在一般圖像處理中常用的幾種特征有：
SIFT、SURF靠闭、ORB帐我、OpponentColor
對一張圖片，其存在以上幾類不同的特征點阎毅，這些特征點具有尺度不變性焚刚，所以放大縮小或者旋轉(zhuǎn)，都不影響特征點的匹配扇调。
因此矿咕，我們可以認為
將訓(xùn)練集中一張圖片上的所有相應(yīng)特征提取出來，進行分類學(xué)習(xí)狼钮。那么對于測試集合中的圖片碳柱，我們可以根據(jù)其中所有的特征點屬于某一類的概率，計算出這張圖片最有可能屬于的類熬芜。
但是莲镣，這樣的做法確是低效的，而且效果不良好的涎拉。
主要原因有（不妨假定瑞侮，我們現(xiàn)在提取的是SIFT特征）：
- 每張圖片都有成千個SIFT特征，因此1000張的測試圖片提取出來的特征向量可能有超過1e6個鼓拧。數(shù)據(jù)量過于龐大半火。
- 每張圖片中本身存在一些實際上為噪音的特征點。比如季俩，背景上的SIFT特征钮糖，對于我們的分類本身屬于一定程度的干擾，當(dāng)然我們可以對SIFT特征進行一些篩選酌住。
- 每張圖片能提取出的SIFT特征數(shù)目與圖片的大小有關(guān)店归。在實際測試中，比較大的圖片上酪我，比如fruits等等類的圖片可以有幾千個特征點消痛，而bear類因為每張圖片比較小只有幾百個特征點。這樣會導(dǎo)致訓(xùn)練數(shù)據(jù)的失衡都哭。（此處的SIFT特征還沒有篩選）
針對上述問題肄满，我們使用的是bag-of-words的方法來對每張圖片提取特征谴古。其主要的思路如下：
（1）依然是對每張圖片提取其特征點，比如提取了SIFT特征點
（2）對所有圖片的所有的SIFT特征點稠歉，整體進行kmeans聚類掰担，將詞劃分成多個不同的類，類的個數(shù)定義為wordCount怒炸。
（3）對每張圖片带饱，計算不同的類的SIFT特征的個數(shù)，對應(yīng)所要得到的特征向量中的一個維度阅羹。則我們可以對每張圖片生成一個wordCount維的向量勺疼。
形象的理解bag-of-words可以這么看。
比如對于兩張狗的照片：
它們兩個是不同的捏鱼。如果把眼睛部分截取出來执庐，作為一個單詞，相似度就會很高导梆。而這兩點相似度很高的局部轨淌，對應(yīng)的SIFT特征也是很高的匹配度的。
對所有的狗來講看尼，可能每個與dog eye這個詞有關(guān)SIFT特征都會出現(xiàn)一次或者多次递鹉，而在其他類里面很可能這個詞有關(guān)的特征就不會出現(xiàn)。
所以我們可以認為所有的SIFT特征是可以劃分出不同的類的藏斩，也就是不同的詞（比如dog eye）躏结，這些被劃分出來的詞在不同的類中的出現(xiàn)頻率是不一樣的。而這個分類狰域，我們使用kmeans實現(xiàn)媳拴。
那么，比如狗兆览、世界杯屈溉、槍的特征通過聚類，可以被劃分成如下的單詞本拓颓。
則相應(yīng)的语婴，比如dog類在dogeye維度上的頻率就會更高一些描孟，worldcup在football維度上頻率會更高一些驶睦。
最后，使用的是SIFT+BoW模型+線性SVM匿醒，結(jié)果如下：
（截圖here）
其實并沒有那么理想场航，也是在意料之中的，因為對文本來講單詞的順序也許不是那么重要廉羔。但對于圖像來講溉痢，圖像的結(jié)構(gòu)還是很重要的，而我們在從使用SIFT特征開始就已經(jīng)破壞了圖像的結(jié)構(gòu)特征。所以這也是這種方法不能得到完美的原因孩饼。
