Opencv SIFT聚类将SIFT特征（128维向量）转换为词汇表

如何对提取的SIFT描述符进行聚类。进行聚类的目的是将其用于分类。

通常用于获得k个中心，您可以将每个图像更改为k的向量（每个维度表示该聚类中有多少个面片）。

方法：

• 首先，为每个图像/对象计算

  筛选描述符

  ，然后

  将该描述符推回

  为单个图像（让我们称该图像为

  Mat Features SunClustered

  ）

• 之后，您的任务是将所有描述符聚集到一定数量的组/簇中（由您决定）。这就是你的词汇量/字典的大小

  int dictionarySize=200
  

• 最后是对它们进行聚类的步骤

  //define Term Criteria
  TermCriteria tc(CV_TERMCRIT_ITER,100,0.001);
  
  //retries number
  int retries=1;
  
  //necessary flags
  int flags=KMEANS_PP_CENTERS;
  
  //Create the BoW (or BoF) trainer
  BOWKMeansTrainer bowTrainer(dictionarySize,tc,retries,flags);
  
  //cluster the feature vectors
  Mat dictionary=bowTrainer.cluster(featuresUnclustered);    
  

---

对于集群，将N*128维（N是每个图像中描述符的数量）转换为M*128维（所有图像中描述符的数量为M）的数组。并在此数据上执行群集

例如：

---

好的，如何表示集群的描述符，我知道描述符是128特性。因此，如何为一个对象/图像表示它们，您将得到一个描述符，它只不过是一个具有一行和128列的图像。因此，如果您使用50个图像，那么您将有50个这样的图像（即一行128列）。现在，您将所有这些行放在一个单独的图像中，该图像在上面的示例中显示为sunclustered。

def dict2numpy(dict):
    nkeys = len(dict)
    array = zeros((nkeys * PRE_ALLOCATION_BUFFER, 128))
    pivot = 0
    for key in dict.keys():
        value = dict[key]
        nelements = value.shape[0]
        while pivot + nelements > array.shape[0]:
            padding = zeros_like(array)
            array = vstack((array, padding))
        array[pivot:pivot + nelements] = value
        pivot += nelements
    array = resize(array, (pivot, 128))
    return array

all_features_array = dict2numpy(all_features)
nfeatures = all_features_array.shape[0]
nclusters = 100
codebook, distortion = vq.kmeans(all_features_array,
                                         nclusters)