使用词袋模型（BoW）测试提取图像的特征点和聚类中心

---

环境配置

(1) 导入opencv，参考链接

https://blog.csdn.net/Aer_7z/article/details/132612369
1

(2) 安装numpy
激活虚拟环境的前提下，输入：

pip install numpy
1

(3) 安装sklearn
激活虚拟环境的前提下，输入：

pip install scikit-learn
1

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])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

---

至此，结束