置的图像索引。------------------------------------------------------- 创建Bag-Of-Features。------------------------- * 选择使用检测器方法特征点的位置。*从选定的特征点位置提取SURF特征。** detectsurfeatures用于检测关键点进行特征提取。*从58张图片中提取特征…完成。提取29216特性。*保留每个类别中80%最强大的功能。*平衡所有图像类别的特征数量，以改善聚类。**图像类别1最强特征数量最少:23373。 ** Using the strongest 23373 features from each of the other image categories. * Creating a 20000 word visual vocabulary. * Number of levels: 1 * Branching factor: 20000 * Number of clustering steps: 1 * [Step 1/1] Clustering vocabulary level 1. * Number of features : 23373 * Number of clusters : 20000 * Initializing cluster centers...100.00%. * Clustering...completed 7/100 iterations (~0.63 seconds/iteration)...converged in 7 iterations. * Finished creating Bag-Of-Features Encoding images using Bag-Of-Features. -------------------------------------- * Encoding 58 images...done. Finished creating the image index.
选择并显示查询图像。
queryDir = fullfile (dataDir,'疑问', filesep);queryImage = imread ([queryDir'query3.jpg']);图imshow (queryImage)
检索最佳匹配。的querywords.输出包含查询图像的可视字位置信息。使用这些信息来验证搜索结果。
[imageIds，〜，querywords] =检索agages（QueryImage，imageIndex）;
通过从图像索引中提取视觉词，找到查询图像的最佳匹配。图像索引包含索引中所有图像的视觉词信息。
bestMatch = imageid (1);bestImage = imread (imageIndex.ImageLocation {bestMatch});bestMatchWords = imageIndex.ImageWords (bestMatch);
基于视觉字分配生成一组暂定匹配。由于用于分配视觉单词的硬量化，查询中的每个视觉单词都可以具有多个匹配。
queryWordsIndex = queryWords.WordIndex;bestMatchWordIndex = bestMatchWords.WordIndex;tentativeMatches = [];为i = 1:numel(queryWords.WordIndex) idx = find(queryWordsIndex(i) == bestMatchWordIndex);匹配= [repmat(i, numel(idx)， 1) idx];tentativeMatches = [tentativeMatches;匹配);结束
显示试探性匹配的点位置。有许多不般配的人。
points1 = querywords.location（intrativeMatches（：，1），:);points2 = bestmatchwords.location（intrativeMatches（:,2），:);图ShowMatchedFeatures（QueryImage，Bestimage，Points1，Points2，“蒙太奇”）
删除使用糟糕的视觉词分配estimateGeometricTransform2D功能。保持适合有效几何变换的作业。
[tform, inlierIdx] =．..estisimeGeometricTransform2d（点1，点2，仿射的，．..“MaxNumTrials”，2000）;Inlierpoints1 = point1（Inlieridx，:);Inlierpoints2 = point2（inlieridx，:);
通过替代者的百分比重新命名搜索结果。在将几何验证过程应用于顶部时执行此操作N搜索结果。那些嵌线率较高的图像更有可能是相关的。
percentageOfInliers = (inlierPoints1, 1)。/尺寸大小(里,1);图showMatchedFeatures (queryImage bestImage inlierPoints1,．..inlierPoints2,“蒙太奇”）
应用估计变换。
outputView = imref2d(大小(bestImage));Ir = imwarp(queryImage, tform，'outputview'，OutputView）;图imshowpair（IR，Bestimage，“蒙太奇”）
修改图像搜索的搜索参数
使用evaluateMageretrieval.有助于选择正确搜索参数的功能。
创建一个图像集。
setDir = fullfile (toolboxdir (“愿景”)，'VisionData'，“imageSets”，“杯子”）;imd = imageDatastore (setDir,“IncludeSubfolders”， 真的，“LabelSource”，“foldernames”）;
索引图像集。
imageIndex = IndexImages（IMDS，'verbose'、假);
调谐图像搜索参数。
imageIndex.matchthreshold = 0.2;imageindex.wordfrequencyRange = [0 1]
imageIndex = ImageDimageIndex具有属性：ImageLocation：{6x1 Cell} Imagewords：[6x1 Vision.internal.visualwords] WordFrequency：[1x1366 Double] Bagoffecate：[1x1 Bagoffeature] ImageId：[1 2 3 4 5 6] MatchThreshold：0.2000 WordFrequencyRange：[0 1]
QueryImage = ReadImage（IMDS，1）;indices =检索agages（QueryImage，imageIndex）;
输入参数
输出参数
参考文献
Sivic J.和A. Zisserman。视频谷歌:一种用于视频对象匹配的文本检索方法．ICCV (2003) pg 1470-1477。
[2] Philbin J.， O. Chum, M. Isard, J. Sivic, and A. Zisserman。具有大词汇量和快速空间匹配的对象检索．CVPR(2007)。
[3] Gálvez-López, Dorian和Juan D. Tardos。图像序列中快速放置识别的二进制单词袋。计算机工程与应用。
介绍了R2015a
你也可以从以下列表中选择一个网站:
