SURF的度量标准

Question

我正在搜索SURF的可用度量标准。就像一幅图像在一个尺度上与另一幅图像相匹配一样，比如0到1，其中0表示没有相似性，1表示相同的图像。

SURF提供以下数据：在目标图像

• 兴趣点（和它们的描述符）在查询图像（设为Q）
• 兴趣点（和它们的描述符）（组T）
• 使用最近邻算法对可以从上面的两组创建

我到目前为止尝试的东西，但似乎没有任何工作太好：

1. 使用不同集合的大小的度量：d = N/min（size（Q），size（T））其中N是匹配兴趣点的数量。这给出非常相似的图像相当低的评级，例如0.32，即使70个兴趣点从Q中约600个和T中200个匹配。我认为70是一个非常好的结果。我在考虑使用一些对数缩放，所以只有非常低的数字才会得到较低的结果，但似乎找不到正确的等式。与d = log(9*d0+1)我得到了0.59的结果，这是相当不错的，但仍然，这种破坏SURF的力量。

2. 使用成对内距离的度量：我做了类似于找到K最佳匹配并添加它们的距离。两幅图像相似的距离最小。这个问题是我不知道什么是兴趣点描述符元素的最大值和最小值，从中计算出遥远距离，因此我只能相对地找到结果（来自许多最好的输入）。正如我所说，我想把度量准确地在0和1之间。我需要这个来比较SURF和其他图像度量。

这两个最大的问题是排除其他。一个不考虑匹配的次数和另一个匹配的距离。我迷路了。

EDIT：对于第一个，日志（X * 10^K）/ k，其中k为3或4给出了一个很好的结果的大部分时间中，min是不好的方程，它可以使在一些罕见的情况下，d大于1，没有小的结果又回来了。

Answer 1

您可以轻松创建一个衡量指标，即两个指标的加权总和。使用机器学习技术来学习适当的权重。

您所描述的内容与基于内容的图像检索领域密切相关，这是一个非常丰富和多样化的领域。谷歌搜索会让你有很多点击。虽然SURF是一个优秀的通用低中级特征探测器，但远远不够。 SURF和SIFT（SURF来源于什么）在重复或近似重复检测方面很出色，但在捕获感知相似性方面并不太好。

表现最好的CBIR系统通常利用通过一些训练集合最优组合的特征集合。一些有趣的探测器包括GIST（快速便宜的探测器，最适用于探测人造与自然环境）和Object Bank（基于直方图的探测器本身由100个物体探测器输出组成）。