如何使用SIFT功能/描述符作為SVM培訓的輸入？

Question

我想使用C ++將腦腫瘤的MRI圖像分為良性和惡性。 我正在使用SIFT功能，接下來我將在培訓SVM分類器之前使用kmeans對它們進行聚類。 我不明白的是為什么需要這樣做？ 據我所知，kmeans僅將特征聚類。 它不會改變輸入的大小。

我已經讀過可能的方法是BoW和直方圖。 在直方圖方法中 ，它僅計算每個聚類中的要素數量，對嗎？ 我認為這不會提供我對良性和惡性腫瘤進行分類所需的信息，因為它們可能既大又小。 在BoW方法中 ，我不了解此鏈接 。

基本上，我不知道如何使用SIFT功能將其用作SVM的輸入。 我真的必須創建某種字典嗎？ 我求求你，請賜教。 非常感謝你！

Answer 1

我對OpenCV或SIFT功能不太熟悉，但這應該足夠通用才能對所有編程語言都有用。 我還將在下面僅介紹BoW方法。

假設我們有N張圖像。 對於每個圖像i ，我們有F個特征，每個特征都有D維。 我們可以將所有功能放入數組feats ，使其看起來像這樣：

[1, 2, ..., D]
[..., ..., ..., D]
[N*F, ..., ..., D] 

每行feats是一個具有D維的特征，並且我們總共有N*F特征。

在k均值中，我們采用所有這些特征並將它們分組為k簇。 因此，每個單個功能都分配給單個群集。 大多數k均值函數通常返回大小為kx D的矩陣C ，它表示簇的質心。 該矩陣C是k-means算法的“碼本”或“字典”。 某些人還會返回一個大小為N*F的向量，該向量顯示每個功能分配給哪個群集（在OpenCv中，此鏈接中的labels變量表示： http : //www.developerstation.org/2012/01/kmeans- clustering-in-opencv-with-c.html ）。

由於我們已經分配了所有特征，因此每個圖像i都具有F特征，可以簡單地用它們所屬的簇表示。 例如，如果原始圖像表示為

[1, 2, ..., D]
[..., ..., ..., D]
[F, ..., ..., D] 

那么圖像也可以簡單地表示為矢量：

[1] % Assignment of feature 1
[...]
[F] % Assignment of feature F

因此，您可以采用此向量，並形成所表示的群集的直方圖h 。 此直方圖是圖像的特征向量，您以后可以在SVM中使用。

PS：如果您需要任何進一步的說明和/或示例，請告訴我！