图像GIST特征和LMGIST包的python实现(有github)

  • 时间:
  • 浏览:0
  • 来源:大发快三_快三破解_大发快三破解

       (1) 一种宏观意义的场景形态学 描述

       (2) 只识别“大街上有许多行人”这俩 场景,不让知道图像中在哪些地方地方位置有多少人,因为有许多哪些地方对象。

       (3) Gist形态学 向量前要一定程度表征这俩 宏观场景形态学

GIST定义下列一种对空间包络的描述法律妙招

自然度(Degree of Naturalness) 场景因为所含深度的水平和垂直线,这表明该场景有明显的人工痕迹,通常自然景象具有纹理区域和起伏的轮廓。什么都 ,边缘具有深度垂直于水平倾向的自然度低,反之自然度高。
开放度(Degree of Openness) 空间包络是是否是封闭(或围绕)的。封闭的,这俩 :森林、山、城市中心。因为是广阔的,开放的,这俩 :海岸、高速公路。
粗糙度(Degree of Roughness) 主要指主要构成成分的颗粒大小。这取决于每个空间中元素的尺寸,他们 构建更加冗杂的元素的因为性,以及构建的元素之间的形态学 关系等等。粗糙度与场景的分形维度有关,什么都 前要叫冗杂度。
膨胀度(Degree of Expansion) 平行线收敛,给出了空间梯度的深度特点。这俩 平面视图中的建筑物,具有低膨胀度。相反,非常长的街道则具有高膨胀度。
险峻度(Degree of Ruggedness) 即相对于水平线的偏移。(这俩 ,平坦的水平地面上的山地景观与陡峭的地面)。险峻的环境下在图片中生产倾斜的轮廓,并隐藏了地平线线。大多数的人造环境建立了平坦地面。许多,险峻的环境大多是自然的。
  • LMgist的Matlab代码 LMgist Matlab代码

  • LMgist Matlab代码的使用
% 读取图片
img = imread('demo2.jpg');

% 设置GIST参数
clear param
param.orientationsPerScale = [8 8 8 8]; % number of orientations per scale (from HF to LF)
param.numberBlocks = 4;
param.fc_prefilt = 4;

% 计算GIST
[gist, param] = LMgist(img, '', param);

3.1 LMgist算法主流程

  • G1:对输入图片进行预外理 (RGB或RGBA转128x128灰度图)
  • G2:对输入图片进行Prefilt外理
  • G3:计算图片的Gist向量

3.2 G2 对输入图片进行Prefilt外理

3.2.1 Pad images to reduce boundary artifacts (扩边+去伪影)

\[{\bf{matlog}} = \log \left( {{\bf{mat}} + 1} \right)\]

\[{\bf{matPad}} = {\mathop{\rm sympading}\nolimits} \left( {{\bf{matlog}},\left[ {5,5,5,5} \right]} \right)\]



图1 sympading操作

3.2.2 Filter (构造滤波器)





\[{\bf{matGf}} = {\mathop{\rm FFTSHITF}\nolimits} \left( {\exp \left( { - \frac{{{\bf{matF}}{{\bf{x}}^2} + {\bf{matF}}{{\bf{y}}^2}}}{{{{\left( {\frac{{fc}}{{\sqrt {\log \left( 2 \right)} }}} \right)}^2}}}} \right)} \right)\]

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 (局部对比度归一化)

\[{\bf{matLocal}} = \sqrt {\left| {{\mathop{\rm IFFT}\nolimits} \left( {{\mathop{\rm FFT}\nolimits} \left( {{\bf{matRes}} \cdot {\bf{matRes}}} \right) \cdot {\bf{matGf}}} \right)} \right|} \]

\[ {\bf{matRes}} = \frac{{{\bf{matRes}}}}{{0.2 + {\bf{matLocal}}}} \]

3.2.5 Local contrast normalization (局部对比度归一化)

\[{\bf{matPrefilt = matRes}}\left[ {5:64 + 5,5:64 + 5} \right]\]

3.3 计算图片的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 遍历每个Gabor核函数





图2 全局Gist形态学 的提取

GitHub代码 https://github.com/Kalafinaian/python-img_gist_feature

4.1 提取Gist形态学

import cv2
from img_gist_feature.utils_gist import *

s_img_url = "./test/A.jpg"
gist_helper = GistUtils()

np_img = cv2.imread(s_img_url, -1)

print("default: rgb")
np_gist = gist_helper.get_gist_vec(np_img)
print("shape ", np_gist.shape)
print("noly show 10dim", np_gist[0,:10], "...")
print()

print("convert rgb image")
np_gist = gist_helper.get_gist_vec(np_img, mode="rgb")
print("shape ", np_gist.shape)
print("noly show 10dim", np_gist[0,:10], "...")
print()

print("convert gray image")
np_gist = gist_helper.get_gist_vec(np_img, mode="gray")
print("shape ", np_gist.shape)
print("noly show 10dim", np_gist[0,:10], "...")
print()

运行得到的gist形态学 为

default: rgb

shape (1, 1536)

noly show 10dim [0.02520592 0.05272302 0.05941689 0.05476999 0.13110309 0.13333975

0.29072759 0.16522023 0.23032277 0.36830457] ...

convert rgb image

shape (1, 1536)

noly show 10dim [0.02520592 0.05272302 0.05941689 0.05476999 0.13110309 0.13333975

0.29072759 0.16522023 0.23032277 0.36830457] ...

convert gray image

shape (1, 512)

noly show 10dim [0.304389 0.20628179 0.17682694 0.16277722 0.10557428 0.14448622

0.29214159 0.11230066 0.16483087 0.28381876] ...

4.2 Gist形态学 余弦这俩 距离

下载好github中的代码项目,运行python _test_get_cossim.py





参考资料

  1. GIST形态学 描述符使用
  2. GIST 空间包络形态学 推荐论文 简介