将空间金字塔匹配(SPM)用于SIFT，然后在c++中输入到SVM中

我正在尝试使用c++和OpenCV对脑肿瘤的MRI图像进行良性和恶性分类。我计划在使用kmeans聚类SIFT描述符后使用词袋(BoW)方法。意思是，我将每个图像表示为直方图，整个"代码本"/字典为x轴，它们在图像中的出现次数为y轴。这些直方图将成为我的SVM(带有RBF核)分类器的输入。

但是，使用BoW的缺点是忽略了图像中描述符的空间信息。有人建议用SPM代替。我读了一下，看到了这个链接，给出了以下步骤:

1. 从训练集中计算K个视觉词，并将所有局部特征映射到它的视觉词。
2. 对于每张图像，初始化K个多分辨率坐标直方图为零。每个坐标直方图由L个级别和每个级别组成它有4^i个单元格，均匀地划分当前图像。
3. 对于该图像中的每个局部特征(假设其视觉词ID为k)，挑出第k个坐标直方图，然后累积1计数到这个直方图中L个对应的细胞，根据局部特征的坐标。L细胞是局部特征所在的单元格在L个不同的分辨率下。
4. 连接K个多分辨率坐标直方图，形成最终的图像"长"直方图。当连接时，第k直方图由第k个视觉词的概率加权。
5. 要计算两幅图像的核值，将它们的"长"直方图相交的所有单元相加。

现在，我有以下问题:

1. 什么是坐标直方图?直方图不就是在x轴上显示每个分组的数量吗?它如何提供点坐标的信息?
2. 我如何计算第k个视觉单词的概率?
3. 我将得到的"内核值"的用途是什么?如何将它作为支持向量机的输入?如果我理解对了，核值是在测试阶段使用的，而不是在训练阶段?如果是，那么我将如何训练支持向量机?
4. 或者你认为我不需要用空间信息来负担自己，只要坚持使用正常的BoW来处理我的情况(良性和恶性肿瘤)?

谁来帮帮这个可怜的小本科生。如果你这样做，我将永远感激你。如果您有什么需要说明的，请尽管提。