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。