bag of visual word

是由文档分析推广到计算机视觉的，文档分析的词袋的用途，将一篇篇文档看成一个个词汇的集合，统计词汇在字典中出现的次数构成直方图。

 example：  1：Bob likes to play basketball, Jim likes too.

                  2：Bob also likes to play football games.

基于这两个文本文档，构造一个词典：

Dictionary = {1:”Bob”, 2. “like”, 3. “to”, 4. “play”, 5. “basketball”, 6. “also”, 7. “football”, 8. “games”, 9. “Jim”, 10. “too”}。

这个词典一共包含10个不同的单词，利用词典的索引号，上面两个文档每一个都可以用一个10维向量表示（用整数数字0~n（n为正整数）表示某个单词在文档中出现的次数）：1：[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]

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

实现的过程：把M个文档通过某种技术构成N个单词的词典，然后每个文档就用这N个单词来表示，比如某个单词在文档中出现了i次，相应字典中单词的位置就为i，于是文档就转换成一个N维向量。

推广至图像：从M个图像中提取N个视觉词汇构成词典，然后将图片表示成N个向量的矢量。其中构成词典的模型即bag of visual word；

如何构成词典及表示：利用SIFT（是否可以利用其他算法）从多类图像中提取视觉词汇就是对每幅图像计算SIFT特征（n*128，n代表特征点个数），

将所有图像的特征聚合在一起，通过k_means算法聚类成N个集合（簇）构成字典，对于每幅图像计算SIFT特征构成单词，每个单词用字典中相似的代替，统计每个SIFT特征在字典中出现的次数，构成直方图。

problems:

如果把特征改成网格特征，每个特征点就用一个值表示，聚类，直方图？

怎么实现？