用于图像分类的空间金字塔匹配（SPM）池化模型

论文：Beyond Bags of Features: Spatial Pyramid Matching for Recognizing Natural Scene Categories

代码：http://web.engr.illinois.edu/~slazebni/

输入：训练图像集

步骤：
（1）：训练词袋模型
1，对所有的训练图像提取SIFT特征
2，对提取的SIFT特征使用kmeans算法得到M个聚类中心
3，将每张训练图像的SIFT特征通过第2步得到的kmeans模型进行聚类，将SIFT特征分为k个簇
4，根据SIFT特征的簇种类对每张图像的SIFT特征进行标注
（2）：图像空间金字塔特征表示
1，第L层：将图像均匀划分为2^(2*L)个细胞cell，对每个细胞的每个簇统计个数，将每一个簇的所有细胞的统计数值归为一个bins=细胞数的直方图，每个bins存放一个细胞属于该簇的SIFT个数
2，第L-1层：将图像均匀划分为2^(2*(L-1))个细胞cell，对每个细胞的每个簇统计个数，将每一个簇的所有细胞的统计数值归为一个bins=细胞数的直方图，每个bins存放一个细胞属于该簇的SIFT个     数
3，依次类推，直到细胞大小为整张图像，即为0层
4，高层是精细划分，低层是粗糙划分，所以权重公式为：w = 1/(2^(L-l))，L代表最大层数，l代表当前层，实验中，为了归一化，将第一层与第0层的权重都设为1/4，将每个层得到的直方图与该层     权重相乘

5，将相乘后的直方图特征，按层数由高到低拼接在一起，变为空间金字塔特征

6,对特征进行归一化

（3）：计算两张图片相似度
1，对要比较的两张图片求出它们的空间金字塔特征
2，第L层：比较它们的该层直方图的每一维，然后将所有维的较小值全部加起来，得到L(L)
3，第L-1层：比较它们的该层直方图的每一维，然后将所有维的较小值全部加起来，再减去上一层的结果L(L)，得到这一层的结果L(L-1)
4，依次类推，直到0层
5，再将所有层的结果按相应层的权重相乘，求和，得到这两张图片的相似度比较


分类问题：
将不同类的空间金字塔特征使用SVM分类器找出分类超平面


代码示例：
运行example

得到5*5的K相似度矩阵，对images下面的5张图像的相似度进行计算