有几种方法可以实现 BoW（词袋）模型，但一般来说：

• 编码是对构成要分类的图像或对象的图像块进行量化。基本编码方案的工作原理是首先在训练/预处理步骤期间跨图像/对象的多个实例收集的所有（例如 3x3）像素补丁集上运行 K-means。这构建了一个已知的字典，该字典由从聚类中获得的质心表示。

  在这个过程结束时，你最终得到了 3x3 个补丁的 K 个具有代表性的“视觉词”（K 表示结束后每个簇的质心）。这些“视觉词”代表了通常被理解为你的视觉词典的内容。一旦有了这些视觉词，编码就是为图像/对象中的每个 3x3 补丁分配字典中最接近的 3x3 词（最近邻）的过程。

• 池化是指将图像（或要分类的对象）表示为“词袋”的过程。这里的词袋是为了传达，一旦你用一个词（一个介于 1 和 K 之间的数字）对每个补丁进行编码，你就会构建一个新的表示（一个袋子），它丢弃了构成你的图像或对象的词之间的空间关系.

  这种表示通常是 3x3 单词的直方图或空间相邻直方图的集合（即值 1 到 K 的直方图），它们共同构成您的对象或图像。因此，“池化”是构建单词直方图的过程（即池化〜从图像中“采样”单词以构建单词的概率质量函数）

  澄清一下，池化的目的有两个：

  1. 通过构建作为单词直方图的特征向量（而不是将完整的“单词句子”放入特征向量中），您的描述符将不受“单词顺序”的变化的影响。在计算机视觉中，这转化为关于图像和对象的旋转和扭曲的不变性，这是一个理想的东西。

  2. 如果字典与句子的长度相比较小，则单词的直方图的维数比原始向量少。更少的维度使学习（培训）变得更加容易。

  分类是指对现在由“词袋”表示的图像/对象进行分类的过程。按照上面的示例，这里的特征向量将是您的对象或图像的单词（3x3 块）的直方图（或直方图）。

以上暗示您的工作词是一个图像补丁（在我使用的示例中，一个 3x3 像素补丁）。但是没有什么能阻止您定义与其他视觉提示或描述符相对应的单词，例如 SIFT 特征向量（您发布的图表中就是这种情况）。