[computervision]BagofVisualWord(BOW)

Bag of Visual Word (BoW, BoF, 词袋)

简介

BoW 是传统的计算机视觉方法，用一些特征（一些向量）来表示一个图像。BoW的核心思想是利用一组较为通用的特征，将图像用这些特征来表示，不同图像对于同一个特征的响应也是不同的，最终一个图像可以转化成关于这一组特征的一个频率直方图（向量）。这里有个挺清晰的介绍。BoW 常常用在 content-based image retrieval (CBIR) 任务上。
例如下面这张图（来源 Brown Computer Vision 2021 ）形象的介绍了BoW的，首先有一堆图片，然后提取这些图片中的特征，然后提取具有代表性的通用特征，然后计算不同图像对于这些特征的响应，从而将图像转换成关于这组特征的一个特征向量。

实践

本文不过多的介绍理论部分，主要使用opencv来进行一些实践操作。

数据集

本文使用的是一个比较老的数据集是 ZuBuD 数据集，是苏黎世联邦理工构建的数据集，开放下载。数据集是苏黎世城市内的一些建筑，训练集有1005张图像，包含201个建筑，测试集有115张图像，用来测试 image retrieval，有ground truth信息，即指定来哪些图像是对应的，如下随便找了两张图片。

以下是 ground truth 的部分信息，例如第一行代表测试集中编号为 1 的图像对应到训练集中，应该是编号 100。

TEST	TRAIN001	100002	102003	104004	105005	107006	109......

总体思路

1. 对每个图像提取sift特征
2. 将训练集的所有特征放在一起进行聚类
3. 对训练集中的图像计算直方图
4. 对测试集中的图像计算直方图
5. 从训练集中找和测试图像直方图最接近的图像作为结果
6. 计算正确率

代码部分

有了上述思路后，代码的逻辑也比较清晰了，下面给出所有的代码，详细的解释在注释里。

#1.对每个图像提取sift特征#2.将训练集合的所有特征放在一起进行聚类#3.对每个图像计算直方图#4.对测试图像计算直方图#5.从训练集中寻找和测试图像直方图最近接近的图像作为结果#6.计算正确率import cv2import osimport matplotlib.pyplot as pltimport numpy as npimport timefrom sklearn.cluster import MiniBatchKMeansDataPath = "../Dataset/ZuBuD" #数据集的根目录TrainPath = os.path.join(DataPath, "png-ZuBuD") #训练集的根目录TestPath = os.path.join(DataPath,"1000city","qimage") #测试集的根目录trainList = os.listdir(TrainPath) #训练集图像的所有名字TrainSIFTPath = "../Dataset/ZuBuD/Train_SIFT" #训练集图像SIFT保存的路径（保存在文件中时有用）TestSIFTPath = "../Dataset/ZuBuD/Test_SIFT" #测试集图像SIFT保存的路径（保存在文件中时有用）TrainSIFT = []#训练集的SIFT特征，为了后面numpy方便拼接TestSIFT = []#测试集的SIFT特征Train_SIFT_dict = {}#同上，只不过用名字来索引特征Test_SIFT_dict = {}#批量生成SIFT特征def genSIFT(dataDir,outdir, outlist,outdict):    begin = time.time()    sift = cv2.SIFT_create()    imgList = os.listdir(dataDir)    if not os.path.exists(outdir):        os.mkdir(outdir)    count = 0    for name in imgList:        ext = os.path.splitext(name)[-1]        if ext!=".png" and ext!=".JPG" and ext!=".jpg" :            continue        #读取图片、转成灰度、提取描述子        path = os.path.join(dataDir,name)        imgdata = cv2.imread(path)        gray = cv2.cvtColor(imgdata,cv2.COLOR_BGR2GRAY)        _, des = sift.detectAndCompute(gray, None)        outlist.append(des)        outdict[name] = des        #np.save(os.path.join(outdir,name),des)        print(len(imgList),count)        count = count + 1    end = time.time()#聚类，也是生成通用特征、词袋，这里用的是MiniBatchKMeans，这个比KMeans快，精度没有差很多def cluster(featureList, n):    #将所有训练图片的SIFT特征放在一起进行聚类    begin = time.time()    X = np.concatenate(featureList)    kmeans = MiniBatchKMeans(n_clusters=n, random_state=0,verbose=1).fit(X)    end = time.time()    return kmeans#计算余弦距离，为了计算相似度def get_cos_similar(v1, v2):    num = float(np.dot(v1, v2))      denom = np.linalg.norm(v1) * np.linalg.norm(v2)     return 0.5 + 0.5 * (num / denom) if denom != 0 else 0#读取groundtruth文件，生成数据对def getGroundTruth(dataPath):    gtpair = {}    with open(os.path.join(dataPath,"zubud_groundtruth.txt")) as f:        gt = f.readlines()    for i, line in enumerate(gt):        if i == 0:            continue        test, train = line[:-1].split("\t")        gtpair[test] = train    return gtpair    #根据聚类的结果，也就是词袋生成频率向量，这里就将图像转成了一个向量表示def getFeatureHistogram(dataDict,kmeans):    outDict = {}    for k in dataDict.keys():        feat = dataDict[k]        his = np.bincount(kmeans.predict(feat))        if his.shape[0] < kmeans.n_clusters:            diff = kmeans.n_clusters - his.shape[0]            for i in range(diff):                his = np.append(his,0)        outDict[k] = his    return outDict#这里时进行测试，这里使用了一种比较朴素的方法，也就是测试图像#和训练集里的图像挨个比较，取余弦距离最大的那个作为结果。def predict(testHisDict, trainHisDict, gtpair):    predict = {}        for testk in testHisDict.keys():        testhis = testHisDict[testk]        score = 0.0        index = ""        for traink in trainHisDict.keys():            trainhis = trainHisDict[traink]            s = get_cos_similar(testhis,trainhis)            if s > score:                score = s                index = traink        predict[testk] = index            suc = 0    for k in predict.keys():        tk = k[5:8]        pk = predict[k][7:10]        if gtpair[tk] == pk:            suc = suc+1    return suc/len(predict)#将以上步骤串起来，调整聚类的类别，来观察精度def pipeline(n_list):    result = []        #1.对训练集、测试集提取sift特征    t0 = time.time()    genSIFT(TrainPath,TrainSIFTPath,TrainSIFT,Train_SIFT_dict)    genSIFT(TestPath,TestSIFTPath,TestSIFT,Test_SIFT_dict)    t1 = time.time()    #2.读取ground truth    gtpair = getGroundTruth(DataPath)        #3.对训练集提取的sift进行聚类，生成 visual word    for n in n_list:        t3 = time.time()        clu = cluster(TrainSIFT, n)        t4 = time.time()        #4.计算每个图像关于 visual word 的直方图        train_his = getFeatureHistogram(Train_SIFT_dict, clu)        test_his = getFeatureHistogram(Test_SIFT_dict, clu)        t5 = time.time()        #5.利用余弦距离计算相似度        acc = predict(test_his,train_his, gtpair)        t6 = time.time()        info = {"sift":t1-t0,"clu":t4-t3,"calvw":t5-t4,"predict":t6-t5,"acc":acc}        result.append(info)        print(info)    return result    result = pipeline([50,100,300,600,1000,2000])print(result)

测试结果

本文一共测试了6组聚类的类别，随着类别增多，准确的逐渐上升，但是太对类别准确度反而会下降，这是因为在实验中发现每张图像平均也就能提取1000～1500个特征点，2000个类别太多啦。下面是绘制的准确度折线图，因为1000 - 2000之间没有测试，因此可能准确率还会有所提升。600个类别的准确率为 75.65%， 1000个 准确率为 78.26%。

关于耗时，2020年 mac pro：

• 提取所有图像 SIFT 特征，耗时 55s 左右。
• 聚类 600 类，耗时 191s 左右，聚类 1000 类，耗时 251s 左右
• 计算频率直方图，600 类大概 6s，1000 类 9s
• 预测耗时基本都是 1.5s