retrieveImages
搜索图像集中的相似图像
语法
描述
imageid= retrieveImages (queryImage，imageIndex）imageid与里面的图像相对应imageIndex在视觉上与查询图像相似。的imageid按排序顺序返回，从相似度最高的匹配到相似度最低的匹配。
［可选地返回用于对图像检索结果排序的相似性分数。的imageid，分数= retrieveImages(queryImage，imageIndex）分数输出包含从0到1的对应分数。
［可选地返回可视单词imageid，分数，imageWords= retrieveImages(queryImage，imageIndex）queryImage用来搜索相似的图像。
［使用一个或多个指定的其他选项imageid，___= retrieveImages(queryImage，imageIndex，名称,值）名称,值对参数，使用前面的任何语法。
例子
使用查询图像搜索图像设置
创建一个图书封面的图像集。
dataDir = fullfile(toolboxdir(“愿景”)，“visiondata”，“封套”）;bookCovers = imageDatastore(dataDir);
显示数据集。
thumbnailGallery = [];为i = 1:length(bookCovers. files) i = readimage(bookCovers,i);thumbnail = imresize(I，[300 300]);thumbnailGallery = cat(4,thumbnailGallery,thumbnail);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创建反向图像索引。------------------------------------------------------- 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。** detectSURFFeatures用于检测关键点进行特征提取。*从58张图像中提取特征…完成。提取29216个特征。*保留每个类别中80%的最强功能。*平衡所有图像类别的特征数量，以改善聚类。**图像类别1的最强特征数量最少: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 10/100 iterations (~0.96 seconds/iteration)...converged in 10 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，“查询”, filesep);queryImage = imread([queryDir .“query3.jpg”]);imageIDs =检索图像(queryImage,imageIndex);
并排显示查询图像及其最佳匹配。
bestMatch = imageIDs(1);bestImage = imread(imageIndex.ImageLocation{bestMatch});图imshowpair (queryImage bestImage,“蒙太奇”）
使用ROIs搜索特定对象的图像集
使用查询图像的感兴趣区域(ROI)在图像集中搜索对象。
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”};imds = imageDatastore(imageFiles);
创建一个搜索索引。
imageIndex = indexImages(imds);
使用Bag-Of-Features创建反向图像索引。------------------------------------------------------- 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。** detectSURFFeatures用于检测关键点进行特征提取。*从16张图像中提取特征…完成。提取了3680个特征。*保留每个类别中80%的最强功能。*平衡所有图像类别的特征数量，以改善聚类。**图像类别1的最强特征数量最少:2944个。 ** 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 (~0.05 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.
指定一个查询映像和一个ROI。ROI勾勒出搜索的对象，即大象。
queryImage = imread(“clutteredDesk.jpg”）;queryROI = [130 175 330 365];图imshow(queryImage)“位置”queryROI,“EdgeColor”，“黄色”）
你也可以使用imrect功能，交互选择ROI。例如,queryROI = getPosition(imrect)
找到包含该对象的图像。
imageIDs =检索图像(queryImage,imageIndex，“投资回报”queryROI)
imageid =13x1 uint32列向量1 11 6 12 13 3 2 8 14 10
显示最佳匹配。
bestMatch = imageIDs(1);图imshow (imageIndex.ImageLocation {bestMatch})
几何验证方法estimateGeometricTransform2D函数
使用视觉词的位置来验证最佳搜索结果。若要根据几何信息重新排列搜索结果，请对顶部重复此过程N搜索结果。
指定图像的位置。
dataDir = fullfile(toolboxdir(“愿景”)，“visiondata”，“封套”）;bookCovers = 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创建反向图像索引。------------------------------------------------------- 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。** detectSURFFeatures用于检测关键点进行特征提取。*从58张图像中提取特征…完成。提取29216个特征。*保留每个类别中80%的最强功能。*平衡所有图像类别的特征数量，以改善聚类。**图像类别1的最强特征数量最少: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 10/100 iterations (~2.63 seconds/iteration)...converged in 10 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，“查询”, 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化单词位置信息。使用此信息来验证搜索结果。
[imageIDs， ~， queryWords] =检索图像(queryImage,imageIndex);
通过从图像索引中提取视觉词，找到与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单词信息。
bestMatch = imageIDs(1);bestImage = imread(imageIndex.ImageLocation{bestMatch});bestMatchWords = imageIndex.ImageWords(bestMatch);
根据可视化的单词分配生成一组暂定匹配。查询中的每个可视化单词都可以有多个匹配项，这是由于用于分配可视化单词的硬量化。
queryWordsIndex = querywords . worddex;bestMatchWordIndex = bestMatchWords.WordIndex;tentativeMatches = [];为i = 1: nummel (queryWordsIndex . worddex) idx = find(queryWordsIndex(i) == bestmatchworddex);匹配= [repmat(i, numel(idx)， 1) idx];tentativeMatches = [tentativeMatches;匹配);结束
显示暂定匹配的点位置。有很多糟糕的匹配。
points1 = queryWords.Location(tentativeMatches(:，1)，:);points2 = bestMatchWords.Location(tentativeMatches(:，2)，:);里,图showMatchedFeatures (queryImage bestImage points2,“蒙太奇”）
删除使用的糟糕的视觉单词分配estimateGeometricTransform2D函数。保留符合有效几何变换的赋值。
[tform, inlierIdx] =…estimateGeometricTransform2D (points2里,仿射的，…“MaxNumTrials”, 2000);inlierPoints1 = points1(inlierIdx，:);inlierPoints2 = points2(inlierIdx，:);
根据内线的百分比重新排列搜索结果。当几何验证程序应用于顶部时，这样做吗N搜索结果。那些内线百分比较高的图像更有可能是相关的。
percentageOfInliers = size(inlierpoints1,1)./size(points1,1);图showMatchedFeatures (queryImage bestImage inlierPoints1,…inlierPoints2,“蒙太奇”）
应用估计的转换。
outputView = imref2d(size(bestImage));Ir = imwarp(queryImage, tform，“OutputView”, outputView);图imshowpair(红外、bestImage“蒙太奇”）
修改图片搜索参数
使用evaluateImageRetrieval函数帮助选择适当的搜索参数。
创建一个映像集。
setDir = fullfile(toolboxdir(“愿景”)，“visiondata”，“imageSets”，“杯子”）;imds = imageDatastore(setDir，“IncludeSubfolders”,真的,“LabelSource”，“foldernames”）;
索引图像集。
imageIndex = indexImages(imds，“详细”、假);
调优图像搜索参数。
imageIndex。米atchThreshold = 0.2; imageIndex.WordFrequencyRange = [0 1]
imageIndex = invertedImageIndex with properties: ImageLocation: {6x1 cell} ImageWords: [6x1 vision.internal.visualWords] WordFrequency: [1x1366 double] BagOfFeatures: [1x1 BagOfFeatures] ImageID: [1 2 3 4 5 6] MatchThreshold: 0.2000 WordFrequencyRange: [0 1]
queryImage = readimage(imds, 1);indexes =检索图像(queryImage,imageIndex);
输入参数
输出参数
参考文献
[1]西维克，J. A.泽瑟曼。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]菲尔宾，J.， O. Chum, M. Isard, J. Sivic和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，多里安和胡安·d·塔多斯。用于图像序列中快速位置识别的二进制单词袋。IEEE机器人学报28.5(2012):1188-1197。
扩展功能
版本历史
在R2015a中引入
您也可以从以下列表中选择一个网站: