一、定义

计算机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。

对于任意一幅图像，视觉词袋（BoVW，Bag of Visual Words）模型模型提取该图像中的基本元素，并统计该图像中这些基本元素出现的频率，用直方图的形式来表示。通常使用“图像局部特征”来类比BoW模型中的单词，如SIFT、SURF、HOG等特征，所以也称视觉词袋模型。图像BoVW模型表示的直观示意图如图所示

如上，每个图有不同种类的纹理，统计每个纹理的直方图（出现数量），右边这就是词袋。

二、步骤

视觉的词袋模型通常分为以下四个阶段：

1. 图像预处理阶段： 在这个阶段，图像会经过一系列预处理操作，包括灰度化、尺寸调整、边缘检测等操作，以便将图像转化为计算机能够处理的形式。

2. 特征提取阶段： 在这个阶段，从预处理后的图像中提取出各种特征，比如颜色直方图、边缘信息、纹理特征等，以便能够用来描述图像。

3. 词袋生成阶段： 在这个阶段，将提取到的图像特征进行聚类，形成一个特征词典，然后将图像中的特征信息映射到这个词典中，形成一个特征向量。

4. 训练和分类阶段： 在这个阶段，使用机器学习算法（如支持向量机、决策树等）对生成的特征向量进行训练，以便对图像进行分类和识别。

三、词袋模型的问题

1. 词汇太多、太少都不好。
2. 计算效率问题（K-means聚类很慢）
3. 顺序、位置问题。比如：“我爱中国”与“爱我中国”，字都一样但含义不一样。

参考：

https://www.cnblogs.com/wxl845235800/p/10564121.html

视觉词袋模型简介-CSDN博客

计算机视觉CS131：专题10-识别&词袋模型 - 知乎

计算机视觉-图像检索与识别_视觉词袋模型的原理-CSDN博客