Bag of features 图像特征词典原理及实现
一，原理及流程介绍
1.基于内容的图像检索
在大型图像数据库上，CBIR技术用于检索在视觉上具有相似性的图像。这样返回的图像可以是颜色相似，纹理相似，图像中的物体或场景相似；总之，基本上可以是这些图像自身共有的任何信息。
对于高层查询，比如寻找相似物体，将查询图像与数据库中所有的图像进行完全比较（比如用特征匹配）往往是不可行的。在数据库很大的情况下，这样的查询方式，会耗费过多的时间。在过去的几年时间里，研究者成功地引入了文本挖掘技术到CBIR中处理问题，使在百万图像中搜索具有相似内容的图像成为可能。
2.视觉单词
为了将文本挖掘技术应用到图像中，我们首先需要建立视觉等效单词；这通常可以采用SIFT局部描述子可以做到。它的思想是将描述子空间量化成一些典型实例，并将图像中的每个描述子指派到其中的某个实例中。这些典型实例可以通过分析训练图像集确定，并被视为视觉单词。所有这些视觉单词构成的集合称为视觉词汇。从一个图像集中提取特征描述子，利用一些聚类算法可以构建出视觉单词。聚类算法中最常用的是K-means。视觉单词是在给定特征描述子空间中的一组向量集，在采用K-means进行聚类时得到的视觉单词是聚类质心。用视觉单词直方图来表示图像，则该模型便称为BOW模型。
3.特征提取
特征提取就是通过我们常用的sifi方法，提取图像的特征。
4. 针对输入特征集，根据视觉词典进行量化
对于输入特征，量化的过程是将该特征映射到距离其最接近的视觉单词，并实现计数。
5. 把输入图像，根据TF-IDF转化成视觉单词（visual words）的频率直方图
6.构造特征到图像的倒排表，通过倒排表快速索引相关图像
7.根据索引结果进行直方图匹配
二，代码及结果实现
实验代码如下图所示：
在文件中生成vocabulary.pkl文件，遍历所有的图像，将它们的特征投影到词汇并提交到数据库
实验结果如图所示：
三，实验中出现的问题
解决方法：重新更换及安装pvc包
