OpenCV应用----BOW篇
BOW其实就是bag of word的缩写，在OpenCV中关于此框架的有3个类。
第一个是一个基类，算是BOW训练的类型，
class BOWTrainer
{
public:
BOWTrainer(){}
virtual ~BOWTrainer(){}
void add( const Mat &descriptors);
const vector<Mat> &getDescriptors() const;
int descriptorsCount() const;
virtual void clear();
virtual Mat cluster() const = 0;
virtual Mat cluster( const Mat &descriptors );
protected:
…
}
第二个类别是我们在应用的时候真正的BOW训练的接口类别叫做BOWKmeansTrainer, 此类继承来自 BOWTrainer类别（不知道这么说对不对，C++还在学习中）
class BOWKmeansTrainer : public BOWTrainer
{
public:
BOWKmeansTrainer( int clusterCount, const TermCriteria &termcrit = TermCriteria()，
int attempts = 3, int flags = KMEANS_PP_CENTERS)；
virtual ~BOWKmeansTrainer(){}；
virtual Mat cluster() const；
virtual Mat cluster( const Mat &descriptors ) const;
protected:
…
}
利用此类先定义一个 bowTraining;
BOWKmeansTrainer bowTraining(1000); //定义聚类中心1000个，其余的默认参数；
然后，将得到的特征，例如SIFT特征，将每一副图的SIFT特征利用add函数加入到bowTraining中去。
for(int i=0; i<numOfPictures; i++)
bowTraining.add( descriptors( i ) )；
将所有的特征加进去后，就可以进行聚类训练了：
Mat dictionary = bowTraining.cluster(); 这一步的时间根据特征的维度以及定义的词典中心的个数相关。
或者，将得到的特征合并成一个矩阵，这里贴出OpenCV的BOW内部合成矩阵的代码
int descCount = 0;
for( size_t i = 0; i < descriptors.size(); i++ )
descCount += descriptors[i].rows;
Mat mergedDescriptors( descCount, descriptors[0].cols, descriptors[0].type() );
for( size_t i = 0, start = 0; i < descriptors.size(); i++ )
{
Mat submut = mergedDescriptors.rowRange((int)start, (int)(start + descriptors[i].rows));
descriptors[i].copyTo(submut);
start += descriptors[i].rows;
}
同样：Mat dictionary = bowTraining.cluster( mergedDescriptors );
得到词典后，就要利用另一个类来进行图像BOW特征的提取----BOWImgDescriptorExtractor
class BOWImgDescriptorExtractor
{
public:
BOWImgDescriptorExtractor( const Ptr<DescriptorExtractor> &dextractor, const Ptr<DescriptorMatcher> & dmatcher );
virtual ~BOWImgDescriptorExtractor(){}
void setVocabulary( const Mat& vocabulary );
const Mat& getVocabulary() const;
void compute( const Mat& image, vector<KeyPoint> & keypoints,
Mat& imgDescriptor,
vector<vector<int> >* pointIdxOfClusters = 0,
Mat* descriptors = 0 );
int descriptorSize() const;
int descriptorType() const;
protected:
…
}
利用上面这BOW的第三个类别定义一个变量；
Ptr<DescriptorExtractor> extractor = DescriptorMatcher::create("SIFT"); //引号里面修改特征种类。
Ptr<DescriptorMatcher> matcher = DescriptorExtractor::create("BruteForce"); //引号里面修改匹配类型;
BOWImgDescriptorExtractor bowDE(extractor, matcher);
前面两个定义是为了方便初始化类的定义，在BOW图像特征定义完成后，便可以对每一副图片提取BOW的特征。
bowDE.setVocabulary(dictionary); //dictionary是通过前面聚类得到的词典；
for(int i=0; i<numOfPictures; i++)
{
vector<KeyPoint> keypoints;
SiftFeatureDetector detector;
detector.detect(pictures[i], keypoints);
bowDE.compute(pictures[i], keypoints, descriptors);
}
这样，整个BOW特征提取过程就结束了。