Bag-of-words詞袋模型最初被用在信息檢索領域。例如檢索一篇文檔，只需考慮文檔中出現單詞的頻率，而不用考慮語法語序等。在圖像領域，如果把一幅圖像當作文檔，圖像中的圖像塊的特征向量視為文檔內的詞，BoW在圖像領域也可以取得很好的效果。這個過程可以分為幾步：提取特征，訓練虛擬詞表，量化特征，用虛擬詞頻表示圖片。

1、特征提取

• 檢測圖像塊
• 歸一化圖像塊
• 用SIFT描述器表示

2、訓練虛擬詞表

通過聚類（k-means）的方法，把所有SIFT表示的特征歸為幾類，這些歸類的特征可視為虛擬詞表（visual vocabulary）。

每一個歸類的特征（cluster center）被稱為虛擬詞（visual word），然后量化特征。

3、用詞頻表表示圖片

統計圖像中每個詞在圖像中出現的頻率，用頻率直方圖表示。

4、BoW在圖像檢索中的應用

4.1 構建數據庫

• 提取數據庫圖像的特征向量
• 訓練所有圖像的詞表
• 計算每一個詞的權重
• 創建詞-圖的映射

4.2 TF-IDF（term frequency-inverse document frequency）權重

單詞 j 的IDF（逆文本頻率）計算公式：

單詞 j 的TF（詞頻）計算公式：

單詞 j 的TF-IDF計算公式：

TF-IDF的值越大說明這個詞也重要，也就是關鍵詞。

4.3 創建詞-圖映射

把詞映射到文檔

5、圖像的空間金字塔（Spatial pyramid）

計算每一塊的直方圖

計算金字塔圖的每一個小區域的直方圖

把金字塔和直方圖結合在一起進行比較，判斷匹配項

?

?

?

?

?

?

?

總結

以上是生活随笔為你收集整理的BoW(词袋Bag of words)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。