轉載自https://blog.csdn.net/u010213393/article/details/40987945
BoW模型
Bag-of-words model (BoW model) 最早出現在自然語言處理（Natural Language Processing）和資訊檢索（Information Retrieval）領域.。該模型忽略掉文本的文法和語序等要素，将其僅僅看作是若幹個詞彙的集合，文檔中每個單詞的出現都是獨立的。BoW使用一組無序的單詞(words)來表達一段文字或一個文檔.。近年來，BoW模型被廣泛應用于計算機視覺中。
基于文本的BoW模型的一個簡單例子如下：
首先給出兩個簡單的文本文檔如下：
John likes to watch movies. Mary likes too.
John also likes to watch football games.
基于上述兩個文檔中出現的單詞，建構如下一個詞典 (dictionary)：
{"John": 1, "likes": 2,"to": 3, "watch": 4, "movies": 5,"also": 6, "football": 7, "games": 8,"Mary": 9, "too": 10}
上面的詞典中包含10個單詞, 每個單詞有唯一的索引, 那麼每個文本我們可以使用一個10維的向量來表示。如下：
[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]
[1, 1,1, 1, 0, 1, 1, 1, 0, 0]
該向量與原來文本中單詞出現的順序沒有關系，而是詞典中每個單詞在文本中出現的頻率。
BoW模型用于圖像分類
2004年Gabriella Csurka、Christopher R. Dance等人基于詞袋模型提出了一種圖像的分類方法--Bag of Keypoints。圖像中的單詞(words)被定義為一個圖像塊(image patch)的特征向量(feature vector)，圖像的BoW模型即 “圖像中所有圖像塊的特征向量得到的直方圖”。
關于BoW模型用于圖像分類提取特征直方圖包含以下幾個步驟：
1 特征提取
提取訓練樣本圖像塊中的特征向量，提取特征向量的方法可以使SIFT、SUFR等。該步驟生成的圖像特征的描述子應該具有不變性對于光照的的變化、變形、碰撞等。
圖1表示一幅通過SURF方法提取的特征點圖像。
圖1 SURF方法檢測特征點
2 建構詞典（Vocabulary）
通過上步的特征提取，我們得到了所有訓練樣本圖像中的特征。比如有N張訓練圖檔，使用SIFT方法提取圖像特征，我們最終将得到
個特征點。接下來我們将使用NF個特征點建構詞典，建構詞典過程需要使用一些聚類算法，通常選用k-means方法。首先選取n個聚類中心，通過疊代算法算出最終的n個聚類中心。
圖2為K均值聚類示意圖。其中菱形、圓形、長方形、五邊形代表四個類（由黃色圓框分别包圍），通過K均值聚類算法後，将形成4個新的聚類中心，如圖2中4個藍色實心原點表示。
圖2 K均值聚類示意圖
n個聚類中心即我們建構的詞典，以後每來一個新的特征點，都将該新特征點映射到n個聚類中心中的一個。
3 計算圖像特征直方圖
通過K均值聚類算法後，得到n個新的聚類中心，即得到了特征直方圖的一個基，如圖3所示。
圖3 特征直方圖的基
接下來我們将圖像的特征點聚類到n個已經生成的詞典（即n個聚類中心）中，并且統計落入每個詞典中的特征點的個數。這樣我們可以得到一幅圖像的特征直方圖。
不同類别的特征直方圖不一樣，圖4表示類1的特征直方圖，圖5表示類2的特征直方圖，圖6是一幅真實圖像的特征直方圖。
圖4 類1的特征直方圖
圖5 類2的特征直方圖
圖6 真實圖像的特征直方圖
上面是關于Bow用于圖像分類提取特征直方圖的基本方法，關于BOW模型用于圖像分類，使用SVM訓練請看下篇博文！
如有不正确希望多多包涵，歡迎指出共同交流學習。
Surf和Sift特征提取代碼下載下傳位址http://download.csdn.net/detail/u010213393/8159185