比较大量图像的特征描述符
Comparing feature descriptors of large set of images
我有一组几千张图片，我为每张图片提取了一组 SIFT 特征描述符（目前每张图片绑定到 200 个）。
我需要绘制一张完整的每张图片之间的距离图。也就是说，我需要通过某种度量计算出每张图像与其他每张图像之间的距离。
到目前为止，我已经尝试使用FLANN计算两个节点之间的20个最近邻描述符，然后计算每个匹配描述符之间的平均距离。不幸的是，此过程执行时间太长。
有什么方法可以更有效地比较这些图像的描述符吗？
您可以考虑将您的 SIFT 描述符聚合为视觉词袋 (BoV) 或局部聚合描述符向量 (VLAD)。基本上：
1 - 使用例如 K-means
计算密码本（K SIFT 描述符）
2 - 对于每个图像，提取 SIFT 描述符，然后在代码本中寻找每个图像的最近邻居。因此，根据密码本计算图像的 SIFT 的直方图。这是最简单的方法（硬编码，Sum pooling）但存在替代方法（并且通常为计算机视觉问题提供更好的结果）
3 - 因此，每个图像都用大小为 K 的唯一向量（直方图）表示。然后，您可以简单地将图像之间的距离计算为这些直方图之间的（例如欧几里得）距离。
我有一组几千张图片，我为每张图片提取了一组 SIFT 特征描述符（目前每张图片绑定到 200 个）。
我需要绘制一张完整的每张图片之间的距离图。也就是说，我需要通过某种度量计算出每张图像与其他每张图像之间的距离。
到目前为止，我已经尝试使用FLANN计算两个节点之间的20个最近邻描述符，然后计算每个匹配描述符之间的平均距离。不幸的是，此过程执行时间太长。
有什么方法可以更有效地比较这些图像的描述符吗？
您可以考虑将您的 SIFT 描述符聚合为视觉词袋 (BoV) 或局部聚合描述符向量 (VLAD)。基本上：
1 - 使用例如 K-means
计算密码本（K SIFT 描述符）2 - 对于每个图像，提取 SIFT 描述符，然后在代码本中寻找每个图像的最近邻居。因此，根据密码本计算图像的 SIFT 的直方图。这是最简单的方法（硬编码，Sum pooling）但存在替代方法（并且通常为计算机视觉问题提供更好的结果）
3 - 因此，每个图像都用大小为 K 的唯一向量（直方图）表示。然后，您可以简单地将图像之间的距离计算为这些直方图之间的（例如欧几里得）距离。