Я написал метод, в котором дескриптор изображения (например, OpenCV SIFT или VLFeat Dense SI FT) вычисляет дескрипторы для набора изображений (за исключением std::vector<std::string> files). Дескриптор вызывается через ComputeDescriptors(image, descriptorMatrix), где он заполняет descriptorMatrix дескрипторами, вычисленными из.cv :: Память Mat не освобождается даже после вызова release()?
Затем я произвольно выбираю дескрипторы samples (обычно 50) и нажимаю матрицу sampledDescriptors в возвращаемом std::vector<cv::Mat1f> descriptors.
Это код:
void SIFTDescriptor::ComputeDescriptorsRange(const std::vector<std::string> &files, std::vector<cv::Mat1f> &descriptors){
cv::Mat1f imgDescriptors;
cv::Mat img;
for(int i=0 ; i<files.size() ; i++){
std::cout<<"Describing "<<files[i]<<std::endl;
img = cv::imread(files[i], cv::IMREAD_GRAYSCALE);
if(!img.data)
//throw error
//resoze dim is a class member
if(resizeDim>0)
ImgUtility::resize(img,resizeDim);
ComputeDescriptors(img,imgDescriptors);
if(samples > 0 && samples < imgDescriptors.rows){
std::cout<<"Sampling "<<imgDescriptors.rows<<" descriptors..."<<std::endl;
cv::Mat1f sampledDescripotrs;
std::vector<int> v(imgDescriptors.rows);
std::iota (std::begin(v), std::end(v), 0); //fill v with 0 ... imgDescriptors.rows
std::random_device rd;
std::mt19937 g(rd());
std::shuffle(v.begin(), v.end(), g);
for(int j=0 ; j<samples; j++){
sampledDescripotrs.push_back(imgDescriptors.row(v[j]));
}
descriptors.push_back(sampledDescripotrs);
sampledDescripotrs.release();
}
else
descriptors.push_back(imgDescriptors); //copy of a smart pointer, not expensive
imgDescriptors.release();
std::cout<<"descriptors["<<i<<"]="<<descriptors[i].rows<<std::endl;
std::cout<<descriptors[i]<<std::endl;
}
Это сделано, чтобы быть память эффективно, особенно для плотных дескрипторов, таких как VLFeat Dense SIFT, где тысячи дескрипторов извлекаются. С тысячами изображений у нас будет нехватка памяти в кратчайшие сроки. Вместо этого, используя это решение, мы сохраняем только 50 дескрипторов на изображение (этого достаточно для моего обучения).
Однако, по какой-то странной причине, использование OpenCV SIFT не имеет большого использования памяти, но с использованием VLFeat Dense SIFT память растет довольно быстро, даже если samples в обоих случаях одинаково!
Мое единственное объяснение, что память, используемая imgDescriptors в каждом цикле не освобождается, даже используя imgDescriptors (который должен быть не нужно в любом случае, так как cv::Mat1f должен быть своего рода интеллектуальный указатель и так освободить себя в конце цикла) , но я не понимаю, как это возможно.
Это ComputeDescriptor код для плотного SIFT в VLFeat:
void DSIFTVLFeat::ComputeDescriptors(cv::Mat &img, cv::Mat1f &descriptors){
descriptors.release();
// transform image in cv::Mat to float vector
cv::Mat imgFloat;
img.convertTo(imgFloat, CV_32F, 1.0/255.0);
if(!imgFloat.isContinuous())
throw std::runtime_error("imgFloat is not continous");
for(int i=binSize; i<=maxBinSize; i+=2){
VlDsiftFilter *dsift = vl_dsift_new_basic (img.rows, img.cols, step, i);
vl_dsift_process (dsift, imgFloat.ptr<float>());
cv::Mat scaleDescs(vl_dsift_get_keypoint_num(dsift), 128, CV_32F, (void*) vl_dsift_get_descriptors(dsift));
descriptors.push_back(scaleDescs);
scaleDescs.release();
free(dsift);
}
}