以sift 128維特徵作為例子。例如現在有1000張訓練，對每一張訓練都提取sift的128維特徵，那麼最終可以得到n(i)*128的特徵，n(i)代表第i張圖特徵點的個數，因為每張影象不一樣，所以每張影象的sift 特徵個數也不一樣。提取特徵後對1000張影象提取出的所有sift特徵進行聚類（目的是為了合併那些相近的特徵，相當於集合的合併操作），常用的聚類方法是k-均值聚類。對以上例子對∑n(i)∑n(i)個特徵選擇1000聚類中心進行聚類，將這1000個聚類中心稱為詞典，這個詞典好比乙個容器，通俗一點就是乙個直方圖的基，利用這個基去統計這些樣本的資訊。
此時已經得到乙個直方圖的基，如下圖：
圖1 直方圖的基，n表示聚類中心個數
這些直方圖的基像是在空間的一些三維空間基向量i,jk,利用這些基向量去構造別的向量，只需要知道特定的係數就行。所以接下來的步驟就是將原始的影象（sifit 128維）向這些基向量作對映，得到相關係數（影象中出現該特徵的個數），如圖：
圖2 兩個類別的直方圖
通過相關的對映，得到不同類別的乙個類別的直方圖統計，這樣整個bow特徵提取過程就算是完全實現了。接下來如何進行匹配，就是選擇分類器的問題了。
分類器可以選擇樸素貝葉斯分類器或svm。有研究表明bow結合svm效果比較好。訓練的時候，將步驟2中得到的相關係數作為輸入，送入到svm分類器中進行訓練。
訓練好分類器後，對於新來的樣本，同樣先提取sift特徵，然後將sift特徵對映到圖1中的詞典中去，然後得到的直方圖就可以通過分類器進行分類了。
圖3 新的bow直方圖特徵。
opencv3計算機視覺 Python（四）
在opencv中，實現了grabcut分割演算法，該演算法可以方便的分割出前景影象，操作簡單，而且分割的效果很好。演算法的原理參見papaer grabcut interactive foreground extraction using iterated graph cuts 比如下面的一副圖，我...
OpenCV3計算機視覺 python 二
當前，在計算機視覺中有三種常用的色彩空間 灰度 bgr以及hsv 1.灰度色彩空間是通過去除彩色資訊來將其轉換為灰階，灰度色彩空間對中間處理特別有效，比如人臉檢測 2.bgr,即藍綠紅色彩空間，每乙個畫素點都由乙個三元組來表示 3.hsv,h hue 是色調，s saturation 是飽和度，v ...
OpenCV 3計算機視覺（Canny邊緣檢測）
函式原型 edge cv2.canny image,threshold1,threshold2 edges aperturesize l2gradient 第乙個引數是待處理的原影象該函式會將影象處理成黑白，第二個引數是閾值1，第三個引數是閾值三 例如影象調整中的閾值就像一把尺子，它讓高於這把尺子的...