C++ OpenCV4弓和x2B；SIFT-步骤和语法

我有一个问题，了解如何使用筛弓（袋（视觉）的话）。 假设我有一个包含100幅图像的训练数据集，50幅0类图像和50幅1类图像。我也有培训标签。还有一个混合测试集图像

步骤1）我创建了一个SIFT检测器，它在训练图像中检测关键点并计算关键点的描述符

步骤2）我使用BowKmeanFilter对描述符进行聚类并获取字典。BowKMeanFilter的构造函数将参数

clusterCount

设置为2，因为我的数据有两个类，我想要两个包？是否有可能通过标签将样本分开，因为我知道哪些图像应该属于哪个集群。 当我对描述符进行聚类时，会得到一个2x128大小的矩阵

步骤3）我实例化一个BOWImgDescriptorExtractor对象来计算测试图像的描述符

步骤4）然后我用字典训练Knn，并用测试图像中的描述符对其进行测试

我最大的问题是：如何处理具有多个类的数据集？如何使用创建的字典和testDescriptor进行最终预测

    // step 1
    int dataSetSize = trainingImages.size();
    vector<KeyPoint> keypoints;
    Mat descriptor;
    Mat descriptorCollection;
    Ptr<SIFT> detector = SIFT::create();

    for(int i=0; i<dataSetSize; i++){
        detector->detect(trainingImages[i], keypoints);
        detector->compute(trainingImages[i], keypoints,descriptor);
        descriptorCollection.push_back(descriptor);
    }

    // step 2
    int dictionarySize=2;
    BOWKMeansTrainer bowkTrainer(dictionarySize);
    Mat dictionary=bowkTrainer.cluster(descriptorCollection);

    // step 3
    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::FLANNBASED);
    Ptr<FeatureDetector> detector = SIFT::create();
    Ptr<DescriptorExtractor> extractor = SIFT::create();

    BOWImgDescriptorExtractor bow(extractor,matcher);
    bow.setVocabulary(dictionary);

    vector<KeyPoint> keypoints;
    detector->detect(testImage,keypoints);
    Mat testDescriptor;
    bow.compute(testImage,keypoints,testDescriptor);

    // step 4
    Ptr<cv::ml::KNearest> knn  =  ml::KNearest::create();
    Mat trainingLabel(Size(1, 50), CV_32F, Scalar(0));
    Mat label2(Size(1, 50), CV_32F, Scalar(1));
    trainingLabel.push_back(label2);
    knn->train(dictionary, ml::ROW_SAMPLE, trainingLabel),

    Mat predMat;
    Mat predRes;
    Mat distance;

    knn->findNearest(testDescriptor, 5, predMat, predRes, distance);

//第一步
int dataSetSize=trainingImages.size（）；
矢量关键点；
Mat描述符；
Mat描述符集合；
Ptr检测器=SIFT:：create（）；
对于（int i=0；idetect（训练图像[i]，关键点）；
检测器->计算（训练图像[i]，关键点，描述符）；
描述符集合。推回（描述符）；
}
//步骤2
int dictionarySize=2；
BowkMean和bowkTrainer（字典化）；
Mat dictionary=bowkTrainer.cluster（描述符集合）；
//步骤3
Ptr matcher=DescriptorMatcher:：create（DescriptorMatcher:：flannbase）；
Ptr检测器=SIFT:：create（）；
Ptr提取器=SIFT:：create（）；
BOWImgDescriptorExtractor bow（提取器、匹配器）；
词汇量（词典）；
矢量关键点；
检测器->检测（测试图像、关键点）；
Mat测试描述符；
compute（testImage、keypoints、testDescriptor）；
//步骤4
Ptr knn=ml:：KNearest:：create（）；
Mat培训标签（尺寸（1,50），CV_32F，标量（0））；
Mat label2（尺寸（1,50），CV_32F，标量（1））；
培训标签。推回（标签2）；
knn->train（字典，ml：：行样本，trainingLabel），
垫前垫；
垫子；
垫距；
knn->findNearest（testDescriptor，5，predMat，predRes，distance）；