Создайте индекс поиска изображений
imageIndex = indexImages(imds)invertedImageIndex объект, imageIndex, это содержит поисковый индекс для imds. Используйте imageIndex с retrieveImages функционируйте, чтобы искать изображения.
imageIndex = indexImages(imds,bag)bagOfFeatures объект, bag. Используйте этот синтаксис с bag вы создали, когда это необходимо, чтобы изменить количество визуальных слов, или тип функции раньше создавал индекс поиска изображений для imds.
imageIndex = indexImages(___,Name,Value)Name,Value парные аргументы, с помощью любого из предыдущих синтаксисов.
Эти параллельные вычисления поддержки объектов 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 Computer Vision Toolbox .
Создайте набор изображений.
setDir = fullfile(toolboxdir('vision'),'visiondata','imageSets','cups'); imds = imageDatastore(setDir);
Индексируйте набор изображений.
imageIndex = indexImages(imds)
Creating an inverted image index using Bag-Of-Features. ------------------------------------------------------- Creating Bag-Of-Features. ------------------------- * Selecting feature point locations using the Detector method. * Extracting SURF features from the selected feature point locations. ** detectSURFFeatures is used to detect key points for feature extraction. * Extracting features from 6 images...done. Extracted 1708 features. * Keeping 80 percent of the strongest features from each category. * Balancing the number of features across all image categories to improve clustering. ** Image category 1 has the least number of strongest features: 1366. ** Using the strongest 1366 features from each of the other image categories. * Using K-Means clustering to create a 20000 word visual vocabulary. * Number of features : 1366 * Number of clusters (K) : 1366 * Initializing cluster centers...100.00%. * Clustering...completed 1/100 iterations (~0.03 seconds/iteration)...converged in 1 iterations. * Finished creating Bag-Of-Features Encoding images using Bag-Of-Features. -------------------------------------- * Encoding 6 images...done. Finished creating the image index.
imageIndex =
invertedImageIndex with properties:
ImageLocation: {6x1 cell}
ImageWords: [6x1 vision.internal.visualWords]
WordFrequency: [1x1366 double]
BagOfFeatures: [1x1 bagOfFeatures]
MatchThreshold: 0.0100
WordFrequencyRange: [0.0100 0.9000]
Отобразите набор изображений с помощью montage функция.
thumbnailGallery = []; for i = 1:length(imds.Files) I = readimage(imds,i); thumbnail = imresize(I,[300 300]); thumbnailGallery = cat(4,thumbnailGallery,thumbnail); end figure montage(thumbnailGallery);
Выберите изображение запроса.
queryImage = readimage(imds,2); figure imshow(queryImage)
Ищите набор изображений подобное изображение с помощью изображения запроса. Лучший результат является первым.
indices = retrieveImages(queryImage,imageIndex)
indices = 5×1
2
1
5
3
4
bestMatchIdx = indices(1);
Отобразите лучшее соответствие от набора изображений.
bestMatch = imageIndex.ImageLocation{bestMatchIdx}bestMatch = '/mathworks/devel/bat/BR2019bd/build/matlab/toolbox/vision/visiondata/imageSets/cups/blueCup.jpg'
figure imshow(bestMatch)
Создайте набор изображений.
setDir = fullfile(toolboxdir('vision'),'visiondata','imageSets','cups'); imgSets = imageSet(setDir, 'recursive');
Изображение на дисплее установлено.
thumbnailGallery = []; for i = 1:imgSets.Count I = read(imgSets, i); thumbnail = imresize(I, [300 300]); thumbnailGallery = cat(4, thumbnailGallery, thumbnail); end figure montage(thumbnailGallery);
Обучите набор признаков с помощью пользовательского экстрактора функции.
extractor = @exampleBagOfFeaturesExtractor;
bag = bagOfFeatures(imgSets,'CustomExtractor',extractor);Creating Bag-Of-Features. ------------------------- * Image category 1: cups * Extracting features using a custom feature extraction function: exampleBagOfFeaturesExtractor. * Extracting features from 6 images in image set 1...done. Extracted 115200 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 : 92160 * Number of clusters (K) : 500 * Initializing cluster centers...100.00%. * Clustering...completed 21/100 iterations (~0.22 seconds/iteration)...converged in 21 iterations. * Finished creating Bag-Of-Features
Используйте обученный набор признаков, чтобы индексировать набор изображений.
imageIndex = indexImages(imgSets,bag,'Verbose',false) imageIndex =
invertedImageIndex with properties:
ImageLocation: {6x1 cell}
ImageWords: [6x1 vision.internal.visualWords]
WordFrequency: [1x500 double]
BagOfFeatures: [1x1 bagOfFeatures]
MatchThreshold: 0.0100
WordFrequencyRange: [0.0100 0.9000]
queryImage = read(imgSets,4); figure imshow(queryImage)
Ищите изображение от индекса изображений с помощью изображения запроса.
indices = retrieveImages(queryImage,imageIndex);
bestMatch = imageIndex.ImageLocation{indices(1)};
figure
imshow(bestMatch)
imageIndex использует среду набора признаков с детектором ускоренных устойчивых функций (SURF) и экстрактором, чтобы изучить словарь 20 000 визуальных слов. Визуальные слова затем используются, чтобы создать индекс, который сопоставляет визуальные слова с изображениями в imds. Можно использовать индекс, чтобы искать изображения в imds это похоже на данное изображение запроса.
bagOfFeatures | evaluateImageRetrieval | imageDatastore | invertedImageIndex | retrieveImages