每个 SIFT 描述符对应于图像的一个区域。您从一堆图像中获取这些并将它们分组到一些集群中。我认为他在幻灯片中展示的只是每个集群中的几个样本，他在事后为集群选择了具有人类意义的名称。

对于任何可能对我的问题感兴趣的人，这就是创建补丁的方式：

1）对于每个码本，找到SIFT描述符最接近码本的最近兴趣点

2）只需打印出围绕该兴趣点的窗口。

作为对您的自我回答的回复，码本只是整个训练集的一个，它描述了一组视觉词，这些词可能有一些人类解释，但不能保证。

关于如何提取每个关键点的补丁，我想说您还必须考虑提取它的比例（如果使用比例不变描述符）或描述符本身的相关路径大小。

作为旁注，不要使用分配给视觉词的关键点的可视化作为 BoF 模型质量的衡量标准，有几个因素会影响它，并且计算机授予的类似内容可能不像之前所说的那样具有人类解释。