BOFC、BOF与BOVW

       根据名字，可以发现它一定跟BOF有关系，那么就先来说说BOF吧。BOF，Bag Of Features，特征词袋，简单来说就是一种基于SURF的标准视觉词袋（Bag Of Visual Words，简称BOVW或者BOW）技术，可以说在CBIR（Content-Based Image Retrieval）系统中，最流行的方法就是BOF了，由于其具有很好的compactness和rapidity。大多数CBIR 系统中，使用的都是low-level features，如颜色、纹理、形状，BOF就是基于shape的，因为surf算子是基于shape，在使用中为了提高CBIR的系统性能，也为了能够抽取一张image更精准的表达，有大牛提出了一个新的算子，在原来BOF的基础上，加入image的颜色矩信息，来实现图像特征表达上的差异性，这种算法就叫做BOFC，即Bag-of-Features and Colors。

        BOFC的基本思想与BOF一致，主要基于bovw，唯一不同的是特征描述子；

          step1：对图像库（gallery images）提取surf特征点，并在每一个surf特征点周围的一块正方形像素邻域（比如5x5）对每个通道计算一阶和二阶颜色矩（其中，一阶颜色矩是mean，二阶颜色矩是variance），最后生成特征描述子（vector）（注意，此时的描述子是64维的surf，再加上每个通道的一阶和二阶颜色矩，一共是64+2*3=70维）；

          step2：聚类，这里使用经典的K-means，生成visual vocabulary（一条一条的）并保存在库中，vocabulary的大小由K确定（注意K的选择，不宜太大也不易太小，太小会导致区分能力差，太大又缺乏一般性，对噪声太过敏感，产生额外的系统开销，所以要注意适当选择。）；

          step3：输入a new image，将每一个特征点生成70维的特征描述子（term vector检索词向量）；对每一个特征点计算与聚类中心的相似度，通过计算其到words的汉明距离（注：这里的距离度量可以用其他的距离，欧氏距离或曼哈顿距离，但bovw一般用的是Hamming距离），设置一定距离阈值，把每一个特征点assign到某一个聚类中心（word），这样就将一幅图像的高维描述子表达转化为了低维的bovw向量表示（a list of word number，or histogram），这个向量很重要，打个比方，我们在Google搜索引擎中搜索我们想要的东西时，会在空白地方输入一句话或是几个关键字，这里的‘一句话或几个关键字’就是我们图像检索里生成的一串低维的bovw向量，我们就要用这一串向量来进行检索；

为看的更形象，特意截图如下：

       因为之前搞图像检索，这些概念性的东西混淆了我好久，现在把我的理解写出来，如果有错误，还请前辈们指正。

       另外详细的细节可翻看具体论文：

http://www.eajournals.org/wp-content/uploads/A-SURF-COLOR-MOMENTS-FOR-IMAGES-RETRIEVAL-BASED-ON-BAG-OF-FEATURES.pdf点击打开链接

https://globaljournals.org/GJCST_Volume11/1-Content-Based-Image-Retrieval-using-SURF.pdf点击打开链接