计算机视觉之Bag of features : 图像特征词典

Bag of features:图像检索

构造不小于100张图片的数据集做SIFT特征提取匹配

1、SIFT特征提取 ：提取训练集中所有图像的SIFT特征，设有M幅图像，共得到N个SIFT特征

2、构建视觉词汇表 对提取到的N个SIFT特征进行聚类，得到K个聚类中心，组成图像的视觉词汇表。

3、图像的视觉词向量表示，统计每幅图像中视觉词汇的出现的次数，得到图像的特征向量。在检索时，该特征向量就代表该幅图像。统计时，计算图像中提取到的SIFT特征点到各个视觉词（聚类中心）的距离，将其归类到聚类最近的视觉词中。

sift的原理之前已经说过，这里不再赘述，代码如下：

#SIFT算法
from PIL import Image
from pylab import *
import sys
from PCV.localdescriptors import sift

im1f = 'C:/Users/ace/Pictures/ims/17.jpg'
im2f = 'C:/Users/ace/Pictures/ims/18.jpg'
im1 = array(Image.open(im1f).convert('L'))
im2 = array(Image.open(im2f).convert('L'))

sift.process_image(im1f, 'out_sift_1.txt')
l1, d1 = sift.read_features_from_file('out_sift_1.txt')
figure()
gray()
subplot(121)
sift.plot_features(im1, l1, circle=False)

sift.process_image(im2f, 'out_sift_2.txt')
l2, d2 = sift.read_features_from_file('out_sift_2.txt')
subplot(122)
sift.plot_features(im2, l2, circle=False)

#matches = sift.match(d1, d2)
matches = sift.match_twosided(d1, d2)
print ('{} matches'.format(len(matches.nonzero()[0])))

figure()
gray()
sift.plot_matches(im1, im2, l1, l2, matches, show_below=True)
show()

当匹配点过多，系统会报错，这时候需要更多的图片：

Bag-of-features基础流程

1、 特征提取

2、 学习 “视觉词典（visual vocabulary）”

这一步的流程是通过K-means算法找到聚类中心：
K-means聚类算法实现visual vocabulary/codebook的关键
其中，聚类算法获得的聚类中心作为codevector（视觉单词&#x