如何在opencv中为单词包使用筛选功能？

我读过很多关于在使用图像的sift特性后实现单词包的文章，但我仍然不知道下一步该怎么做。我具体做什么

提前非常感谢您的指导

这是我到目前为止掌握的代码

cv::Mat mat_img = cropped.clone();
Mat grayForML;
cvtColor(mat_img, grayForML, CV_BGR2GRAY);
IplImage grayImageForML = grayForML.operator IplImage();


//create another copy of iplGray
IplImage *input = cvCloneImage(&grayImageForML);
Mat matInput = cvarrToMat(input);
//  Mat matInput = copy_gray.clone();
cv::SiftFeatureDetector detector;
std::vector<cv::KeyPoint> keyPoints;
detector.detect(input, keyPoints);
//add results to image and save.
cv::Mat output;
cv::drawKeypoints(input, keyPoints, output);    //SIFT OUTPUT RESULT


//resize and display
cv::Mat output_reduced;
cv::resize(output, output_reduced, cv::Size2i(output.cols / 2, output.rows / 2));


imshow("SIFT result", output_reduced);

cv:：Mat Mat_img=cropped.clone（）；
灰毡；
CVT颜色（材质、颜色、颜色）；
IplImage grayImageForML=grayForML.operator IplImage（）；
//创建iplGray的另一个副本
IplImage*input=cvCloneImage（&grayImageForML）；
Mat matInput=cvarrToMat（输入）；
//Mat matInput=copy_gray.clone（）；
cv:：SiftFeatureDetector检测器；
向量关键点；
检测器。检测（输入、关键点）；
//将结果添加到图像并保存。
cv：：Mat输出；
cv:：drawKeypoints（输入、关键点、输出）//筛选输出结果
//调整大小并显示
cv：：Mat输出减少；
cv:：resize（输出，输出减少，cv:：Size2i（output.cols/2，output.rows/2））；
imshow（“筛选结果”，输出减少）；

培训一袋单词系统如下所示：

计算训练集的每个图像的特征

将这些功能组合在一起

用具有该簇中的功能的图像标记每个簇

此时，培训已经完成，您可以从以下测试开始：

计算测试图像的特征

对于每个特征，查找最近的簇

为属于此群集的每个训练图像添加一个勾号

对测试图像的所有特征重复此操作

具有最高刻度数的图像是最佳匹配，具有第二高刻度数的图像是次最佳匹配，依此类推

---

正如您所注意到的，使用SIFT没有任何限制。您可以尝试不同的特征提取器和描述符。

对于步骤1，是否可以从图像计数中获得SIFT关键点？@lionking是的，您可以使用SIFT。。我的建议是，您构建整个管道，然后使用不同的特征提取器进行实验。对于#2，您可以使用k-means聚类之类的算法来形成训练特征的集群。谢谢你的建议。我将开始试验SIFT。请原谅我的婴儿谈话，我真的是新的图像分类。通过#2，我可以通过将它们放在单独的yml中来对它们的特性进行集群？例如，banana.xml将包含banana的所有功能，而rice.xml将包含rice的所有功能？我很愿意相信我已经完成了60%。我发现了这个教程，它也非常有用！我调整了一些部分以适应我的项目，并且我能够成功地计算图像的描述符。根据本教程，该描述符可用于将图像分类为几个类。您可以使用SVM或任何其他分类器来检查该描述符的识别能力和鲁棒性。