Оценка результатов поиска изображений
averagePrecision = evaluateImageRetrieval(queryImage,imageIndex,expectedIDs)queryImage. expectedIDs ввод содержит индексы изображений в пределах imageIndex , которые, как известно, подобны изображению запроса.
[ дополнительно возвращает индексы, соответствующие изображениям в пределах averagePrecision,imageIDs,scores] = evaluateImageRetrieval(queryImage,imageIndex,expectedIDs)imageIndex которые визуально похожи на изображение запроса. Он также возвращает соответствующие оценки подобия.
[ использует дополнительные параметры, указанные одним или несколькими averagePrecision,imageIDs,scores] = evaluateImageRetrieval(___,Name,Value)Name,Value пары аргументов, используя любой из предшествующих синтаксисов.
Определите набор изображений.
dataDir = fullfile(toolboxdir('vision'),'visiondata','bookCovers'); bookCovers = imageDatastore(dataDir);
Отображение набора изображений.
thumbnailGallery = []; for i = 1:length(bookCovers.Files) img = readimage(bookCovers,i); thumbnail = imresize(img,[300 300]); thumbnailGallery = cat(4,thumbnailGallery,thumbnail); end figure montage(thumbnailGallery);
Проиндексировать изображения. Это займет несколько минут.
imageIndex = indexImages(bookCovers);
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 58 images...done. Extracted 29216 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: 23373. ** Using the strongest 23373 features from each of the other image categories. * Using K-Means clustering to create a 20000 word visual vocabulary. * Number of features : 23373 * Number of clusters (K) : 20000 * Initializing cluster centers...100.00%. * Clustering...completed 7/100 iterations (~0.45 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.
Выберите и просмотрите изображение запроса.
queryDir = fullfile(dataDir,'queries',filesep); query = imread([queryDir 'query2.jpg']); figure imshow(query)
Оценка требует знания ожидаемых результатов. Известно, что изображение запроса является 3-й книгой в imageIndex.
expectedID = 3;
Найдите и сообщите средний балл точности.
[averagePrecision,actualIDs] = evaluateImageRetrieval(query,... imageIndex,expectedID); fprintf('Average Precision: %f\n\n',averagePrecision)
Average Precision: 0.100000
Показать запрос и наилучшее соответствие бок о бок.
bestMatch = actualIDs(1);
bestImage = imread(imageIndex.ImageLocation{bestMatch});
figure
imshowpair(query,bestImage,'montage')
Создайте набор изображений обложек книг.
dataDir = fullfile(toolboxdir('vision'),'visiondata','bookCovers'); bookCovers = imageDatastore(dataDir);
Проиндексировать набор изображений. Индексация может занять несколько минут.
imageIndex = indexImages(bookCovers,'Verbose',false);Создание набора изображений запросов.
queryDir = fullfile(dataDir,'queries',filesep);
querySet = imageDatastore(queryDir);Укажите ожидаемые результаты поиска для каждого изображения запроса.
expectedIDs = [1 2 3];
Оцените каждое изображение запроса и соберите оценки средней точности.
for i = 1:numel(querySet.Files) query = readimage(querySet,i); averagePrecision(i) = evaluateImageRetrieval(query, imageIndex, expectedIDs(i)); end
Вычислить среднюю точность (MAP).
map = mean(averagePrecision)
map = 1
bagOfFeatures | imageDatastore | indexImages | invertedImageIndex | retrieveImages