在大型图像数据库上，CBIR（Content-based Image Retrieval，基于内容的图像检索）技术用于检索在视觉上具相似性的图像。这样返回的图像可以是颜色相似、纹理相似、图像中的物体或场景相似；总之，基本上可以是这些图像自身共有的任何信息。对于高层查询，比如寻找相似的物体，将查询图像与数据库中所有的图像进行完全比较（比如用特征匹配）往往是不可行的。在数据库很大的情况下，这样的查询方式会耗费过多时间。在过去的几年里，研究者成功地入文本挖掘技术到 CBIR 中处理问题，使在数百万图像中搜索具有相似内容的图像成为可能。
从文本挖掘中获取灵感——矢量空间模型： 矢量空间模型是一个用于表示和搜索文本文档的模型。我们将看到，它基本上可以应用于任何对象类型，包括图像。该名字来源于用矢量来表示文本文档，这些矢量是由文本词频直方图构成的 1。换句话说，矢量包含了每个单词出现的次数，而且在其他别的地方包含很多 0 元素。由于其忽略了单词出现的顺序及位置，该模型也被称为 BOW 表示模型。
BOW（Bag Of Words） 词袋模型起始可以被理解为一种直方图统计，被应用在文本分类中，将文档表示成特征矢量。它只统计频率信息，并没有序列信息。BOW是选择words字典，然后统计字典中每个单词出现的次数。 
特征袋BOF是词袋BOW的一种改进，用于图像处理问题。只不过在图像中，我们抽出的不再是一个个word，而是图像的关键特征Feature，所以研究人员将它更名为Bag of Feature。
Bag of features: 基础流程 
有了特征之后，我们会将这些特征通过聚类算法得出很多聚类中心。这些聚类中心通常具有较高的代表性。典型的聚类算法有k-means算法。我们将这些聚类中心组合在一起，形成一部字典。
K- Means是迭代动态聚类算法中的一种，其中K表示类别数，Means表示均值。顾名思义K-Means是一种通过均值对数据点进行聚类的算法。K-Means算法通过预先设定的K值及每个类别的初始质心对相似的数据点进行划分。并通过划分后的均值迭代优化获得最优的聚类结果。
K-Means算法流程： 1.随机初始化 K 个聚类中心 2.重复下述步骤直至算法收敛: 3.对应每个特征，根据距离关系赋值给某个中心/类别 4.对每个类别，根据其对应的特征集重新计算聚类中心 对于算法步骤的理解： 第一步是为待聚类的点寻找聚类中心； 第二步是计算每个点到聚类中心的距离，将每个点聚类到离该点最近的聚类中去； 第三步是计算每个聚类中所有点的坐标平均值，并将这个均值作为新的聚类中心； 反复执行第二步、第三步，直到聚类中心不再进行大范围移动或者聚类次数达到要求为止。 
TF-IDF即词频(Term Frequency，TF)与逆文档频率(Inverse document Frequency，IDF)的乘积，将此值作为权值，降低一些重复特征所带来的影响。 TF：单词w在文档d的词频（其中分子表示某个特征在总的特征出现的次数，分母表示总特征的数量，所以tf表示某个特征出现的频率。）
通过单词计数来构建文档直方图向量 v，从而建立文档索引。通常，在单词计数时会忽略掉一些常用词，如“这”“和”“是”等，这些常用词称为停用词。由于每篇文档长度不同，故除以直方图总和将向量归一化成单位长度。对于直方图向量中的每个元素，一般根据每个单词的重要性来赋予相应的权重。通常，数据集（或语料库）中一个单词的重要性与它在文档中出现的次数成正比，而与它在语料库中出现的次数成反比。
最常用的权重是 tf-idf（term frequency-inverse document frequency，词频 - 逆向文档频率 )，单词 w 在文档 d 中的词频是： 
nw 是单词 w 在文档 d 中出现的次数。为了归一化，将 nw 除以整个文档中单词的总数。 逆向文档频率为： 
|D| 是在语料库 D 中文档的数目，分母是语料库中包含单词 w 的文档数 d。将两者相乘可以得到矢量 v 中对应元素的 tf-idf 权重。 
倒排索引是实现“单词-文档矩阵”的一种具体存储形式，通过倒排索引，可以根据单词快速获取包含这个单词的文档列表。倒排索引主要由两个部分组成：“单词词典”和“倒排文件”。 
1.特征提取-SIFT 2.学习 “视觉词典（visual vocabulary）-K-means 3.针对输入特征集，根据视觉词典进行量化 4.输入图像，根据TF-IDF转化成视觉单词（visual words）的频率直方图 5.构造特征到图像的倒排表，通过倒排表快速 索引相关图像 6.根据索引结果进行直方图匹配
为了将文本挖掘技术应用到图像中，我们首先需要建立视觉等效单词；这通常可以采用 SIFT 局部描述子做到。它的思想是将描述子空间量化成一些典 型实例，并将图像中的每个描述子指派到其中的某个实例中。这些典型实例可以通过分析训练图像集确定，并被视为视觉单词。所有这些视觉单词构成的集合称为视 觉词汇，有时也称为视觉码本。对于给定的问题、图像类型，或在通常情况下仅需呈现视觉内容，可以创建特定的词汇。从一个（很大的训练图像）集提取特征描述子，利用一些聚类算法可以构建出视觉单词。聚类算法中最常用的是 K-means，这里也将采用 K-means。视觉单词并不高端，只是在给定特征描述子空间中的一组向量集，在采用 K-means 进行聚类时得到的视觉单词是聚类质心。用视觉单词直方图来表示图像，则该模型便称为 BOW 模型。
为创建视觉单词词汇，首先需要提取特征描述子。这里，我们使用 SIFT 特征描述子。如前面一样，imlist 包含的是图像的文件名。运行下面的代码，可以得到每幅 图像提取出的描述子，并将每幅图像的描述子保存在一个文件中：
创建名为 vocabulary.py 的文件，将下面代码添加进去。该代码创建一个词汇类，以及在训练图像数据集上训练出一个词汇的方法：
Vocabulary 类包含了一个由单词聚类中心 VOC 与每个单词对应的逆向文档频率构成的向量，为了在某些图像集上训练词汇，train() 方法获取包含有 .sift 描后缀的述 子文件列表和词汇单词数 k。在 K-means 聚类阶段可以对训练数据下采样，因为如果使用过多特征，会耗费很长时间。 现在在你计算机的某个文件夹中，保存了图像及提取出来的 sift 特征文件，下面的代码会创建一个长为 k ≈ 1000 的词汇表。这里，再次假设 imlist 是一个包含了图 像文件名的列表：
在开始之前，需要创建表，索引和索引器indexer类，以便将图像数据写入数据库，将上面得到的数据模型存放数据库.db中。
生成数据库： 