因为在使用SIFT特征作图像分类时，一张图像通常有很多keypoints，一个keypoints有一个128维的特征向量，而若直接将这些特征向量只做简单的串联就输入分类器中，是不对的。我们需要一个能够表示整体图像的特征向量，所以要用到该模型。今天写一下学习的笔记。
简介：
Bag of words模型最初被用在文本分类中，将文档表示成特征矢量。
对于一个文档，忽略单词之间的词序、语法和句法等，仅将其看作是一堆单词（words）的集合。
多个文档的单词集合可组成一个袋子（bag）。袋子也称为词典、词汇表（Dictionary / vocabulary）。
袋中每个单词相互独立，将其聚类，类内相似度高，类间相似度低。合并后袋中只有不重复的单词（类）。
统计袋中每个单词在每个文档中出现的次数。假设有K个单词，则可对每个文档可画出对应的K维直方图。
若是分类问题，则可根据K维直方图中的单词词频，判断每个文档属于哪一类别。
经典例子：
文档一：Bob likes to play basketball, Jim likes too.
文档二：Bob also likes to play football games.
基于这两个文档构建的词典：
Dictionary = {1:"Bob", 2:"like", 3:"to", 4:"play", 5:"basketball", 6:"also", 7:"football", 8:"games", 9:"Jim", 10:"too"}
利用词典的索引号，以及每个单词在每个文档中出现的次数，我们可以得到表示两个文档的10维特征向量：
文档一：[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]
文档二：[1, 1, 1, 1 ,0, 1, 1, 1, 0, 0]
向量中并没有表现出单词在文档中的词序。
应用于CV：
Bow模型也可用于计算机视觉的图像分类（image classification）中，每张图像的特征可视为视觉单词。A bag of visual words则为统计视觉单词出现的次数，用一个K维特征向量表示每张图像。
如何利用Bag of words模型将一幅图像表示为一个特征向量：
1、利用SIFT算法从属于不同类别的图像中提取出N个局部不变的特征点（keypoints）向量，作为视觉词汇；（每张图像的N，个数不同）
2、将所有特征点向量集中到一块，利用K-Means算法（基于样本间相似性度量的间接聚类方法）合并词义相近的视觉词汇，构造一个包含K个视觉词汇的词汇表（vocabulary）；
3、统计词汇表中每个单词在每张图像中出现的次数，从而将每张图像表示为一个K维数值向量。即所求特征向量，最后用于分类器的输入。
