使用词袋模型（BoW）测试提取图像的特征点和聚类中心

迈不过友情╰ 2023-10-15 14:26 7阅读 0赞

#### 文章目录 ####

*  环境配置
 *  代码测试

--------------------

## 环境配置 ##

(1) 导入opencv，参考链接

https://blog.csdn.net/Aer_7z/article/details/132612369

(2) 安装numpy  
激活虚拟环境的前提下，输入：

pip install numpy

(3) 安装sklearn  
激活虚拟环境的前提下，输入：

pip install scikit-learn

## 代码测试 ##

在pycharm端运行下列代码（在同一目录下放置一张名为`image.jpg`的图片）。

import cv2
    import numpy as np
    from sklearn.cluster import KMeans
    
    # 加载图像
    image = cv2.imread("image.jpg", 0)  # 使用灰度模式加载图像
    
    # 创建 SIFT 特征提取器对象
    sift = cv2.SIFT_create()
    
    # 检测关键点和计算特征描述符
    keypoints, descriptors = sift.detectAndCompute(image, None)
    
    # 将特征描述符存储在 features 变量中
    features = np.array(descriptors)
    
    
    
    # 假设你已经提取了局部特征并将其存储在 features 变量中，features 是一个 N × D 的矩阵，
    # 其中 N 是特征数量，D 是每个特征的维度
    
    # 聚类算法的参数设置
    num_clusters = 100  # 聚类簇的数量
    
    # 创建聚类算法对象
    kmeans = KMeans(n_clusters=num_clusters)
    
    # 执行聚类算法
    kmeans.fit(features)
    
    # 获取每个局部特征的聚类标签
    labels = kmeans.labels_
    
    # 获取聚类中心
    centroids = kmeans.cluster_centers_
    
    # 输出每个特征的聚类标签和聚类中心
    for i in range(len(features)):
        print("特征", i, "的聚类标签:", labels[i])
    
    print("\n聚类中心:")
    for i in range(num_clusters):
        print("聚类", i, "的中心:", centroids[i])

--------------------

至此，结束