使用Bag of Words（词袋模型）的压缩文件。

简介：
本演示程序致力于基于BOW原理对图像进行分类，并能够对已测试的图像集执行BoW（Bag of Words）词袋模型查找。最初，该词袋模型主要应用于文本分类，旨在将文档表示为特征向量。其核心理念在于，对于一篇文本而言，应忽略其词序和语法结构，仅仅将其视为一系列独立的词汇集合。换句话说，每篇文档都被视为一个包含各种词汇的“袋子”，并分析其中包含的词汇种类，从而进行分类。例如，如果一篇文档中“猪”、“马”、“牛”、“羊”、“山谷”、“土地”、“拖拉机”等词汇出现频率较高，而“银行”、“大厦”、“汽车”、“公园”等词汇出现频率较低，则我们更有可能判断其内容描绘的是乡村风光而非城镇景象。 在`searchFeatures.py`文件中，主要实现通过解析功能（parse）来支持命令行参数的传递；随后则进行SIFT特征提取、聚类运算、TF-IDF计算以及单词直方图生成，最后再应用L2归一化处理。由于通常情况下，单幅图像中提取的SIFT特征点数量众多，尤其是在处理大型图像库时更是如此，直接进行聚类运算会面临极大的困难（包括内存不足和计算速度缓慢），因此为了应对这个问题，可以在聚类过程中先对SIFT特征点进行降采样处理，从而牺牲一定的检索精度。最后将一些在在线查询过程中常用的变量保存下来。此外, `query.py`只能一次性查找一张图片并返回与之匹配度最高的前6张图片。