OpenCV 聚类词袋 K-Means

Question

将SIFT Detector 和Extractor 与FlannBased Matcher 一起使用，并为BOWKMeansTrainer 设置Dictionary，如下所示：

TermCriteria termCrit(CV_TERMCRIT_ITER, 100, 0.001);
int dictionarySize = 15; // -- Same as number of images given in
int retries = 1;
int flags = KMEANS_PP_CENTERS;

BOWKMeansTrainer trainBowTrainer(dictionarySize, termCrit, retries, flags);

Clustered Extracted Keypoints 的数组大小将为[128 x 15]。

然后，当在一组不同的 15 个图像上使用 BOWImgDescriptorExtractor 作为 Extractor 时，之前提取的数组作为它的 Vocabulary，数组出现在 [15 x 15]。

为什么？

我无法找到关于这一切实际如何运作的太多信息，而只是将它放在哪里以及赋予什么价值。

Answer 1

如果您有n 图像和k=15，则结果应始终为[n x 15]。

但在第一次运行中，您查看的是词汇表，而不是第一张图像的特征表示。您看到的128 是 SIFT 维度；这些是 15 个“典型”的 SIFT 向量；它们不是对您的图片的描述。

您需要阅读 BoW 模型，以及为什么结果应该是每个图像的长度为 k 的向量（可能是稀疏的，即有许多 0）。我的印象是您希望这种方法为每张图像生成一个 128 维特征向量。另外，k=15 可能太小了；而且训练数据集也太小了。