一、简述

        在将图像输入机器学习算法之前，通常对图像执行的预处理步骤之一是将它们转换为特征向量。将图像转换为特征向量有几个优点，可以使机器学习算法更加高效的运行。 

        在将图像转换为特征向量的不同技术中，经常与不同机器学习算法结合使用的两种最流行的技术是定向梯度直方图和词袋技术。

        这里主要就是为了了解用于图像矢量表示的定向梯度直方图 (HOG) 和词袋 (BoW) 技术。 

        在OpenCV中也有机器学习模块，机器学习模块要求将图像数据以等长度的特征向量的形式输入到机器学习算法中。每个训练样本都是一个值向量（在计算机视觉中也称为特征向量）。通常所有向量都具有相同数量的分量。

        构造图像数据的一种方法是将其展平为一维向量，其中向量的长度等于图像中的像素数。例如，20×20 像素图像将产生长度为 400 像素的一维向量。这个一维向量用作输入机器学习算法的特征集，其中每个像素的强度值代表每个特征。

        虽然我们可以讲图像展平直接输入到机器学习算法内，但是完整的图像很多时候不是最有效的数据，尤其是当我们处理较大的图像时，这将导致机器学习算法无法有效处理太多的输入特征。