01. 简介
视觉单词袋是一种描述计算图像之间相似度的技术。常用于用于图像分类当中。该方法起源于文本检索（信息检索），是对NLP“单词袋”算法的扩展。在“单词袋”中，我们扫描整个文档，并保留文档中出现的每个单词的计数。然后，我们创建单词频率的直方图，并使用此直方图来描述文本文档。在“视觉单词袋”中，我们的输入是图像而不是文本文档，并且我们使用视觉单词来描述图像。
文字文档袋
图像视觉词袋
视觉单词
在BovW中，我们将图像分解为一组独立的特征，特征由关键点和描述符组成，关键点与兴趣点是同一件事。它们某些是空间位置或图像中的点，这些位置定义了图像中的突出部分。它们受图像的旋转、缩放、平移，变形等等因素的影响。描述符是这些关键点的值（描述），而创建字典时所使用聚类算法是基于这些描述符进行的。我们遍历图像并检查图像中是否存在单词。如果有，则增加该单词的计数。最后我们为该图像创建直方图。
02. 字典的创建
要创建字典，我们需要使用特征提取器（例如SIFT，BRISK等）。正如前面所描述的那样，这些技术检测图像中的关键点并为输入图像计算其值（描述符）。这些特征检测器返回包含描述符的数组。我们对训练数据集中的每个图像都执行此操作。
现在，假设我们将拥有N个（训练数据集中没有图像）数组。将这些数组垂直堆叠，使用类似与K-Means的聚类算法来形成K个聚类.K-Means将数据点分组为K个组，并将返回每个组的中心（见下图）。每个聚类的中心（质心）都充当一个视觉单词，所有这些K组的重心构成了我们的字典。
K均值聚类
03. 直方图的创建
检测视觉单词
现在我们将创建一个（N，K）的二维数组，我们将在接下来的几行中看到如何填充此数组。一旦检测到字典和图像中都存在一个单词，就会增加该特定单词的计数（即array [i] [w] = 1，其中i是当前图像，w是该单词）。
创建直方图
BoVW方法适用于捕获多细节的大型显微镜图像。但是，这种方法存在的问题是。当视觉单词出现在图像数据库的很多图像或每幅图像中时，就会导致一些并没有实际意义的单词的统计值较大。大家想想一个文本文档中像is，are之类的单词并没有多大帮助，因为它们几乎会出现在所有的文本当中。这些单词会导致分类任务变得更加困难。为了解决这个问题，我们可以使用TF-IDF（术语频率-逆文档频率）重加权方法。它可以对直方图的每个像素进行加权，来降低“非信息性”单词的权重（即，出现在许多图像/各处的特征），并增强了稀有单词的重要性。使用下图中给出的TF-IDF公式就可以计算出直方图中的每个单词的新权重。
TF-IDF加权
该公式清楚的表达了图像中每个的单词的重要性是如何定义的。
在经过加权之后的直方图中可以看出，蓝色单词的权重几乎为零。
