matlabsift和svm_SIFT的空间金字塔匹配(SPM)然后输入到C中的SVM

我试图使用C和OpenCV将脑肿瘤的MRI图像分类为良性和恶性.我计划在使用kmeans聚类SIFT描述符后使用词袋(BoW)方法.意思是,我将每个图像表示为直方图,其中包含x轴的整个“代码簿”/字典及其在y轴图像中的出现次数.这些直方图将成为我的SVM(带RBF内核)分类器的输入.

然而,使用BoW的缺点是它忽略了图像中描述符的空间信息.有人建议使用SPM代替.我读到了它并遇到了this link,给出了以下步骤：

Compute K visual words from the training set and map all local features to its visual word.

For each image, initialize K multi-resolution coordinate histograms to zero. Each coordinate histogram consist of L levels and each level

i has 4^i cells that evenly partition the current image.

For each local feature (let’s say its visual word ID is k) in this image, pick out the k-th coordinate histogram, and then accumulate one

count to each of the L corresponding cells in this histogram,

according to the coordinate of the local feature. The L cells are

cells where the local feature falls in in L different resolutions.

Concatenate the K multi-resolution coordinate histograms to form a final “long” histogram of the image. When concatenating, the k-th

histogram is weighted by the probability of the k-th visual word.

To compute the kernel value over two images, sum up all the cells of the intersection of their “long” histograms.

现在,我有以下问题：

>什么是坐标直方图？直方图是否只显示x轴中每个分组的计数？它将如何提供有关点坐标的信息？

>我如何计算第k个视觉词的概率？

>我会得到什么样的“核心价值”？我如何将其用作SVM的输入？如果我理解正确,核心值是在测试阶段使用而不是在训练阶段吗？如果是,那我将如何训练我的SVM？

>或者你认为我不需要为空间信息增加负担,只需坚持正常的BoW来治疗我的情况(良性和恶性肿瘤)？

有人请帮助这个可怜的小本科生.如果你这样做,你将永远感激我.如果您有任何澄清,请不要犹豫.