图像检索简介

图像检索简介

主要分为两类，一类是基于文本的图像检索（Text Based Image Retrieval），另一类是基于内容的图像检索（Content Based Image Retrieval）

基于文本

通过对图像进行文本描述（对内容分析进行自动标注和人工标注），提炼关键词等标签信息。
后续在进行检索时，可以通过检索关键词的方式查找对应的图片。

基于内容

以图搜图。涉及图像特征提取、相似度计算、特征数据库存储和搜索。

图像特征提取

提取图片中局部特征，转化为特征向量

图像特征分类

• 点线面：点如关键点，SIFT算子提取
• 纹理形状
• 颜色特征：如颜色直方图
• 统计特征：如图形均值、方差

提取基础：特征值和特征向量

理解参考
常将某一类对象的多个或多种特性组合在一起，形成一个特征向量来代表该类对象，如果只有单个数值特征，则特征向量为一个一维向量，如果是n个特性的组合，则为一个n维特征向量。

提取方法

传统图像特征提取方法有HOG、Haar、LBP、SIFT、ORB等。后来出现深度学习特征提取方法，相当于一个黑盒

应用例：PCA主成分分析

principal component analysis主成分分析，找数据的主成分，将数据降维同时将信息的损失尽量降低。
是一种无监督算法，不需要依靠任何类别标签的信息，选取特征值最高的k个特征向量来表示一个矩阵，从而达到降维分析和特征显示。

图像特征存储

特征值和特征向量存入数据库

存储模型

提取的局部特征通常有很高的维度（如sift是128维），有很多的冗余信息，直接利用局部特征进行检索，效率和准确度上都不是很好。需要重新对提取到的局部特征进行编码，以便于匹配检索

VLAD编码

BOW词袋模型

Bag of words，信息检索领域常用的文档表示方法。也可用在视觉，将图像看作文档，使用SIFT（也可用cnn等）从图像中提取视觉词汇，使用K-Means聚类选取最具有代表性的词，最终构造词典，统计词汇出现次数构造直方图。

图像特征搜索

• 数据库读取：读取数据库中已存储的图片特征向量
• 相似度计算：计算待搜索图片与数据库中图片的相似度，如余弦相似度、欧氏距离等
• 相似度排序：根据相似度对搜索结果进行排序，如KNN算法等，并输出最相似的图片

搜索加速技术

每次都1v全表搜索，内存占用大响应时间长

多线程和分布式计算

策略优化

把空间分成很多区域，先排除掉一些区域，可以极大减少计算量；把数据做聚类，新数据进来先计算分类，然后再计算。

建立索引

为特征建立索引，或者构造特征到图像的倒排表。

近似最近邻搜索

Approximate Nearest Neighbor，用于在大规模数据集中寻找最近邻居的算法。
可以将图像搜索最相似的查找转换成ANN问题。相比于线性查找方法每次检索都会遍历整个检索库。ANN目标是在尽可能短的时间内找到与给定查询点最近的数据点，而不一定是确切的最近邻。是效果与性能的折衷。

向量数据库

向量是新的JSON。在机器学习和深度学习中，数据通常以向量形式表示。数据库提供专门索引来提供向量相似性搜索。如Elasticsearch 8.0+版本，PostgreSQL扩展，Faiss等。 Ele实验室【上集】向量数据库技术鉴赏
Ele实验室【下集】向量数据库技术鉴赏