Оцените результаты поиска изображений
averagePrecision = evaluateImageRetrieval(queryImage,imageIndex,expectedIDs)queryImage. expectedIDs введите содержит индексы изображений в imageIndex это, как известно, похоже на изображение запроса.
[ опционально возвращает индексы, соответствующие изображениям в averagePrecision,imageIDs,scores]
= evaluateImageRetrieval(queryImage,imageIndex,expectedIDs)imageIndex это визуально похоже на изображение запроса. Это также возвращает соответствующие баллы подобия.
[ дополнительные опции использования заданы одним или несколькими averagePrecision,imageIDs,scores]
= evaluateImageRetrieval(___,Name,Value)Name,Value парные аргументы, с помощью любого из предыдущих синтаксисов.
Задайте набор изображений.
dataDir = fullfile(toolboxdir('vision'),'visiondata','bookCovers'); bookCovers = imageDatastore(dataDir);
Отобразите набор 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);
Индексируйте 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. * 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 18/100 iterations (~0.58 seconds/iteration)...converged in 18 iterations. * Finished creating Bag-Of-Features Encoding images using Bag-Of-Features. -------------------------------------- * Encoding 58 images...done. Finished creating the image index.
Выберите и отобразите изображение запроса.
queryDir = fullfile(dataDir,'queries',filesep); query = imread([queryDir 'query2.jpg']); figure imshow(query)
Оценка требует знания ожидаемых результатов. Здесь, изображение запроса, как известно, является 3-й книгой в imageIndex.
expectedID = 3;
Найдите и сообщите о среднем счете точности.
[averagePrecision,actualIDs] = evaluateImageRetrieval(query,... imageIndex,expectedID); fprintf('Average Precision: %f\n\n',averagePrecision)
Average Precision: 0.029412
Покажите запрос и лучше всего соответствуйте рядом друг с другом.
bestMatch = actualIDs(1);
bestImage = imread(imageIndex.ImageLocation{bestMatch});
figure
imshowpair(query,bestImage,'montage')
Создайте набор изображений обложек книги.
dataDir = fullfile(toolboxdir('vision'),'visiondata','bookCovers'); bookCovers = imageDatastore(dataDir);
Индексируйте набор изображений. Индексация может занять несколько минут.
imageIndex = indexImages(bookCovers,'Verbose',false);Создайте набор изображений запроса.
queryDir = fullfile(dataDir,'queries',filesep);
querySet = imageDatastore(queryDir);Задайте ожидаемые результаты поиска для каждого изображения запроса.
expectedIDs = [1 2 3];
Оцените каждое изображение запроса и соберите средние баллы точности.
for i = 1:numel(querySet.Files) query = readimage(querySet,i); averagePrecision(i) = evaluateImageRetrieval(query, imageIndex, expectedIDs(i)); end
Вычислите среднюю среднюю точность (MAP).
map = mean(averagePrecision)
map = 1
retrieveImages | indexImages | imageDatastore | bagOfFeatures | invertedImageIndex