我在opencv中使用BOW来聚类可变大小的功能。但是有一件事从opencv的文档中不清楚，我也无法找到这个问题的原因：
假设：字典大小= 100.
我使用surf来计算特征，每个图像都有可变大小的描述符，例如：128 x 34,128 x 63等。现在在BOW中，每个都是聚类的，我得到一个128 x 100的固定描述符大小一个图像。我知道100是使用kmeans聚类创建的集群中心。
但我感到困惑的是，如果图像有128 x 63个描述符，那么它如何聚集成100个聚类，这是不可能使用kmeans，除非我将描述符矩阵转换为1D。转换为1D会丢失单个关键点的有效128维信息吗？
我需要知道如何操纵描述符矩阵以仅从63个特征中获得100个cluter中心。
答案 0 :(得分：10)
这样想。
您有10个群集意味着总数，6个功能用于当前图像。这些特征中的前3个最接近第5个平均值，其余3个最接近第7个，第8个和第9个平均值。然后，您的功能将像[0, 0, 0, 0, 3, 0, 1, 1, 1, 0]或此标准化版本。这是10维，并且等于聚类均值的数量。因此，如果需要，您可以从63个特征创建100000维向量。
但我仍然认为有问题，因为在你应用BOW之后，你的功能应该是1x100而不是128x100。您的群集意味着128x1，您将分配128x1大小的功能（第一个图像具有34 128x1功能，第二个图像具有63 128x1功能等）。因此，基本上你将34或63个特征分配给100个均值，你的结果应该是1x100。