图像检索(3):BoW实现-原创手记-慕课网

在上一篇文章中图像检索(2):均值聚类-构建BoF中，简略的介绍了基于sift特征点的BoW模型的构建，以及基于轻量级开源库vlfeat的一个简单实现。
本文重新梳理了一下BoW模型，并给出不同的实现。

基于OpenCV的BoW实现
- BoWTrainer的使用
词袋模型开源库DBoW3

BoW

BoW模型最初是为解决文档建模问题而提出的，因为文本本身就是由单词组成的。它忽略文本的词序，语法，句法，仅仅将文本当作一个个词的集合，并且假设每个词彼此都是独立的。这样就可以使用文本中词出现的频率来对文档进行描述，将一个文档表示成一个一维的向量。

将BoW引入到计算机视觉中，就是将一幅图像看着文本对象，图像中的不同特征可以看着构成图像的不同词汇。和文本的BoW类似，这样就可以使用图像特征在图像中出现的频率，使用一个一维的向量来描述图像。

要将图像表示为BoW的向量，首先就是要得到图像的“词汇”。通常需要在整个图像库中提取图像的局部特征（例如，sift，orb等），然后使用聚类的方法，合并相近的特征，聚类的中心可以看着一个个的视觉词汇(visual word)，视觉词汇的集合构成视觉词典(visual vocabulary) 。得到视觉词汇集合后，统计图像中各个视觉词汇出现的频率，就得到了图像的BoW表示。

总结起来就是：

提取图像库中所有图像的局部特征，例如sift，得到特征集合FF
对特征集合FF进行聚类，得到kk个聚类中心{Ci|i=1,…,k}{Ci|i=1,…,k}，每一个聚类中心CiCi代表着一个视觉词汇。聚类中心的集合就是视觉词典vocabulary={Ci|i=1,…,k}vocabulary={Ci|i=1,…,k}
一幅图像的BoW表示
- 提取图像的局部特征，得到特征集合f={fi|i=1,…,n}f={fi|i=1,…,n}
- 计算特征fifi属于那个词汇CiCi（到该中心的距离最近）
- 统计每个词汇CiCi在图像中出现的频数，得到一个一维的向量，该向量就是图像的BoW表示。

综合起来，取得一幅图像的BoW向量的步骤：

构建图像库的视觉词典Vocabulary
- 提取图像库中所有图像的局部特征，如SIFT.
- 对提取到的图像特征进行聚类，如k-means，得到聚类中心就是图像库的视觉词汇词典Vocabulary
计算一幅图像的BoW向量
- 提取图像的局部特征
- 统计Vocabulay中的每个视觉词汇visual word ，在图像中出现的频率。

基于OpenCV的实现

基于OpenCV的原生实现

第一步提取图像的sift特征。对sift特征的详细讲解，可以参考其余两篇文章：再论SIFT-基于vlfeat实现和SIFT特征详解。这里不再赘述，提取特征的代码如下：

void siftDetecotor::extractFeatures(const std::vector<std::string> &imageFileList,std::vector<cv::Mat> &features)
{    int index = 1;    int count = 0;
    features.reserve(imageFileList.size());    auto size = imageFileList.size();    //size = 20;
    //#pragma omp parallel for
    for(size_t i = 0; i < size; i ++){        auto str = imageFileList[i];
        Mat des;
        siftDetecotor::extractFeatures(str,des);
        features.emplace_back(des); 
        count += des.rows;
        index ++ ;
    }  
    cout << "Extract #" << index << "# images features done!" << "Count of features:#" << count << endl;
}

传入imageFileList是图像的路径列表，vector<Mat> featurues返回提取得到的所有图像的特征。

聚类，得到Vocabulary
OpenCV中k-means聚类的接口如下：

double cv::kmeans    (    InputArray     data,    int     K,
    InputOutputArray     bestLabels,
    TermCriteria     criteria,    int     attempts,    int     flags,
    OutputArray     centers = noArray() 
)

data输入数据，每一行是一条数据。
k聚类的个数，这是就是Vocabulary的大小（词汇的个数u）。
bestLabels每一个输入的数据所属的聚类中心的index
criteria kmenas算法是迭代进行，这里表示迭代的终止条件。可以是迭代的次数，或者是结果达到的精度，也可以是两者的结合，达到任一条件就结束。
attmepts 算法的次数，使用不同的初始化方法
flags 算法的初始化方法，可以选择随机初始化KMEANS_RANDOM_CENTERS，或者kmeans++的方法KMEANS_PP_CENTERS
centers 聚类的中心组成的矩阵。

得到图像库中图像的所有特征后，可以将这些特征组成一个大的矩阵输入到kmeans算法中，得到聚类中心，也就是Vocabulary

    Mat f;
    vconcat(features,f);
    vector<int> labes;
    kmeans(f,k,labes,TermCriteria(TermCriteria::COUNT + TermCriteria::EPS,100,0.01),3,cv::KMEANS_PP_CENTERS,m_voc);

首先，使用vconcat将提取的特征点沿Y方向叠放在一起。k-means算法的终止条件是ermCriteria::COUNT + TermCriteria::EPS,100,0.01，算法迭代100次或者精度达到0.01就结束。

图像的BoW编码
得到Vocabulary后，统计视觉词汇在每个图像出现的概率就很容易得到图像的BoW编码

void Vocabulary::transform_bow(const cv::Mat &img,std::vector<int> bow)
{    auto fdetector = xfeatures2d:: SIFT ::create(0,3,0.2,10);    vector<KeyPoint> kpts;
    Mat des;
    fdetector->detectAndCompute(img,noArray(),kpts,des);

    Mat f;
    rootSift(des,f);    // Find the nearest center
    Ptr<FlannBasedMatcher> matcher = FlannBasedMatcher::create();    vector<DMatch> matches;
    matcher->match(f,m_voc,matches);

    bow = vector<int>(m_k,0);    // Frequency
    /*for( size_t i = 0; i < matches.size(); i++ ){
        int queryIdx = matches[i].queryIdx;
        int trainIdx = matches[i].trainIdx; // cluster index
        CV_Assert( queryIdx == (int)i );

        bow[trainIdx] ++; // Compute word frequency
    }*/

    // trainIdx => center index
    for_each(matches.begin(),matches.end(),[&bow](const DMatch &match){
        bow[match.trainIdx] ++; // Compute word frequency
    });
}

在查找图像的某个特征属于的聚类中心时，本质上就是查找最近的向量，可以使用flann建立索引树来查找；也可以使用一些特征匹配的方法，这里使用flannMatcher。统计每个词汇在图像中出现的频率，即可得到图像的BoW向量。

BoWTrainer

在OpenCV中封装了3个关于BoW的类。

抽象基类BOWTrainer，从图像库中的特征集中构建视觉词汇表Vobulary

class CV_EXPORTS_W BOWTrainer
{public:
    BOWTrainer();    virtual ~BOWTrainer();    CV_WRAP void add( const Mat& descriptors );
    CV_WRAP const std::vector<Mat>& getDescriptors() const;    CV_WRAP int descriptorsCount() const;    CV_WRAP virtual void clear();    CV_WRAP virtual Mat cluster() const = 0;    CV_WRAP virtual Mat cluster( const Mat& descriptors ) const = 0;protected:    std::vector<Mat> descriptors;    int size;
};

类BOWKMeansTrainer基于k-means聚类，实现了BOWTrainer的方法。使用kmeans方法，从特征集中聚类得到视觉词汇表Vocabulary。其声明如下：

class CV_EXPORTS_W BOWKMeansTrainer : public BOWTrainer{public:    CV_WRAP BOWKMeansTrainer( int clusterCount, const TermCriteria& termcrit=TermCriteria(),                      int attempts=3, int flags=KMEANS_PP_CENTERS );    virtual ~BOWKMeansTrainer();    CV_WRAP virtual Mat cluster() const;    CV_WRAP virtual Mat cluster( const Mat& descriptors ) const;protected:    int clusterCount;
    TermCriteria termcrit;    int attempts;    int flags;
};

该类的使用也是很简单的，首先构建一个BOWKMeansTrainer的实例，其第一个参数clusterCount是聚类中心的个数，也就是Vocabulary的大小，余下的几个参数就是使用kmeans函数的参数，具体可参考上面的介绍。
然后，调用add方法，添加提取到的特征集。添加特征集的时候，有两种方法：

for(int i=0; i<numOfPictures; i++)
    bowTraining.add( descriptors( i ) )；

也可以提取好所有图像的特征，然后将特征合并为一个矩阵添加

    Mat feature_list;
    vconcat(features,feature_list);    BOWKMeansTrainer bow_trainer(k);
    bow_trainer.add(feature_list);

添加图像特征后，调用

vocabulary =  bow_trainer.cluster();

对特征集进行聚类，得到的聚类中心就是所要求的视觉词汇表Vocabulary。

在得到Vocabulary后，就可以对一副图像进行编码，使用BoW向量来表示该图像，这时候就要使用BOWImgDescriptorExtractor。其声明如下：

class BOWImgDescriptorExtractor{  public:
      BOWImgDescriptorExtractor( const Ptr<DescriptorExtractor> &dextractor,                                                        const Ptr<DescriptorMatcher> & dmatcher );      virtual ~BOWImgDescriptorExtractor(){}      void setVocabulary( const Mat& vocabulary );      const Mat& getVocabulary() const;      void compute( const Mat& image, vector<KeyPoint> & keypoints,

                    Mat& imgDescriptor,                    vector<vector<int> >* pointIdxOfClusters = 0,

                    Mat* descriptors = 0 );      int descriptorSize() const;      int descriptorType() const;protected:
    Mat vocabulary;
    Ptr<DescriptorExtractor> dextractor;
    Ptr<DescriptorMatcher> dmatcher;

该类实现了一下三个功能：

根据相应的Extractor提取图像的特征
找到距离每个特征最近的visual word
计算图像的BoW表示，并且将其进归一化。

要实例化一个BOWImgDescriptorExtractor，需要提供三个参数

视觉词汇表Vocabulalry
图像特征提取器 DescriptorExtractor
特征匹配的方法 descriptorMatcher ，用来查找和某个特征最近的visual word。

其使用也很便利，使用Extractor和Matcher实例化一个BOWImgDescriptorExtractor，然后设置Vocabulary，

BOWImgDescriptorExtractor bowDE(extractor, matcher);
bowDE.setVocabulary(dictionary); //dictionary是通过前面聚类得到的词典；

要求某图像的BoW，可以调用compute方法

bowDE.compute(img, keypoints, bow);

Summary

BOWKMeansTrainer 对提取到的图像特征集进行聚类，得到视觉词汇表Vocabulary
BOWImgDescriptorExtractor 在得到视觉词汇表后，使用该类，可以很方便的对图像进行BoW编码。

DBoW3

DBoW3是一个开源的C++词袋模型库，可以很方便将图像转化成视觉词袋表示。它采用层级树状结构将相近的图像特征在物理存储上聚集在一起，创建一个视觉词典。DBoW3还生成一个图像数据库，带有顺序索引和逆序索引，可以使图像特征的检索和对比非常快。
DBoW3是DBoW2的增强版，仅依赖OpenCV，能够很方便的使用。开源的SLAM项目ORB_SLAM2就是使用DBoW2进行回环检测的，关于DBoW3详细介绍，可以参考浅谈回环检测中的词袋模型（bag of words).

本文仅介绍下DBoW3的使用,DBoW3的源代码在github上https://github.com/rmsalinas/DBow3，是基于CMake的，配置好OpenCV库后，直接cmake编译即可。

DBoW3两个比较重要的类是Vocabulary和Database，Vocabulary表示图像库的视觉词汇表，并可以将任一的图像转换为BoW表示，Database是一个图像数据库，能够方便的对图像进行检索。
构建Vocabulary的代码如下：

void vocabulary(const vector<Mat> &features,const string &file_path,int k = 9,int l = 3){    //Branching factor and depth levels
    const DBoW3::WeightingType weight = DBoW3::TF_IDF;    const DBoW3::ScoringType score = DBoW3::L2_NORM;

    DBoW3::Vocabulary voc(k,l,weight,score);    cout << "Creating a small " << k << "^" << l << " vocabulary..." << endl;
    voc.create(features);    cout << "...done!" << endl;    
    //cout << "Vocabulary infomation: " << endl << voc << endl << endl;

    // save the vocabulary to disk
    cout << endl << "Saving vocabulary..." << endl;    stringstream ss;
    ss << file_path << "/small_voc.yml.gz";
    voc.save(ss.str());    cout << "Done" << endl;
}

传入图像的特征集，配置聚类树的分支树(k)，以及深度(l)，调用create进行聚类即得到Vocabulary。可以将得到的Vocabulary保存成文件，以便后面使用。
有了Vocabulary后，就可以构建一个Database方便图像的查找

void database(const vector<Mat> &features,const string &file_path){    // load the vocabulary from disk
    stringstream ss ;
    ss << file_path <<"/small_voc.yml.gz";
    DBoW3::Vocabulary voc(ss.str());

    DBoW3::Database db(voc, false, 0); // false = do not use direct index
    // add images to the database
    for(size_t i = 0; i < features.size(); i++)
        db.add(features[i]);

    cout << "... done!" << endl;

    cout << "Database information: " << endl << db << endl;    // we can save the database. The created file includes the vocabulary
    // and the entries added
    cout << "Saving database..." << endl;
    db.save("small_db.yml.gz");
    cout << "... done!" << endl;
}

需要前面得到Vocabulary和图像的特征集来创建Database，创建完成后，也可以将其保存为本地文件，方便后面的使用。

有了Database后，可以其调用query方法，来查找数据库中是否有相类似的图片。

 //auto fdetector=cv::xfeatures2d::SURF::create(400, 4, 2);
    auto fdetector = xfeatures2d::SIFT::create(0,3,0.2,10);    vector<KeyPoint> kpts;
    Mat des;
    fdetector->detectAndCompute(img,noArray(),kpts,des);

    db.query(des,ql,max_resuts);

提取图像的特征，调用query该方法使用QueryResults返回查询的结构。

Summary

本文重新梳理了下BoW模型，并且介绍了三种的实现方法：

基于OpenCV的原生实现，调用OpenCV的特征提取，聚类，匹配方法，获取图像的BoW向量。
使用OpenCV封装的BowTrainer和BOWImgDescriptorExtractor类，更简单的实现BoW模型。
使用开源库DBoW3，该方法不断能够很简单的创建Vocabulary，而且创建了一个图像的Database，比较方法的利用BoW向量在图像库中查找类似图片。

做了几个月的图像检索，陆续把这段时间的收获整理下。本文主要介绍了BoW的实现，下一篇争取实现一个完整的图像检索的流程，预计有以下几个方面：

TF-IDF
root-sift
vlad

本系列图像检索的代码会push到github上，初期一直在写各种sample，代码有点乱，欢迎fork/start。
地址： https://github.com/brookicv/imageRetrieval

原文出处：https://www.cnblogs.com/wangguchangqing/p/9435269.html