opencv 中關於BOW模型的實現以及相關的函式解釋
另外函式的標頭檔案是：#include <opencv2/nonfree/features2d.hpp>，之前的版本是放在#include "opencv2/features2d/features2d.hpp"中的。還是多注意一下吧。image = imread(path); //sift關鍵點檢測 SiftFeatureDetector detector; detector.detect(image, keyPoints); //sift關鍵點描述，角度，強度等 SiftDescriptorExtractor extractor; extractor.compute(image, keyPoints, descriptor);
實現原理：
BOW模型的處理過程：
1.SIFT特徵提取。SIFT 特徵提取是求出影象的關鍵點資訊，包括角度，大小以及強度。關鍵點，也就是能夠代表影象關鍵資訊的部分，這也是Bag of words中單詞的組成。一個影象通常有很多的關鍵點。
2.聚類。我們將每幅影象中的關鍵點資訊新增到詞袋中，並定義聚類中心的數量N。然後將詞袋中的關鍵點通過Kmeans演算法聚類到N個類中。同時得到這N個類的中心點組成N*128的dictionary，每個中心都可以代表這個類。
3.求影象的直方圖。將影象的關鍵點資訊重新放到詞包中，根據落在每個類中關鍵點的數量來得到影象的直方圖，大小為1*N。將每幅影象進行處理，得到影象在BOW模型下的特徵。
4.影象匹配。將測試影象進行相同的處理，同樣也得到1*N的特徵。根據測試影象與訓練影象特徵之間的距離，並將距離較小的影象作為檢索的結果。
實現過程：
OpenCV中已經對步驟中的過程進行了封裝，我們只需要簡單的呼叫就可以。上面的程式碼中我們已經完成了第一步。
第二步和第三步BOW模型的實現，我們可以採用呼叫函式BOWKmeansTrainer進行實現。
int clusterNum =260; //clusterNum代表有多少詞 BOWKMeansTrainer trainer(clusterNum);
同時需要將提取到的SIFT特徵描述新增到trainer中
//descriptor是每幅影象的sift關鍵點描述
trainer.add(descriptor);所有影象的descriptor新增完成後，進行聚類得到dictionary，也就是聚類的中心。
Mat dictionary = trainer.cluster();接下來需要得到每幅影象直方圖。過程如下
Ptr<DescriptorExtractor> extractor = DescriptorExtractor::create("SIFT");
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce");
BOWImgDescriptorExtractor bowDE(extractor, matcher);
bowDE.setVocabulary(dictionary);對每幅影象影象進行如下操作：
Mat BOWdescriptor;
//sift關鍵點檢測
vector<KeyPoint> keyPoints;
SiftFeatureDetector detector;
detector.detect(curImg, keyPoints);
//BOWdecriptor表示每個影象的bow碼本，即直方圖，大小為1*clusterNum
bowDE.compute(curImg, keyPoints, BOWdescriptor);
//歸一化
normalize(BOWdescriptor, BOWdescriptor, 1.0, 0.0, NORM_MINMAX);過程中長的姿勢：
剛開始寫的時候，不知道怎麼求影象的碼本，就不停的翻看OpenCV中關於函式BOWImgDescriptorExtractor：：compute的解釋，剛開始看的是中文解釋，看了很久也沒有看懂，後面找到了英文的註釋，頓時就明白了。看來還是要英語好啊！！！！下面給出英語版的，中文的就算了。。。
BOWImgDescriptorExtractor：：compute
Computes an image descriptor using the set visual vocabulary.
- C++:void BOWImgDescriptorExtractor::compute(const Mat& image, vector<KeyPoint>& keypoints, Mat& imgDescriptor, vector<vector<int>>* pointIdxsOfClusters=0, Mat*descriptors=0 )¶
-
Parameters: - image – Image, for which the descriptor is computed.
- keypoints – Keypoints detected in the input image.
- imgDescriptor – Computed output image descriptor.
- pointIdxsOfClusters – Indices of keypoints that belong to the cluster. This means that pointIdxsOfClusters[i] are keypoint indices that belong to the i -th cluster (word of vocabulary) returned if it is non-zero.
- descriptors – Descriptors of the image keypoints that are returned if they are non-zero.
祝各位身體健康，學習進步。今天看到CSDN大神雷霄驊去世的訊息，十分悲痛！天妒英才啊！！所以大家在學習和工作的時候一定要注意休息，身體是革命的本錢啊！！！