c++获取图像在直方图_图像的稀疏表示BoW、SPM、ScSPM和LLC介绍

引言

首先介绍一下写这篇文章的背景，最近在看视频无监督的paper，无监督最早采用特征提取+聚类的模型，其中一篇提到了利用LLC进行快速聚类，所以了解了一下图像的稀疏表示。

图像的稀疏表示方法经历了ScPM到LLC的发展历程，但是他们两者是建立在对BoW和SPM的修改上，因此本文将后者也纳入稀疏表示的范畴。

需要注意的是，图像的稀疏表示的表述或许有些歧义，因为这些方法探讨或者研究的不是特征的提取方法，而是如果利用提取的特征更好地表征一个图像，进一步用来做图像的相似度匹配或者图像检索。

稀疏表示

BoW

Bag Of Word（词袋）模型，是现在一种用于图像检索的一种方法。它最早用于对于文章内容的检索，原理是将文本看作是单词的集合，通过建立词典，对每个单词出现次数进行统计，以便得到文本内容的分类。计算机视觉研究从中获得灵感，将其用于图像的检索中，就有了Bag Of Features（原理类似Bag of word)。

具体而言，其分为以下步骤：

• 特征提取：将图像看成一个由各种图像块组成的集合，通过特征提取，获得图像的关键图像特征：

• 学习“视觉词典”（visual vocabulary）：获得了多张图像的特征之后，这些特征并没有通过分类处理，其中有的特征点之间是极其相似，所以这一步骤通过K-means聚类算法，将我们提取出来的特征点进行分类处理。聚类是学习视觉词典的重点操作。将聚类出来的聚类中心称为视觉单词（codevector）。而将视觉单词组成的集合称为视觉词典/码本（codebook）。
• 对输入特征集进行量化：将输入的特征集合，映射到上一步做来的码本之中。通过计算输入特征到视觉单词的距离，然后将其映射到距离最近的视觉单词中，并计数。
• 把输入图像转化成视觉单词（ visual words）的频率直方图：这一步骤通过对图像特征提取，然后将提取出来的特征点，根据第三步，转换为频率直方图。如图所示