5

我已经阅读了很多关于在对图像进行筛选特征后实现词袋的文章，但我仍然对下一步该做什么感到困惑。我具体做什么？

非常感谢您的指导。

这是我到目前为止的代码。

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);
4

1 回答 1

5

训练词袋系统如下：

  1. 计算训练集的每个图像的特征
  2. 对这些特征进行聚类
  3. 使用在该集群中具有特征的图像标记每个集群

至此，训练完成，您可以开始测试，如下所示：

  1. 计算测试图像的特征
  2. 对于每个特征，找到最近的集群
  3. 为属于该集群的每个训练图像添加一个刻度
  4. 对测试图像的所有特征重复
  5. 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佳匹配，依此类推

如您所见，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。

于 2015-06-19T01:44:26.023 回答