Computer vision 基于特征袋法的图像检索系统

我正在做一个项目，使用特征袋方法制作视觉搜索系统，但没有什么问题。如果我正确理解了这个方法，那么这个方法有几个步骤

从图像中提取特征

矢量量化

从数据库中搜索图像

我的库存在2到3之间。我使用名为scikit的python包学习量化opencv中使用SIFT算法提取的特征向量。现在，我使用默认设置将集群大小设置为8。我试图从输出码本中生成直方图并显示它。我用同一张图片试了好几次，但是所有的直方图看起来都不一样。代码如下。这是一个简单的代码

import cv2
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

def feature_extract(img):
    sift = cv2.SIFT()
    gray = img
    kp, des = sift.detectAndCompute(gray, None)
    return kp, des


def codebook(k, des):
    km = KMeans(n_clusters=k, max_iter=500)
    km.fit(des)
    codebook = km.cluster_centers_
    label = km.labels_
    return codebook, label

img = cv2.imread('sift_example.jpg', 0)
kp, des = feature_extract(img)

k = 8
codebook, label = codebook(k, des)
plt.hist(label, bins=range(0,9), align='left'), plt.show()

我怀疑问题来自于集群错误。由于聚类的初始中心设置为随机，因此最终的收敛中心是不同的。

---

有什么解决办法吗？

关于KMeans初始中心的随机性，你是对的，但是我假设如果你不明确地更改随机数生成器的初始种子，那么它总是会选择与初始中心相同的“随机”特征。 另一个原因可能是，如果特征检测/提取是多线程的，那么在每次运行之间，图像上计算的特征可能以不同的顺序出现。你也可以检查一下

---

或者，您可以将自己的中心作为初始质心传递给KMeans，这样您就可以选择它们或自己生成它们，以确保KMeans从始终相同的初始中心开始

谢谢，我认为问题在于随机选择初始质心，以便质心收敛到不同的最终质心。我考虑固定初始质心，使其始终收敛到相同的最终质心。因此，在聚类中找不到全局最小质心？？KMeans没有花环，但使用KMeans++初始化可以让您有更多机会找到全局最小质心。