如何使用 SIFT 和 SVM 实现通用图像分类器

Question

我想用 scikit-learn 训练我的 svm 分类器进行图像分类。 而我想使用opencv-python的SIFT算法函数来提取图像特征。情况如下：

1. scikit-learn的svm分类器的输入是一个二维数组，也就是说每一行代表一张图片，每张图片的特征量是一样的；here
2. opencv-python 的 SIFT 算法返回一个关键点列表，它是一个形状为 的 numpy 数组。 here
所以我的问题是：
我如何处理 SIFT 特征以适应 SVM 分类器的输入？你能帮帮我吗？

更新1：

感谢 pyan 的建议，我已将我的建议修改如下：
1. 从每张图像中获取 SIFT 特征向量
2. 对所有向量执行 k-means 聚类
3. 基于集群中心创建特征字典，又名食谱
4.根据特征字典重新表示每张图片，当然每张图片的维数是一样的
5. 训练我的 SVM 分类器并对其进行评估

更新2：

我已经将所有图像 SIFT 特征向量收集到一个数组（x * 128）中，这个数组太大了，然后我需要对其进行聚类。
问题是：
如果我使用 k-means ，必须设置参数簇数，我不知道如何设置最佳值；如果我不使用 k-means，哪种算法可能适合这个？
note:I want to use scikit-learn to perform clustering

我的建议是：
1.对向量进行dbscan聚类，得到label_size和labels；
2. 因为scikit-learn中的dbscan不能用于预测，所以我可以根据dbscan结果训练一个新的分类器A；
3. 分类器 A 就像一本食谱，我可以标记每个图像的 SIFT 向量。之后，每个图像都可以重新表示；
4.基于以上工作，我可以训练我的最终分类器B。
note:for predict a new image, its SIFT vectors must be transform by classifier A into the vector as classifier B's input

你能给我一些建议吗？

Answer 1

图像分类可以很笼统。为了定义好的特性，首先你需要明确你想要什么样的输出。例如，图像可以根据其中的场景分为自然视图、城市视图、室内视图等。不同类型的分类可能需要不同类型的特征。

计算机视觉中用于基于关键字的图像分类的常用方法是词袋（特征袋装）或字典学习。您可以进行文献检索以熟悉该主题。在您的情况下，基本思想是将 SIFT 特征分组到不同的集群中。与其直接给scikit-learn 输入SIFT 特征，不如给出特征组频率的向量作为输入。所以每张图片都会用一个一维向量来表示。

来自维基百科的简短介绍Bag-of-words model in computer vision