encode

Создайте гистограмму визуальных случаев слова

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 Computer Vision Toolbox.

Примеры

свернуть все

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 (~0.21 seconds/iteration)...converged in 21 iterations.

* Finished creating Bag-Of-Features

Закодируйте одно из изображений в вектор признака.

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

Входные параметры

свернуть все

Набор признаков в виде bagOfFeatures объект.

Введите изображение, IВ виде черно-белого или цветного изображения.

Изображения в виде ImageDatastore объект.

Аргументы в виде пар имя-значение

Пример: 'SparseOutput', false

Тип нормализации применился к характеристическому вектору в виде разделенной запятой пары, состоящей из 'Normalization'и любой 'L2' или 'none'.

Выведите разреженность в виде разделенной запятой пары, состоящей 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.

Отобразите ход выполнения на экран в виде разделенной запятой пары, состоящей из 'Verbose'и логический true или false.

Выходные аргументы

свернуть все

Гистограмма визуальных случаев слова в виде 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
Для просмотра документации необходимо авторизоваться на сайте