首页 理论教育基于模板匹配的检索方法的介绍

基于模板匹配的检索方法的介绍

【摘要】:这一模型意味着在我们的知识基础中,已经存储了数以百万计的不同模板——每一个可以辨识的不同物体或模式,都有一个与之匹配的模板存在。本书结合局部特征的特点和模板匹配的原理,提出了一种图像检索方法。如果局部特征和模板匹配的数量越多,则该幅图像和查询图相似的程度就越高。显然,模板匹配并不完全适合知觉原理的实际应用。

作为一种知觉模型,模板匹配(Template Matching)的原理是这样的:我们所遇到并期望从中获得意义的每一个事物、事件或其他刺激,都会与先前已经存储的模式或模板进行比较。因此,知觉的过程包括将输入信息与已经存储的模板进行比较,并从中寻找出一种匹配的模板[13]。如果有一些模型都与之匹配或相近,就需要通过进一步的加工,以区分出哪一个模板是最为合适的。这一模型意味着在我们的知识基础中,已经存储了数以百万计的不同模板——每一个可以辨识的不同物体或模式,都有一个与之匹配的模板存在。

本书结合局部特征的特点和模板匹配的原理,提出了一种图像检索方法。该方法将从查询图上提取出的每个局部特征都作为单个模板存储起来。对于图像库中的所有图像,都要用前面所述方法判断其每一个局部特征是否和模板之一匹配。如果局部特征和模板匹配的数量越多,则该幅图像和查询图相似的程度就越高。在本书的实验中,使用特征匹配比例(Feature Matching Proportion)来表示相似程度,即

式中,Fp为特征匹配比例,Mn为相匹配的局部特征对的数量,Fn为查询图中局部特征的数量。

由于本书所用的局部特征都能看作高维向量空间中的点,可以通过计算两个点之间的接近程度来衡量图像的局部特征之间的相似度。目前最为常用的相似度度量都具有很强的特征依赖性,不同的特征需要应用不同的度量方法才能获得最佳效果。Mikolajczyk等人[156]经过大量实验对比,发现对于SIFT和GLOH等局部特征在图像检索中的应用来说,用欧氏距离作为相似度度量已经可以满足实际应用的要求。

显然,模板匹配并不完全适合知觉原理的实际应用。首先,这一模型要想成立的话,必须存储数量大得令人难以置信的模板;其次,该模型无法解释新的模板是如何创造出来的,又如何保持识别系统与这些数量不断增长的模板的联系;最后,实践中往往会将许多模式或多或少地认为是同样的东西,即使这些模式有比较明显的差别。