bag of words model 应用于图像

本文记录bag of words（BOW）在图像中的应用相关思路。

1. 简介

bag of words是文档的一种建模方法，它可以把一个文档表示成向量数据，从而使计算机处理文档数据更加方便。

wiki的例子很清晰的描述了BOW对一个文档建模的过程。

http://en.wikipedia.org/wiki/Bag-of-words_model

现有如下两个文档：

John likes to watch movies. Mary likes movies too.

John also likes to watch football games.

把文档中的单词抽取出来，可以构成一个单词表：

{
    "John": 1,
    "likes": 2,
    "to": 3,
    "watch": 4,
    "movies": 5,
    "also": 6,
    "football": 7,
    "games": 8,
    "Mary": 9,
    "too": 10
}

这个单词表中有10个不同的词，根据单词表中每个词的索引号，可以把两个文档表示成如下的两个含有10个元素的向量：

[1, 2, 1, 1, 2, 0, 0, 0, 1, 1]
[1, 1, 1, 1, 0, 1, 1, 1, 0, 0]

其中，元素值代表其索引号在单词表中对应的词在文档中出现的次数。比如第一个文档对应的向量，前两个元素值为1和2，1代表“John”在该文档中的出现1次，2代表“likes”在该文档中出现2次。

这样的建模，只提取了单词，忽略了语法和语序，等于把单词一个一个放进一个袋子里，所以是词袋模型。

2, BOW在图像中的应用

此部分描述参考文章：http://blog.sina.com.cn/s/blog_65f81ec601012sd5.html

要应用到图像中，我们要把一幅图看成一个文档，图片分割成的patch对应的sift特征看成单词。所以首先要做的是单词表的构造。

用人脸，自行车，和吉他，三张图片举例。

主要有以下3步：

            1）把图像分割成一个个patch，并对每个patch的中心点计算sift特征。sift算法可以提取图像中的局部不变特征，这一步是做dense sift.

            2）利用kmeans算法，将这些patch的中心点的sift特征聚成为k个类，用这k个聚类中心来构造单词表。因为一幅图像中能提取出成千上万个sift向量，而每个sift向量是128维的，为了减小计算量，需要对这些sift向量做聚类，把相似的patch合并，取聚类中心作代表，构造单词表。

   

           以上的众多patch中可以看到有一些是相似的，设定k=4，则聚类后的单词表如下：

        

            3）利用单词表表示每幅图像，则每幅图像被表示成了一个与词序列相对应的词频向量（k维的）。

       

              人脸图：[3,30,3,20]                                     自行车图：[20,3,3,2]                                   吉他图：[8,12,32,7]

其他参考资料：

http://en.wikipedia.org/wiki/Bag-of-words_model_in_computer_vision

http://www.douban.com/note/310140053/

http://blog.csdn.net/pupu_2009/article/details/6427222