Python-使用SIFT描述符快速比较相似性/分类图像

我知道这是一个关于堆栈溢出的流行问题，但是，我还没有找到最好的解决方案

背景

我正在尝试对图像进行分类。我目前有10000个独特的图像，一个给定的图像可以匹配。对于数据库中的每个图像，我只有一个用于培训的图像。所以我有一个10000分贝，可能的输出类也是10000。e、 假设有10000个独特的对象，每个对象我都有一个单独的图像

目标是将输入图像与数据库中的“最佳”匹配图像相匹配

我目前正在使用Python和OpenCV以及Sift库来识别关键点/描述符，然后应用标准匹配方法来查看数据库中输入图像最匹配的图像

代码

我使用下面的代码迭代我的图像数据库，然后找到所有关键点/描述符，并将这些描述符保存到一个文件中。这是为了节省以后的时间

for i in tqdm(range(labels.shape[0])): #Use the length of the DB

    # Read img from DB
    img_path = 'data/'+labels['Image_Name'][i]
    img = cv2.imread(img_path) 

    # Resize to ensure all images are equal for ROI
    dim = (734,1024)
    img = cv2.resize(img, dim, interpolation = cv2.INTER_AREA)

    #Grayscale
    img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    #Roi
    img = img[150:630, 20:700]

    # Sift
    sift = cv2.xfeatures2d.SIFT_create()
    keypoints_1, descriptors_1 = sift.detectAndCompute(img,None)

    # Save descriptors
    path = 'data/'+labels['Image_Name'][i].replace(".jpeg", "_descriptors.csv")
    savetxt(path, descriptors_1, delimiter=',')

然后，当我准备好对图像进行分类时，我可以读入所有描述符。事实证明，这比以前快了30%

# Array to store all of the descriptors from SIFT
descriptors = []

for i in tqdm(range(labels.shape[0])): #Use the length of the DB

    # Read in teh descriptor file
    path = 'data/'+labels['Image_Name'][i].replace(".jpeg", "_descriptors.csv")
    descriptor = loadtxt(path, delimiter=',')

    # Add to array
    descriptors.append(descriptor)

最后，我只需要读取图像，应用sift方法，然后找到最佳匹配

# Calculate simaularity 
img = cv2.imread(PATH)

# Resize
dim = (734,1024)
img = cv2.resize(img, dim, interpolation = cv2.INTER_AREA)

#Grayscale
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#Roi
img = img[150:630, 20:700]

# Sift
sift = cv2.xfeatures2d.SIFT_create()
keypoints_1, descriptors_1 = sift.detectAndCompute(img,None)

# Use Flann (Faster)
index_params = dict(algorithm=0, trees=5)
search_params = dict()
flann = cv2.FlannBasedMatcher(index_params, search_params)

# Store results
scoresdf = pd.DataFrame(columns=["index","score"])

#Find best matches in DB
for i in tqdm(range(labels.shape[0])):
    # load in data
    path = 'data/'+labels['Image_Name'][i].replace(".jpeg", "_descriptors.csv")

    # Get descriptors for both images to compare
    descriptors_2 = descriptors[i]
    descriptors_2 = np.float32(descriptors_2)

    # Find matches
    matches = flann.knnMatch(descriptors_1, descriptors_2, k=2)

    # select the lowest amount of keypoints
    number_keypoints = 0
    if len(descriptors_1) <= len(descriptors_2):
        number_keypoints = len(descriptors_1)
    else:
        number_keypoints = len(descriptors_2)

    # Find 'good' matches LOWE
    good_points = []
    ratio = 0.6
    for m, n in matches:
        if m.distance < ratio*n.distance:
            good_points.append(m)

    # Get simularity score
    score = len(good_points) / number_keypoints * 100
    scoresdf.loc[len(scoresdf)] = [i, score]

#计算相似性
img=cv2.imread（路径）
#调整大小
尺寸=（7341024）
img=cv2.调整大小（img、dim、插值=cv2.内部区域）
#灰度
img=cv2.cvt颜色（img，cv2.COLOR\u bgr2灰色）
#投资回报率
img=img[150:630，20:700]
#筛选
sift=cv2.xfeature2d.sift_create（）
关键点_1，描述符_1=筛选、检测和计算（img，无）
#使用法兰（更快）
索引参数=dict（算法=0，树=5）
搜索参数=dict（）
flann=cv2.FlannBasedMatcher（索引参数、搜索参数）
#存储结果
scoresdf=pd.DataFrame（列=[“索引”，“分数”]）
#在数据库中查找最佳匹配项
对于tqdm中的i（范围（labels.shape[0]）：
#载入数据
path='data/'+标签['Image\u Name'][i]。替换（“.jpeg”、“\u descriptors.csv”）
#获取两个图像的描述符以进行比较
描述符_2=描述符[i]
描述符_2=np.float32（描述符_2）
#查找匹配项
matches=flann.knnMatch（描述符_1，描述符_2，k=2）
#选择最少数量的关键点
数字\关键点=0
如果len（描述符_1），您是否找到了解决方案？我也有同样的问题。