SURF的度量標準

Question

我正在搜索SURF的可用度量標準。就像一幅圖像在一個尺度上與另一幅圖像相匹配一樣，比如0到1，其中0表示沒有相似性，1表示相同的圖像。

SURF提供以下數據：在目標圖像

• 興趣點（和它們的描述符）在查詢圖像（設爲Q）
• 興趣點（和它們的描述符）（組T）
• 使用最近鄰算法對可以從上面的兩組創建

我到目前爲止嘗試的東西，但似乎沒有任何工作太好：

1. 使用不同集合的大小的度量：d = N/min（size（Q），size（T））其中N是匹配興趣點的數量。這給出非常相似的圖像相當低的評級，例如0.32，即使70個興趣點從Q中約600個和T中200個匹配。我認爲70是一個非常好的結果。我在考慮使用一些對數縮放，所以只有非常低的數字纔會得到較低的結果，但似乎找不到正確的等式。與d = log(9*d0+1)我得到了0.59的結果，這是相當不錯的，但仍然，這種破壞SURF的力量。

2. 使用成對內距離的度量：我做了類似於找到K最佳匹配並添加它們的距離。兩幅圖像相似的距離最小。這個問題是我不知道什麼是興趣點描述符元素的最大值和最小值，從中計算出遙遠距離，因此我只能相對地找到結果（來自許多最好的輸入）。正如我所說，我想把度量準確地在0和1之間。我需要這個來比較SURF和其他圖像度量。

這兩個最大的問題是排除其他。一個不考慮匹配的次數和另一個匹配的距離。我迷路了。

EDIT：對於第一個，日誌（X * 10^K）/ k，其中k爲3或4給出了一個很好的結果的大部分時間中，min是不好的方程，它可以使在一些罕見的情況下，d大於1，沒有小的結果又回來了。

Answer 1

您可以輕鬆創建一個衡量指標，即兩個指標的加權總和。使用機器學習技術來學習適當的權重。

您所描述的內容與基於內容的圖像檢索領域密切相關，這是一個非常豐富和多樣化的領域。谷歌搜索會讓你有很多點擊。雖然SURF是一個優秀的通用低中級特徵探測器，但遠遠不夠。 SURF和SIFT（SURF來源於什麼）在重複或近似重複檢測方面很出色，但在捕獲感知相似性方面並不太好。

表現最好的CBIR系統通常利用通過一些訓練集合最優組合的特徵集合。一些有趣的探測器包括GIST（快速便宜的探測器，最適用於探測人造與自然環境）和Object Bank（基於直方圖的探測器本身由100個物體探測器輸出組成）。