这是整个过程的插图，没有任何方程式，因此您可以了解全局。

从图像中提取特征。让我们以 SIFT 等非常常见的特征为例。对于图像的许多关键点（甚至每个像素），计算一个 128 维的 SIFT 特征。如果处理大量图像，则特征的数量会变得非常大。

一种更紧凑地表示图像集的方法是使用词袋（或视觉词袋）技术。这个想法是找到 k 个单词（即 k 个 SIFT 特征），每个图像都将从中表示出来。我们称这组 k 个单词为字典。

然后，每个 SIFT 特征将被分配给字典的最近词（例如，相对于欧几里得距离最近的 SIFT 特征）。您可以将其视为字典，其中“go”、“going”和“gone”等词都将由“go”一词表示）。

最后，每个图像仅由 k 个值表示（计算分配给字典中每个单词的单词/特征的数量）。这是一个直方图，您可以对其进行归一化以获得表示图像的单个比例向量。