词袋模型 matlab,视觉词袋模型BOW学习笔记及matlab编程实现

2.https://wenku.baidu.com/view/7782de2fc281e53a5902ff03.html

为什么要用BOW模型描述图像

SIFT特征虽然也能描述一幅图像，但是每个SIFT矢量都是128维的，而且一幅图像通常都包含成百上千个SIFT矢量，在进行相似度计算时，这个计算量是非常大的，通行的做法是用聚类算法对这些矢量数据进行聚类，然后用聚类中的一个簇代表BOW中的一个视觉词，将同一幅图像的SIFT矢量映射到视觉词序列生成码本，这样每一幅图像只用一个码本矢量来描述，这样计算相似度时效率就大大提高了

构建BOW码本步骤

假设训练集有M幅图像，对训练图象集进行预处理。包括图像增强，分割，图像统一格式，统一规格等等。

提取SIFT特征。对每一幅图像提取SIFT特征(每一幅图像提取多少个SIFT特征不定)。每一个SIFT特征用一个128维的描述子矢量表示，假设M幅图像共提取出N个SIFT特征。

用

K-means对2中提取的N个SIFT特征进行聚类，K-Means算法是一种基于样本间相似性度量的间接聚类方法，此算法以K为参数，把N个对象分为

K个簇，以使簇内具有较高的相似度，而簇间相似度较低。聚类中心有k个(在BOW模型中聚类中心我们称它们为视觉词)，码本的长度也就为k，计算每一幅图

像的每一个SIFT特征到这k个视觉词的距离，并将其映射到距离最近的视觉词中(即将该视觉词的对应词频+1)。完成这一步后，每一幅图像就变成了一个与

视觉词序列相对应的词频矢量。

构造码本。码本矢量归一化因为每一幅图像的SIFT特征个数不定，所以需要归一化。也就是说ÿ