影象GIST特徵和LMGIST包的python實現(有github)
1什麼是Gist特徵
(1) 一種巨集觀意義的場景特徵描述
(2) 只識別“大街上有一些行人”這個場景,無需知道影象中在那些位置有多少人,或者有其他什麼物件。
(3) Gist特徵向量可以一定程度表徵這種巨集觀場景特徵
GIST定義下列五種對空間包絡的描述方法
空間包絡名 | 闡釋 |
---|---|
自然度(Degree of Naturalness) | 場景如果包含高度的水平和垂直線,這表明該場景有明顯的人工痕跡,通常自然景象具有紋理區域和起伏的輪廓。所以,邊緣具有高度垂直於水平傾向的自然度低,反之自然度高。 |
開放度(Degree of Openness) | 空間包絡是否是封閉(或圍繞)的。封閉的,例如:森林、山、城市中心。或者是廣闊的,開放的,例如:海岸、高速公路。 |
粗糙度(Degree of Roughness) | 主要指主要構成成分的顆粒大小。這取決於每個空間中元素的尺寸,他們構建更加複雜的元素的可能性,以及構建的元素之間的結構關係等等。粗糙度與場景的分形維度有關,所以可以叫複雜度。 |
膨脹度(Degree of Expansion) | 平行線收斂,給出了空間梯度的深度特點。例如平面檢視中的建築物,具有低膨脹度。相反,非常長的街道則具有高膨脹度。 |
險峻度(Degree of Ruggedness) | 即相對於水平線的偏移。(例如,平坦的水平地面上的山地景觀與陡峭的地面)。險峻的環境下在圖片中生產傾斜的輪廓,並隱藏了地平線線。大多數的人造環境建立了平坦地面。因此,險峻的環境大多是自然的。 |
2 Gist的實現--LMgist
LMgist的Matlab程式碼 LMgist Matlab程式碼
- LMgist Matlab程式碼的使用
% 讀取圖片 img = imread('demo2.jpg'); % 設定GIST引數 clear param param.orientationsPerScale = [8 8 8 8]; % number of orientations per scale (from HF to LF) param.numberBlocks = 4; param.fc_prefilt = 4; % 計算GIST [gist, param] = LMgist(img, '', param);
3 LMgist原理
3.1 LMgist演算法主流程
- G1:對輸入圖片進行預處理 (RGB或RGBA轉128x128灰度圖)
- G2:對輸入圖片進行Prefilt處理
- G3:計算圖片的Gist向量
3.2 G2 對輸入圖片進行Prefilt處理
3.2.1 Pad images to reduce boundary artifacts (擴邊+去偽影)
\[{\bf{matlog}} = \log \left( {{\bf{mat}} + 1} \right)\]
\[{\bf{matPad}} = {\mathop{\rm sympading}\nolimits} \left( {{\bf{matlog}},\left[ {5,5,5,5} \right]} \right)\]
圖1 sympading操作
3.2.2 Filter (構造濾波器)
\[{\bf{matGf}} = {\mathop{\rm FFTSHITF}\nolimits} \left( {\exp \left( { - \frac{{{\bf{matF}}{{\bf{x}}^2} + {\bf{matF}}{{\bf{y}}^2}}}{{{{\left( {\frac{{fc}}{{\sqrt {\log \left( 2 \right)} }}} \right)}^2}}}} \right)} \right)\]
3.2.3 Whitening (白化)
\[{\bf{matRes}} = {\bf{matPad}} - {\mathop{\rm Real}\nolimits} \left( {{\mathop{\rm IFFT}\nolimits} \left( {{\mathop{\rm FFT}\nolimits} \left( {{\bf{matPad}}} \right){\bf{matGf}}} \right)} \right)\]
3.2.4 Local contrast normalization (區域性對比度歸一化)
\[{\bf{matLocal}} = \sqrt {\left| {{\mathop{\rm IFFT}\nolimits} \left( {{\mathop{\rm FFT}\nolimits} \left( {{\bf{matRes}} \cdot {\bf{matRes}}} \right) \cdot {\bf{matGf}}} \right)} \right|} \]
\[ {\bf{matRes}} = \frac{{{\bf{matRes}}}}{{0.2 + {\bf{matLocal}}}} \]
3.2.5 Local contrast normalization (區域性對比度歸一化)
\[{\bf{matPrefilt = matRes}}\left[ {5:64 + 5,5:64 + 5} \right]\]
3.3 計算圖片的Gist向量
3.3.1 Pading
\[{\bf{matPad}} = {\mathop{\rm sympading}\nolimits} \left( {{\bf{matPrefilt}},\left[ {32,32,32,32} \right]} \right)\]
3.3.2 FFT
\[{\bf{matLocal}} = {\mathop{\rm FFT}\nolimits} \left( {{\bf{matPad}}} \right)\]
3.3.3 遍歷每個Gabor核函式
圖2 全域性Gist特徵的提取
4 LMgist的Python實現
GitHub程式碼 https://github.com/Kalafinaian/python-img_gist_feature
4.1 提取Gist特徵
from img_gist_feature.utils_gist import *
s_img_url = "./test/A.jpg"
gist_helper = GistUtils()
np_img = preproc_img(s_img_url)
np_gist = gist_helper.get_gist_vec(np_img)
print(np_gist)
執行得到的gist特徵為
[[0.08787015 0.07296596 0.10566235 ... 0.03908335 0.03852283 0.03798099]]
4.2 Gist特徵餘弦相似距離
下載好github中的程式碼專案,執行python _test_get_cossim.py
5 LMgist的效果
參考資料
- GIST特徵描述符使用
- GIST 空間包絡特徵 推薦論文 簡介