encode

Создайте гистограмму визуальных случаев слова

свернуть все на странице

Синтаксис

featureVector = encode(bag,I)
[featureVector,words] = encode(bag,I)
featureVector= encode(bag,imds)
[featureVector,words] = encode(bag,imds)
[___] = encode(___,Name,Value)

Описание

пример

featureVector = encode(bag,I) возвращает характеристический вектор, который представляет гистограмму визуальных случаев слова, содержавшихся во входном изображении, I. Входной мешок содержит bagOfFeatures объект.

[featureVector,words] = encode(bag,I) опционально возвращает визуальные слова как visualWords объект. visualWords объектно-ориентированная память визуальные слова, которые происходят в I и хранит местоположения тех слов.

featureVector= encode(bag,imds) возвращает характеристический вектор, который представляет гистограмму визуальных случаев слова, содержавшихся в imds. Вход bag содержит bagOfFeatures объект.

[featureVector,words] = encode(bag,imds) опционально возвращает массив visualWords случаи в imds. visualWords объектно-ориентированная память визуальные слова, которые происходят в I и хранит местоположения тех слов.

[___] = encode(___,Name,Value) свойства наборов с помощью одной или нескольких пар "имя-значение". Заключите каждое имя свойства в кавычки. Например, encode('SparseOutput',false)

Этот метод поддерживает параллельные вычисления с помощью нескольких рабочих MATLAB®. Включите параллельные вычисления из диалогового окна Computer Vision Toolbox Preferences. Чтобы открыть настройки Computer Vision Toolbox™, на вкладке Home, в разделе Environment, нажимают Preferences. Затем выберите.

Примеры

свернуть все

Скрипт Open Live Script

Загрузите набор изображения.

setDir  = fullfile(toolboxdir('vision'),'visiondata','imageSets');
imds = imageDatastore(setDir,'IncludeSubfolders',true,'LabelSource',...
    'foldernames');

Выберите первые два изображения от каждой метки.

trainingSet = splitEachLabel(imds,2);

Создайте набор признаков.

bag = bagOfFeatures(trainingSet);
Creating Bag-Of-Features.
-------------------------
* Image category 1: books
* Image category 2: cups
* Selecting feature point locations using the Grid method.
* Extracting SURF features from the selected feature point locations.
** The GridStep is [8 8] and the BlockWidth is [32 64 96 128].

* Extracting features from 4 images...done. Extracted 76800 features.

* Keeping 80 percent of the strongest features from each category.

* Using K-Means clustering to create a 500 word visual vocabulary.
* Number of features          : 61440
* Number of clusters (K)      : 500

* Initializing cluster centers...100.00%.
* Clustering...completed 21/100 iterations (~0.16 seconds/iteration)...converged in 21 iterations.

* Finished creating Bag-Of-Features

Закодируйте одно из изображений в характеристический вектор.

img = readimage(trainingSet,1);
featureVector = encode(bag,img);

Входные параметры

свернуть все

Набор признаков, заданный как bagOfFeatures объект.

Введите изображение, I, заданный как изображение полутонового или истинного цвета.

Изображения, заданные как ImageDatastore объект.

Аргументы в виде пар имя-значение

Пример: 'SparseOutput', false

Тип нормализации применился к характеристическому вектору, заданному как разделенная запятой пара, состоящая из 'Normalization'и любой 'L2' или 'none'.

Выведите разреженность, заданную как разделенная запятой пара, состоящая из 'SparseOutput'и как true или false. Установите это свойство на true возвратить визуальные гистограммы слова в разреженной матрице. Установка этого свойства к true уменьшает потребление памяти для больших визуальных словарей, где визуальные гистограммы слова содержат много нулевых элементов.

Позвольте отображению прогресса экранировать, заданный как разделенная запятой пара, состоящая из 'Verbose'и логический true или false.

Выходные аргументы

свернуть все

Гистограмма визуальных случаев слова, заданных как M-by-bag.VocabularySize вектор, где M является общим количеством изображений в imds, numel(imds.Files).

Визуальный объект слов, возвращенный как визуальные слова, возражает или массив визуальных объектов слов. visualWords объектно-ориентированная память визуальные слова, которые происходят в изображениях и хранят местоположения тех слов.

Расширенные возможности

Смотрите также

Введенный в R2014b

Документация Computer Vision Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте