이미지 유사도 및 k 평균 클러스터링

Question

나는 이미지 유사성을 약간 가지고 있습니다. 사실 나는 이미지 검색 시스템을 가지고 놀고있다. 이상적으로 비슷한 이미지를 얻기 위해 쿼리 할 수있는 일종의 이미지 인덱스를 만들고 싶습니다.

나의 현재의 생각은 일종의 ImageDescriptor를 색인에 저장하고 각 설명자가 다른 특징을 가질 수 있다는 것입니다. 히스토그램, 그리고 k-mean-cluster-centroids, histograms ... 그리고 저는 간단한 계산 기반의 계산법을 사용합니다 - 각 기능에는 거리 함수가 있고 그 함수의 결과에는 모든 기능에 걸쳐 가중치와 합계가 곱해집니다. 최종 합계는 내 이미지와의 거리입니다. 이 좋은 생각이 확실하지 않은가요?

그래서 저는 히스토그램으로 게임하기 시작했습니다. 히스토그램과 인덱스가 저장된 히스토그램 사이의 거리를 쿼리하는 것보다 히스토그램의 인덱스를 저장했습니다. 그것은 어떤 종류의 유사성을 제공하지만 대부분의 경우에는 이상적인 것이 아닙니다.

이제 k-mean 클러스터링을 사용하고 있습니다. 이미 RGB 거리를 기반으로 분할을 구현했습니다 (Lab 색상 모드에서도 시도합니다). 내 색인은 클러스터링에서 중심의 벡터로 구성됩니다. 이제 나는 centroids 사이의 min-distance 비교를하고 있습니다. 그것은 더 나은 결과를 가져다 줄뿐만 아니라 좋은 결과를 가져옵니다.

내 첫 번째 질문은 거리를 쿼리하는 것보다 세그먼트 (클러스터)를 사용하면 더 좋은 결과를 얻을 수 있습니까? 모양 정보를 포함하려면 어떻게해야합니까?

대부분의 이미지는 일상 생활의 이미지 (연필, 안경, 신발 등)가 다르며 배경이 서로 다른 동일한 색상의 이미지입니다. 더 자연스러운 이미지, 얼굴, 나무, 구름, 산, ...

감사 Zaharije

Answer 1

이미지의 유사성을 기반으로뿐만 아니라 픽셀입니다. 이미지 유사성을위한 몇 가지 차원이 있습니다. 좋은 유사성을 위해 이미지에서 추가 정보가 필요합니다. 낮은 수준의 기능 등