基于乘积量化的快速特征匹配

用matlab实现了基于乘积量化的快速sift特征匹配,相比于传统的特征比配方法，提高了匹配的速度。

clear; 
close all;
clc;
% 加载用于训练的sift描述子向量
load siftTrain.mat;

% 将用于训练的sift描述子向量均分为16段，每段8维
sub_vector = cell（161）;
for i = 1 : 16
    sub_vector{i} = siftDescriptorTrain（（i-1）*8+1:8*i:）;
end

C = cell（161）;
Idx = cell（161）;
opts = statset（‘MaxIter‘300）;
% 对每一段进行k-means聚类，k=64
for i = 1 : 16
    [Idx{i}  C{i}] = kmeans（sub_vector{i}‘64‘Options‘opts）;
end

dist = cell（161）;
for i = 1 : 16
    dist{i} = zeros（6464）;
end

% 生成16个distance matrix
for i = 1 : 16
    for j = 1 : 64
        tmpFeat = repmat（C{i}（j:） 64 1）;
        dist{i}（j:） = （sum（（tmpFeat - C{i}）.^22））‘;
    end
end

%tic

%% Load two images and their SIFT features
src_1 = ‘./test images/ukbench00000.jpg‘;
src_2 = ‘./test images/ukbench00003.jpg‘;
ext1 = ‘.dsift‘; %‘.vsift_640‘; % extension name of SIFT file
ext2 = ‘.dsift‘; %‘.vsift_640‘; % extension name of SIFT file
siftDim = 128;

%% load image 
im_1 = imread（src_1）;
im_2 = imread（src_2）;

%% 读取sift特征
featPath_1 = [src_1 ext1];
featPath_2 = [src_2 ext2];

fid_1 = fopen（featPath_1 ‘rb‘）;
featNum_1 = fread（fid_1 1 ‘int32‘）; % �ļ���SIFT��������Ŀ
SiftFeat_1 = zeros（siftDim featNum_1）; 
paraFeat_1 = zeros（4 featNum_1）;
for i = 1 : featNum_1 % �����ȡSIFT����
    SiftFeat_1（: i） = fread（fid_1 siftDim ‘uchar‘）; %�ȶ���128ά������
    paraFeat_1（: i） = fread（fid_1 4 ‘float32‘）;     %�ٶ���[x y scale orientation]��Ϣ
end
fclose（fid_1）;

fid_2 = fopen（featPath_2 ‘rb‘）;
featNum_2 = fread（fid_2 1 ‘int32‘）; % �ļ���SIFT��������Ŀ
SiftFeat_2 = zeros（siftDim featNum_2）;
paraFeat_2 = zeros（4 featNum_2）;
for i = 1 : featNum_2 % �����ȡSIFT����
    SiftFeat_2（: i） = fread（fid_2 siftDim ‘uchar‘）; %�ȶ���128ά������
    paraFeat_2（: i） = fread（fid_2 4 ‘float32‘）;     %�ٶ���[x y scale orientation]��Ϣ
end
fclose（fid_2）;

%% 将第一张待匹配图像的sift特征向量分为16段
feat1_vector = cell（161）;
for i = 1 : 16
    feat1_vector{i} = SiftFeat_1（（i-1）*8+1:8*i:）;
end

%% 判断待匹配图像的每个特征向量的每一段各属于哪一类
minposition = zeros（16 featNum_1）; 
for i = 1 : 16
    for j =1 : featNum_1
        tmpFeat = repmat（feat1_vector{i}（:j）164）;
        d1 = sum（（tmpFeat - C{i}‘）.^2）; % distance
        minposition（ij） = find（d1==min（d1））;
    end
end

%% 将第二张待匹配图像的sift特征向量分为16段
feat2_vector = cell（161）;
for i = 1 : 16
    feat2_vector{i} = SiftFeat_2（（i-1）*8+1:8*i:）;
end

%% 判断待匹配图像的每个特征向量的每一段各属于哪一类
minposition2 = zeros（16 featNum_2）; 
for i = 1 : 16
    for j =1 : featNum_2
        tmpFeat = repmat（feat2_vector{i}（:j）164）;
        d1 = sum（（tmpFeat - C{i}‘）.^2）; % distance
        minposition2（ij） = find（d1==min（d1））;
    end
end

%% 在feat2中找离feat1的距离满足一定条件的特征，构成匹配
matchInd = zeros（featNum_1 1）;
matchDis = zeros（featNum_1 1）;
for i = 1 : featNum_1
    d = zeros（1featNum_2）;
    for k = 1 : 16
        d（1 : featNum_2） = d（1 : featNum_2） +dist{k}（ minposition（ki）  minposition2（k1 : featNum_2） ）;
    end
    matchDis（i） = min（d）;
    [v ind] = sort（d）;
    if v（1） / v（2） <= 0.64
        matchInd（i） = ind（1）;
    end
end


%% 可视化
[row col cn] = siz

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2017-11-15 15:42  test images\
     文件      243673  2013-12-05 23:17  test images\ukbench00000.jpg
     文件      696244  2014-03-16 05:45  test images\ukbench00000.jpg.dsift
     文件      246526  2013-12-05 23:17  test images\ukbench00001.jpg
     文件      545332  2014-03-16 05:45  test images\ukbench00001.jpg.dsift
     文件      218653  2013-12-05 23:17  test images\ukbench00002.jpg
     文件      741028  2014-03-16 05:45  test images\ukbench00002.jpg.dsift
     文件      269422  2013-12-05 23:17  test images\ukbench00003.jpg
     文件      674068  2014-03-16 05:46  test images\ukbench00003.jpg.dsift
     文件      152703  2013-12-05 23:17  test images\ukbench00012.jpg
     文件      154228  2014-03-16 05:46  test images\ukbench00012.jpg.dsift
     文件      155830  2013-12-05 23:17  test images\ukbench00013.jpg
     文件      154948  2014-03-16 05:46  test images\ukbench00013.jpg.dsift
     文件      175983  2013-12-05 23:17  test images\ukbench00014.jpg
     文件      103828  2014-03-16 05:46  test images\ukbench00014.jpg.dsift
     文件      168753  2013-12-05 23:17  test images\ukbench00015.jpg
     文件      107284  2014-03-16 05:46  test images\ukbench00015.jpg.dsift
     文件      153642  2006-10-05 01:11  test images\ukbench00052.jpg
     文件      140404  2014-03-16 05:47  test images\ukbench00052.jpg.dsift
     文件      160703  2006-10-05 01:11  test images\ukbench00053.jpg
     文件      149332  2014-03-16 05:47  test images\ukbench00053.jpg.dsift
     文件      144807  2006-10-05 01:11  test images\ukbench00054.jpg
     文件      153508  2014-03-16 05:47  test images\ukbench00054.jpg.dsift
     文件      151801  2006-10-05 01:11  test images\ukbench00055.jpg
     文件      139252  2014-03-16 05:47  test images\ukbench00055.jpg.dsift
     文件      172114  2006-10-05 01:11  test images\ukbench00080.jpg
     文件      114628  2014-03-16 05:48  test images\ukbench00080.jpg.dsift
     文件      181878  2006-10-05 01:11  test images\ukbench00081.jpg
     文件      135940  2014-03-16 05:48  test images\ukbench00081.jpg.dsift
     文件      154145  2006-10-05 01:11  test images\ukbench00082.jpg
     文件      162436  2014-03-16 05:48  test images\ukbench00082.jpg.dsift
............此处省略13个文件信息