致謝：基礎框架來源BoW，開發版本在此基礎上進行，已在Ubuntu、OS X上測試通過，Windows需要支持c++11的編譯器(VS2012及其以上)。

使用

代碼下載地址：bag-of-words-stable-version，這個是穩定版，上層目錄里的開發版不要下載，那是我添加測試新模塊所用的。

編譯

修改Makefile文件，如果你的系統支持多線程技術，將

CFLAGS = -std=c++11

修改為

CFLAGS = -std=c++11 -fopenMP # if openMP accesses, using this

修改完上面后，再修改編譯所需的OpenCV和cppsugar，即

INCPATH = -I/usr/local/include -I/Users/willard/codes/cpp/opencv-computer-vision/cpp/BoVW/cppsugar LIBPATH = -L/usr/local/lib

/usr/local/include和/usr/local/lib分別是OpenCV所在的包含頭文件目錄路徑和庫目錄路徑，修改為你本機所在的目錄即可。后面的cppsugar目錄同樣換成你本機的目錄。 修改。這些修改完成后，執行下面命令進行編譯：

make

編譯后即可在所在目錄生成可執行文件。

生成圖庫列表文件

對于待檢索的圖像庫imagesDataSet，執行下面命令

python imgNamesToTXT.py -t /Users/willard/Pictures/imagesDataSet

上面執行后生成一個imageNamesList.txt的文件，該文件中包含的是每幅圖像的路徑及其圖像文件名。

建立索引

執行下面命令，會完成特征提取、生成詞典、量化生成bag of word向量：

./index imageNamesList.txt

上面命令執行玩，會生成兩個文件bows.dat和dict.dat，分別存放的是圖像庫每幅圖像的bag of word向量以及詞典。

查詢圖像

按下面命令進行查詢

./search /Users/willard/Pictures/first1000/ukbench00499.jpg imageNamesList.txt

其中/Users/willard/Pictures/first1000/ukbench00499.jpg是查詢圖像，執行完后，會生成一個result.html的文件，應為要顯示檢索結果，所以這里采用的是用html頁面的方式顯示檢索結果的，用瀏覽器打開即可。

批量測試

為了評價檢索的效果，可以使用ukbenchScores.cpp計算在ukbench圖像庫上的NS score(NS分數)，下面是在ukbench1000張圖像上計算的NS score:

Ukbench?first 1000 images, the NS-scores: 3.358, with tf*idf and histogram intersection kernel distance.

Ukbench?first 1000 images, the NS-scores: 3.602, with tf and histogram intersection kernel distance.

Bag of words原理

關于bag of words的原理，可以查閱我的博文BoW圖像檢索Python實戰和Bag of Words模型。注意，該框架中采用的相似性度量方式是直方圖相交(histogram intersection kernel)的方法，測試發現直方圖相交的方法要比用余弦距離度量的方式效果更好，但計算速度較慢。

開發版本bag-of-words-dev-version中加入了逆文檔詞頻以及RANSAC重排，待效果達到預期后，會添加到穩定版中。

from:?http://yongyuan.name/blog/bag-of-words-cpp-implement.html

總結

以上是生活随笔為你收集整理的BoW词袋模型Bag of Words cpp实现(stable version 0.01)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。