由于自己以前发过一篇文章讲bow特征的matlab代码的优化的《Bag-Of-Words中K-Means聚类的效率优化》，其中的代码也用过Spatial Pyramid Code的代码里面的几个函数，不过大部分还是根据本地的需要，根据大数据量计算的需要自己整合修改的，经过不少同学的改错，现在已经基本没有错误了，注释没怎么写，以后慢慢补上，如果有什么问题可以交流。下载地址是我的实验室的链接，希望不要盗链了：
- PG_SPBOW.zip: Matlab code for computing the bag of visual words at different levels of spatial pyramid of images.
下面再次说一下基本的理解：
1、个人感觉Bag of Words/Bag of Features原理都差不多，个人还是当一个概念来理解的，可能bag of features涵盖的内容更加具体，特征更有代表性吧。
2、聚类的初始点可以自己选取，也可以随机选取，其实对于聚类的结果虽然有影响，但是最后用于分类的时候影响没那么明显。
————-
最初的Bag of words，也叫做“词袋”，在信息检索中，Bag of words model假定对于一个文本，忽略其词序和语法，句法，将其仅仅看做是一个词集合，或者说是词的一个组合，文本中每个词的出现都是独立的，不依赖于其他词 是否出现，或者说当这篇文章的作者在任意一个位置选择一个词汇都不受前面句子的影响而独立选择的。
现在Computer Vision中的Bag of words来表示图像的特征描述也是很流行的。大体思想是这样的，假设有5类图像，每一类中有10幅图像，这样首先对每一幅图像划分成patch（可以是 刚性分割也可以是像SIFT基于关键点检测的），这样，每一个图像就由很多个patch表示，每一个patch用一个特征向量来表示，咱就假设用Sift 表示的，一幅图像可能会有成百上千个patch，每一个patch特征向量的维数128。
接下来就要进行构建Bag of words模型了，假设Dictionary词典的Size为100，即有100个词。那么咱们可以用K-means算法对所有的patch进行聚 类，k=100，我们知道，等k-means收敛时，我们也得到了每一个cluster最后的质心，那么这100个质心（维数128）就是词典里德100 个词了，词典构建完毕。
词典构建完了怎么用呢？是这样的，先初始化一个100个bin的初始值为0的直方图h。每一幅图像不是有很多patch么？我们就再次 计算这些patch和和每一个质心的距离，看看每一个patch离哪一个质心最近，那么直方图h中相对应的bin就加1，然后计算完这幅图像所有的 patches之后，就得到了一个bin=100的直方图，然后进行归一化，用这个100维德向量来表示这幅图像。对所有图像计算完成之后，就可以进行分 类聚类训练预测之类的了。
转自：http://www.shamoxia.com/html/y2010/2362.html
自我整理：
通过与Bingli讨论，对LLC (CVPR 2010)已经完全掌握，这个流程，包括coding，pooling再SVM分类就叫Bag of words，他也没细看，只是组会听讲学到这么多。得到的pooled features,再输入到SVM或者最近邻进行分类。