关于2006_CVPR_Beyond Bags of Features Spatial Pyramid Matching for Recognizing Natural Scene Categorie

对这篇paper及对应code研究好久了，也困惑了好久，现在终于有点明白是怎么回事了，赶紧记下来

对应代码的整个算法过程如下（代码是丕子的）：

Step1 用均匀网格划分图像。程序中采用8*8像素，即gridspace=8。比如32*40的图像可画出（32/8）*(40/8)=4*5个grid（一个网格用黑色块表示）。

Step 2 计算特征向量(dense sift)。程序中采用16*16的patch（一个patch用紫色表示）计算一个描述子（即一个特征向量），这样一个patch包括4个grid。计算时，一个patch划分为4*4（16）个bin，每个bin为4*4个pixel（一个bin用红色表示），每个bin计算一次sift（8维），这样一个patch就计算16次，共16*8=128维。然后计算下一个patch，即上一个patch向右移动一个grid（移动后为浅色边框部分），以此类推，直到移动到图像的边缘，然后向下移动，这样共有（4-1）*（5-1）=12个patch。每个patch对应一个128维的描述子，最终，这幅图像可以用12个128维的向量表示（12*128）。

 

Step 3 计算词典。采用k-means方法构造单词表，即用每幅图像的描述子进行cluster运算，代码中计算的词典vocabulary=200,每个单词为128维向量。

Step 4 计算每幅图像的直方图(VQ)。每幅图像的描述子（即特征向量）用词典量化，这样一幅图像就可以用12个词来表示，即12*1的矩阵。（12*128  12*1）。

Step 5 计算金字塔。Paper中的三层金字塔计算如下。

由计算公式算出每幅图像可用4200维的向量表示。式中M为词汇数（200），L为金字塔的层数（3）。

Step 6 金字塔匹配（SPM）。主要参考下面这个公式：

Xm,Ym分别为两幅图像中第m个channel的描述子（descriptor）集合，都是二维的（分别是描述子的横坐标和纵坐标）。一个channel即一种type（码字），对每一个channel做金字塔匹配，最后求和。

附：本人小硕，阅历尚浅，文中有偏差的地方忘各位高手不吝赐教。。