我想使用 C++ 将脑肿瘤的 MRI 图像分类为良性和恶性。我正在使用 SIFT 特征，我正在关注的论文在训练 SVM 分类器之前使用 kmeans 对它们进行聚类。我不明白为什么有必要这样做？据我所知，kmeans 只对特征进行聚类；它不会改变输入的大小。
我读过可能的方法是 BoW 和直方图。 在直方图方法中，它只计算每个集群中的特征数对吗？我认为这不会提供我对良性和恶性肿瘤进行分类所需的信息，因为它们可能既小又大。 在 BoW 方法中，我不明白这个link。
基本上，我不知道如何处理我的 SIFT 功能以将其用作 SVM 的输入。我真的必须创建某种字典吗？我求你了，请赐教。非常感谢！
【问题讨论】：
我对 OpenCV 或 SIFT 功能不太熟悉，但这应该足够通用，对所有编程语言都有用。我还将在下面仅描述 BoW 方法。
假设我们有N 图像。对于每个图像i，我们有F 个特征数，每个特征有D 个维度。我们可以把所有的特征放到一个数组feats，这样就变成了这样：
[1, 2, ..., D]
[..., ..., ..., D]
[N*F, ..., ..., D]
feats 的每一行都是一个特征，有D 个维度，我们一共有N*F 个特征。
在 k-means 中，我们采用所有这些特征并将它们分组到 k 集群中。因此，每一个特征都被分配给一个集群。大多数 k-means 函数通常会返回大小为 k x D 的矩阵 C，它表示集群的质心。这个矩阵C 是 k-means 算法的“码本”或“字典”。有些还返回一个大小为N*F 的向量，它显示每个特征被分配到哪个集群（在OpenCv 中，这由此链接中的labels 变量表示：http://www.developerstation.org/2012/01/kmeans-clustering-in-opencv-with-c.html）。
由于我们已经有了所有特征的分配，每个图像i 都有F 特征，可以简单地用它们所属的聚类来表示。例如，如果原始图像表示为
[1, 2, ..., D]
[..., ..., ..., D]
[F, ..., ..., D]
那么图像也可以简单地表示为向量：
[1] % Assignment of feature 1
[...]
[F] % Assignment of feature F
因此，您可以采用此向量并形成所表示的集群的直方图h。此直方图是图像的特征向量，您可以稍后在 SVM 中使用。
附：如果您需要任何进一步的说明和/或示例，请告诉我！
【讨论】：
k。直方图中的元素i 是集群i 在图像中出现的次数。我很高兴能帮上忙：D