BOF图像特征词典的原理以及实际测试

BOF算法原理

BOF介绍

BOF（Bag of features），即图像特征词典。
Bag of Feature 是一种图像特征提取方法，它借鉴了文本分类的思路（Bag of Words），从图像抽象出很多具有代表性的「关键词」，形成一个字典，再统计每张图片中出现的「关键词」数量，得到图片的特征向量。
「Bag of Feature」的本质是提出一种图像的特征表示方法。
根据「Bag of Feature」算法的思想，首先我们要找到图像中的关键词，而且这些关键词必须具备较高的区分度。实际过程中，通常会采用「SIFT」特征。

Bag of Feature 算法过程

「Bag of Feature」大概分为四步：
1、 提取图像特征
2、 对特征进行聚类，得到一部字典（ visual vocabulary ）；
3、 根据字典将图片表示成向量（直方图）；
4、 训练分类器或者用 KNN 进行检索（这一步严格来讲不属于「Bag of Feature」的范畴）。

BOF过程浅析

1、提取图像特征
首先特征提取。前文提到了，是要利用sift特征提取方法。
2、学习“视觉词典”
得到图像特征后进行聚类，得到视觉词典

3、根据特征集进行量化
针对输入特征集，根据视觉词典进行量化

BOF算法测试

测试数据集1

首