bow python实现

bow python实现，测试过了，可以正常运行

# -*- coding: utf-8 -*-
“““
#!/usr/local/bin/python2.7
#python findFeatures.py -t dataset/train/
“““

import argparse as ap
import cv2
import imutils
import numpy as np
import os
from sklearn.externals import joblib
from scipy.cluster.vq import *

from sklearn import preprocessing
from rootsift import RootSIFT
import math

# Get the path of the training set
parser = ap.ArgumentParser（）
parser.add_argument（“-t“ “--trainingSet“ help=“Path to Training Set“ required=“True“）
args = vars（parser.parse_args（））

# Get the training classes names and store them in a list
train_path = args[“trainingSet“]
#train_path = “dataset/train/“

training_names = os.listdir（train_path）

numWords = 1000

# Get all the path to the images and save them in a list
# image_paths and the corresponding label in image_paths
image_paths = []
for training_name in training_names:
    image_path = os.path.join（train_path training_name）
    image_paths += [image_path]

# Create feature extraction and keypoint detector objects
fea_det = cv2.FeatureDetector_create（“SIFT“）
des_ext = cv2.DescriptorExtractor_create（“SIFT“）

# List where all the descriptors are stored
des_list = []

for i image_path in enumerate（image_paths）:
    im = cv2.imread（image_path）
    print “Extract SIFT of %s image %d of %d images“ %（training_names[i] i len（image_paths））
    kpts = fea_det.detect（im）
    kpts des = des_ext.compute（im kpts）
    # rootsift
    #rs = RootSIFT（）
    #des = rs.compute（kpts des）
    des_list.append（（image_path des））

# Stack all the descriptors vertically in a numpy array
#downsampling = 1
#descriptors = des_list[0][1][::downsampling:]
#for image_path descriptor in des_list[1:]:
#    descriptors = np.vstack（（descriptors descriptor[::downsampling:]））

# Stack all the descriptors vertically in a numpy array
descriptors = des_list[0][1]
for image_path descriptor in des_list[1:]:
    descriptors = np.vstack（（descriptors descriptor））

# Perform k-means clustering
print “Start k-means: %d words %d key points“ %（numWords descriptors.shape[0]）
voc variance = kmeans（descriptors numWords 1）

# Calculate the histogram of features
im_features = np.zeros（（len（image_paths） numWords） “float32“）
for i in xrange（len（image_paths））:
    words distance = vq（des_list[i][1]voc）
    for w in words:
        im_features[i][w] += 1

# Perform Tf-Idf vectorization
nbr_occurences = np.sum（ （im_features > 0） * 1 axis = 0）
idf = np.array（np.log（（1.0*len（image_paths）+1） / （1.0*nbr_occurences + 1）） ‘float32‘）

# Perform L2 normalization
im_features = im_features*idf
im_features = preprocessing.normalize（im_features norm=‘l2‘）

joblib.dump（（im_features image_paths idf numWords voc） “bof.pkl“ compress=3）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件     496225  2015-06-27 16:04  bow\bof.pkl

     文件       2804  2015-07-21 10:55  bow\findFeatures.py

     文件        707  2015-07-21 10:55  bow\rootsift.py

     文件       2200  2015-07-21 10:56  bow\search.py

     文件      13155  2015-07-21 10:53  bow\使用必读.docx

     目录          0  2015-07-21 11:04  bow\dataset\train

     目录          0  2015-07-21 10:33  bow\dataset

     目录          0  2015-07-21 10:56  bow

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

               515091                    8