我是图像处理新手，我想提取图像特征以进行一些分类。我在理解管道时遇到问题。
据我了解，我有一张图像，并对它们运行 SIFT 算法。这为我提供了每个图像的一组描述符，数量各不相同，固定长度为 128。
然后我继续对它们进行聚类，因为不可能对不同数量的特征应用算法。为此，我将所有图像的所有描述符堆叠起来，并使用所需的簇数运行 k 均值算法。我得到的是 k 个长度为 128 的特征。
这就是我感到困惑的地方，所以我现在有了这些新的描述符，我该如何处理它们？我不明白如果它们代表所有图像，如何将它们插入分类器？每个图像是否应该有自己单独的特征来输入分类器？
我确信我不理解这个概念，但是有人可以澄清一下我得到 k*128 大小的矩阵后会发生什么吗？例如，SVM 分类器输入什么内容以及如何输入？这个 k 表示结果如何足以训练分类器？
谢谢!
编辑:我可能混淆了关键点和描述符，对不起，图像处理新手!
最佳答案
您应该研究被称为“视觉词袋”的图像分类/图像检索方法 - 它非常相关。一袋视觉词是一个固定长度的特征向量v，它总结了图像中特征的出现情况。这利用了所谓的密码本(也称为字典，来自文本检索的历史使用)，在您的情况下，它是根据您的 K-means 聚类构建的。要使给定图像的v，最简单的方法是分配v[j]最接近第j个簇质心的SIFT描述符的比例。这意味着V的长度为K，因此它与图像中检测到的SIFT特征的数量无关。
具体来说，假设您已经完成了 K = 100 的聚类。让我们使用 ci 来表示第 i 个聚类中心。对于 SIFT，这将是一个大小为 128 的向量。现在，对于给定的输入图像，您可以创建此向量 v，其大小为 100 并用零初始化。然后，您从图像中提取特征及其相应的描述符。假设有 N 个描述符，我们将它们称为 d0、d2、...、d(N-1)，其中 dj 是第 j 个描述符。对于每个dj，您计算它与聚类中心c0、c2、...c<之间的向量距离/强>99。然后，获取到 dj 距离最近的簇索引 k，并递增:v[k]+=1。请注意，这个过程可以很好地并行化，特别是在 GPU 上。此外，使用所谓的“近似最近邻”来替换该过程可以更快，例如使用FLANN图书馆。
关于machine-learning - SIFT特征和图像分类？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48324002/