Bag of Visual Words (Bag of Features)
采用k -means 聚类方法对所提取的大量特征进行无监督聚类，将具有相似性较强的特征归入到一个聚类类别里，定义每个聚类的中心即为图像的”单词”，聚类类别的数量即为整个视觉词典的大小。这样，每个 图像就可以由一系列具有代表性的视觉单词来表示， 在得到每类图像的视觉单词袋表示之后，便可以应用这些视觉单词来构造视觉词典，然后对待分类图像进行同样方法的特征提取和描述，最后将这些特征对应到视觉词典库中进行匹配，去寻找每个特征所对应的最相似的视觉单词，得到直方图统计表示，然后应用分类器进行分类。这样就将应用于文档处理的BOW模型思想成功地移植到了图像处理领域。
Steps:
- Feature extraction 特征提取
- Learn “visual vocabulary” 学习”视觉词汇
- Quantize features using visual vocabulary 使用视觉词汇量化特征
- Represent images by frequencies of “visual words” 用”视觉单词”的频率表示图像
; Feature extraction 局部特征提取
通过分割、密集或随机采集、关键点或稳定区域、 显著区域等方式使图像形成不同的patches，并获得各patches处的特征。
利用SIFT算法，从每类图像中提取视觉词汇，将所有的视觉词汇集合在一起，如下图所示：
Learning the visual vocabulary
利用K-Means算法构造单词表。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。SIFT提取的视觉 词汇向量之间根据距离的远近，可以利用K-Means算法将词义相近 的词汇合并，作为单词表中的基础词汇，假定我们将K设为4，
; Quantize features using visual vocabulary
利用单词表的中词汇表示图像。利用SIFT算法，可以从每幅图像中提取很多个特征点，这些特征点都可以用单词表中的单词近似代替， 通过统计单词表中每个单词在图像中出现的次数，可以将图像表示成为一个K=4维数值向量。
Represent images by frequencies of “visual words”
[TencentCloudSDKException] code:FailedOperation.ServiceIsolate message:service is stopped due to arrears, please recharge your account in Tencent Cloud requestId:a25ae252-3617-49be-9cb6-b956ccc1e572
[En]
[TencentCloudSDKException] code:FailedOperation.ServiceIsolate message:service is stopped due to arrears, please recharge your account in Tencent Cloud requestId:382687bc-8a04-471e-a2f2-9b28b105a813
人脸： [3,30,3,20]
自行车：[20,3,3,2]
吉他： [8,12,32,7]
; Multi-Layer Neural Networks
Original: https://blog.csdn.net/myooooou/article/details/126769164
Author: myooooou
Title: week5 Bag of Visual Words (Bag of Features)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/563223/
转载文章受原作者版权保护。转载请注明原作者出处！