词袋模型和空间金字塔模型

1 词袋模型

李菲菲认为图像可以类比文档，图像的子块或特征点可以看作是单词，则可以统计图像中所有特征的直方图表示图像，即得到图像的BoW(bag of words)模型。图1是BoW模型的示例图，对于已经获得的视觉码本，统计新的图像在各个子块上的直方图，例如人像中直方图最大的是人眼和皮肤，自行车中直方图突出的是车座。通过直方图的映射，可以简单有效的获得图像的特征描述。

bow模型的构建主要包括：特征提取、生成码本、统计直方图三个步骤，算法流程如图2所示。

（1）特征提取：对训练集中的每一张图片提取特征，常见如SIFT特征，获得M张图片共计N个特征向量。

（2）生成码本：对训练集中获得的特征进行聚类，如使用K-means算法将训练特征集合聚成K个簇，每一个簇代表一类相似的特征（即一个视觉单词），构造K个视觉词典的码本。对于字典的详细描述，可见我的另一篇博客：稀疏编码及字典学习。