图像检索从入门到进阶

图像检索从入门到进阶

参考资料：
b站视频：https://www.bilibili.com/video/BV1Cc411h7kB/?spm_id_from=333.788.recommend_more_video.-1
讲解内容：
Part1：图像检索入门
图像检索的定义、图像检索的典型应用和流程。
Part2：图像检索特征
图像全局特征和图像局部特征，以及图像检索过程。
Part3：图像检索案例
以图像检索的应用和竞赛为案例，讲解解决方案。
一、图像检索入门
图像检索是计算机视觉中基础的应用，可分为文字搜图TBIR和以图搜图CBIR。借助于卷积神经网络CNN强大的建模能力，图像检索的精度越发提高。
即，检索分为：
1）从文字检索TBIR（例如，输入文字周杰伦检索出周杰伦的图片)
2）从内容检索CBIR（例如，输入图片检索图片中是周杰伦）
图像检索即CBIR。
CBIR有非常广泛的应用前景，比如，拍照购、服装检索、人脸识别、内容审核。
成熟的图像检索应用涉及到相关算法，也是一个工程问题。不同类型应用有不同的检索逻辑、排序逻辑。
比如下图图像检索的过程：
首先从一张图片中识别出图像中的主体是什么，比如识别出了鞋子，接着要识别出鞋子的位置和对应类别，再去提取相应位置的特征，接着是进行检索的过程，对鞋子进行相似度的计算，最后产生一个相似度的排序（结果）。

图像检索的本质是特征提取和相似度计算的过程。
当然还有工程问题：
图像特征：如何将图像的内容进行有效表示?
相似度计算：如何衡量图像的相似性？
（另外，图像是在特征提取那一步归一化成统一的尺寸。）
二、图像检索特征
即使相差万里的图像也有可能是相似的。

如果图像相似，则图像特征也相似。
图像检索：如果图像相似，则图像特征也相似。
图像局部特征：图像中关键位置，如角点、关键点。N128维度，N为关键点个数。
图像全局特征：图像整体的统计信息等，512维度。

局部特征：
关注特征的局部信息，如SIFT关键点。
1）优点：关注图像的局部信息，具有尺度不变性。
2）缺点：提取的数量不固定，且容易受到文字影响。
全局特征：
关注特征的全局信息，如颜色直方图、CNN特征。
1）优点：关注图像的全局信息，特征维度固定。
2）缺点：对尺度变换敏感。

如果使用图像局部特征，如何进行相似度计算？
可以使用局部特征点的匹配个数，如匹配个数较多，则为相似图像。但如果有N张图像，则两两之间匹配，需要分别计算N（N-1）/2次。


三、图像检索案例