精华内容
下载资源
问答
  • 医学图像常用特征提取方法

    千次阅读 2016-07-22 16:22:41
    国内外提出的特征提取方法有很多,根据不同的目的以及不同的目标所用到的特征提取方法也不相同。一般常用的图像特征类型有图像的灰度特征,如图像总体或局部的均值、方差;图像的纹理特征,如共生矩阵、等灰度行程...

    国内外提出的特征提取方法有很多,根据不同的目的以及不同的目标所用到的特征提取方法也不相同。一般常用的图像特征类型有图像的灰度特征,如图像总体或局部的均值、方差;图像的纹理特征,如共生矩阵、等灰度行程长度、傅立叶频谱、随机场模型等;图像的频谱特征;图像灰度变换的梯度特征;图像物体形状特征,如面积、周长、圆形度、长宽比、矩、边心矩、傅立叶描绘子、偏心率、紧凑度等;图像的信息描述以及信噪比等。 

    文献[4]中提出了用傅立叶能量谱和多分辨率分形维数等特征向量采用贝叶斯分类器实现对超声肝图像的识别,对于正常的肝、肝炎、肝硬化三类超声肝图像识别大约  90%;文献[12]从一、二阶灰度统计中提取  11  个特征值,用人工神经网络的方法在肝损伤图像中识别正常肝、肝炎、恶性肿瘤肝正确率达  100%;文献[13]  利用空间灰度共生矩阵用 NN  对肝炎和淤血肝的  CT 图像进行识别,正确率 83%;文献[15]中 Asvestas 等人用分形维数和模糊  C-means  分类器来识别恶性肿瘤肝正确率达到  85.7%;文献[11]中陈菲
    等人提出一种融合共生矩阵和多分辨率相结合的方法来进行超声肝癌图像特征提取,识别率有 87.74%。文献[27]中用共生矩阵、自相关的特征,采用主成分分析法(PCA)对提取出来的特征进行了降维,运用 K-means 分类器里区分正常肝,囊肿,良性和恶性肿瘤的识别率为 70%。

    纹理特征提取

    (1)统计纹理特征:

    ①灰度共生矩阵(角二阶矩、对比度、相关、方差、反差分炬、熵等)。

    ②灰度游程矩阵(短游程优势、长游程优势、灰度的不均匀性度量、游程长度不均匀性度量、游程长度的百分率)。

    ③灰度直方图(均值、方差、扭曲度、峰度、能量、熵)。

    ④空间灰度独立矩阵机器统计量(互相关、角度二阶矩)。

    ⑤灰度差分统计(对比度、角度方向二阶矩、熵、平均值)。

    ⑥Laws纹理能量度量(平均灰度、边缘、斑点、波纹、波形)。

    ⑦傅里叶能量谱(环形能量谱、楔形能量谱)。

    形状特征提取

    (待补充)

    [4]  Chung-Ming  Wu,  Yung-Chang  Chen,  Kai-Sheng  Hsieh.  Texture  features  for 
    classification  of  ultrasonic  liver  images.  IEEE  Transactions  on  Medical  Imaging  , 
    1992,11(2): 145-146 

    [12]  H.ujana,  S.Swarnamani.  Application  of  artificial  neural  networks  for  the 
    classification of liver lesions by image texture parameters. Ultrasound in Medicine 
    and Biology, 1996, 22(9):1177-1181 

    [13]  E.-L.Chen,  P.-C.Chung.  An  automatic  diagnostic  system  for  CT  liver  image 
    classification. IEEE Trans.Biomed.Eng.2000, 22(1): 4-37 

    [15]  P.Asvestas,  F.  K.Matsopoulos,  K.S.Nikita.  A  power  differentiation  method  of 
    fractal dimension estimation for 2-D signals. Journal of visual communication and 
    Image representation.1998, 9(4):392-400 

    [11]  陈菲.  肝癌超声图像识别的特征提取.  微机算机信息, 2006, 22(10-3): 272-274

    [27] S. Poonguzhalil, B. Deepalakshmil and G. Ravindran. Optimal Feature Selection and 
    Automatic Classification of Abnormal Masses in Ultrasound Liver Images. IEEE - 
    ICSCN  2007,  MIT  Campus,  Anna  University,  Chennai,  India.  Feb.  22-24, 
    2007:503-506.  

    展开全文
  • 关于模式识别的一个问题:常用的几种特征提取方法和介绍,网上搜的都带有图像的特征和匹配方法,看着比较乱。 谁能直接介绍一下特征提取方法,谢谢
  • FPN:目标检测常用特征提取方法

    千次阅读 2019-12-13 11:33:42
    FPN:目标检测常用特征提取方法 常规的特征提取方法 多维度的目标检测一直以来都是通过对输入图像进行不同程度的缩小或扩大来对图像做特征组合,即图像金字塔的方式,例如人脸检测MTCNN网络就是图像金字塔方式...

    FPN:目标检测常用的特征提取方法

    常规的特征提取方法

    1. 多维度的目标检测一直以来都是通过对输入图像进行不同程度的缩小或扩大来对图像做特征组合,即图像金字塔的方式,例如人脸检测MTCNN网络就是图像金字塔方式输入,这种方法能有效表达出图像上的各种维度特征,对最终检测效果提升很明显,但是对硬件及内存要求较高,同时比较耗时。

    2. 只用单一维度的图像作为网络输入,在经过多次CNN网络模型提取特征,这种方式因为只考虑一种维度信息,在目标检测中,对小目标检测效果不好,Faster r-cnn网络使用。

    3. 虽然只用单一维度的图像作为网络输入,但是在卷积网络的多个feature map上进行目标检测或分类,因为网络层数递增,各层特征会考虑到图像上的不同维度目标,SSD检测网络中使用。

    4. FPN架构方式,顶层特征通过上采样和低层特征做融合,然后每层都独立预测(从网络不同层抽取不同尺度的特征和上采样后做预测)

      下图a,b,c,d各种方式依次对应1,2,3,4
      在这里插入图片描述

    算法内容

    在这里插入图片描述

    算法大致结构如上图:一个自底向上的线路,一个自顶向下的线路,横向连接(lateral connection)。图中放大的区域就是横向连接,这里1*1的卷积核的主要作用是减少卷积核的个数,也就是减少了feature map的个数,并不改变feature map的尺寸大小。

    • 自下至上的通路,就是指的普通CNN特征自底至上逐层浓缩表达特征的一个过程,即前向过程,在前向过程中,feature map的大小在经过某些层后会改变,而在经过其他一些层的时候不会改变,作者将不改变feature map大小的层归为一个stage,因此每次抽取的特征都是每个stage的最后一个层输出,这样就能构成特征金字塔。

    • 自上至下的通路,上层的特征输出其feature map比较小,却能表示更大维度的图像信息,自上至下过程使用上采样。

    • 横向连接,是将上采样的结果和自底向上生成的相同大小的feature map进行融合(merge),即进行了CNN层特征与每一级别输出之间的表达关联。

      FPN(Feature Pyramid Network)算法同时利用低层特征高分辨率和高层特征的高语义信息,通过融合这些不同层的特征达到预测的效果。并且预测是在每个融合后的特征层上单独进行的,这和常规的特征融合方式不同,它已成为图像特征提取中的标配了

    展开全文
  • 常用的图像特征提取方法

    万次阅读 2019-04-26 11:30:15
    2.纹理特征提取 MATLAB程序: %%%特征提取 clear all; close all; clc; D=dir('E:\my_work\长光所\云图\数据集\云样本\*.jpg'); cloud_feature=zeros(length(D),5); for i=1:length(D) img=imread(['E:\...

    1. 灰度特征可提取:灰度平均值、方差

    2.纹理特征提取

    MATLAB程序:

    %%%特征提取
    clear all;
    close all;
    clc;
    
    D=dir('E:\my_work\长光所\云图\数据集\云样本\*.jpg');
    cloud_feature=zeros(length(D),5);
    
    for i=1:length(D)
        img=imread(['E:\my_work\长光所\云图\数据集\云样本\',D(i).name]);
        [m,n]=size(img);
        cloud_feature(i,1)=mean2(img);
        cloud_feature(i,2)=std2(img);
        
        gray_dif=zeros(256,1);
        gray_co_matrix=zeros(256,256);
        for j=1:m
            for k=1:n-1
                %%灰度差分统计直方图
                gray_dif(abs(img(j,k)-img(j,k+1))+1,1)=gray_dif(abs(img(j,k)-img(j,k+1))+1,1)+1;%水平方向
                %%灰度共生矩阵
                gray_co_matrix(img(j,k)+1,img(j,k+1)+1)=gray_co_matrix(img(j,k)+1,img(j,k+1)+1)+1;
            end
        end
        %%灰度差分统计直方图特征提取
        gray_dif=gray_dif/((n-1)*m);%归一化
        gray_co_matrix=gray_co_matrix/((n-1)*m);%归一化
        dif_mean=0;%灰度差分统计均值
        dif_con=0;%灰度差分统计对比度
        dif_ent=0;%灰度差分统计图像熵
        for l=1:256
            dif_mean=dif_mean+(l-1)*gray_dif(l);
            dif_con=dif_con+(l-1)^2*gray_dif(l);
            if gray_dif(l)~=0
                dif_ent=dif_ent-gray_dif(l)*log2(gray_dif(l));
            end
        end
        cloud_feature(i,3)=dif_mean;
        cloud_feature(i,4)=dif_con;    
        cloud_feature(i,5)=dif_ent;
        %%灰度共生矩阵特征提取
        asm=0;%角二阶距
    %     cor=0;%相关
        ent=0;%熵
        con=0;%对比度
        for p=1:256
            for q=1:256
                asm=asm+gray_co_matrix(p,q)^2;
                if gray_co_matrix(p,q)~=0
                    ent=ent-gray_co_matrix(p,q)*log2(gray_co_matrix(p,q));
                end
                con=con+(p-q)^2*gray_co_matrix(p,q);
            end
        end
        cloud_feature(i,6)=asm;
        cloud_feature(i,7)=ent;    
        cloud_feature(i,8)=con;            
                
    end

    3.形状特征提取

    常用的有7个不变矩特征,自行查阅。

    不变矩特征具有尺度、旋转、平移不变性,实际用代码计算时,对于有尺度、旋转、平移变化的目标的不变矩特征可能有微小的变化。

    MATLAB程序:

    binary_img=std_image>2;
    figure;
    imshow(binary_img);
    
    
    m10=0;m01=0;m00=0;
    for i=1:lines
        for j=1:samples
            if binary_img(i,j)
                m10=m10+i*binary_img(i,j);
                m01=m01+j*binary_img(i,j);
                m00=m00+binary_img(i,j);
            end
        end
    end
    
    avg_x=m10/m00;
    avg_y=m01/m00;
    
    u00=m00;
    u20=0;u30=0;u02=0;u03=0;u21=0;u11=0;u12=0;
    for i=1:lines
        for j=1:samples
           if binary_img(i,j) 
               u20=u20+(i-avg_x)^2*binary_img(i,j);
               u30=u30+(i-avg_x)^3*binary_img(i,j);
               u02=u02+(j-avg_y)^2*binary_img(i,j);
               u03=u03+(j-avg_y)^3*binary_img(i,j);           
               u21=u21+(i-avg_x)^2*(j-avg_y)*binary_img(i,j);
               u11=u11+(i-avg_x)*(j-avg_y)*binary_img(i,j);
               u12=u12+(i-avg_x)*(j-avg_y)^2*binary_img(i,j);
           end
        end
    end
    
    s20=u20/u00^((2+0)/2+1);
    s30=u30/u00^((3+0)/2+1);
    s02=u02/u00^((0+2)/2+1);
    s03=u03/u00^((0+3)/2+1);
    s21=u21/u00^((2+1)/2+1);
    s11=u11/u00^((1+1)/2+1);
    s12=u12/u00^((1+2)/2+1);
    
    f1=s20+s02;
    f2=(s20-s02)^2+4*s11^2;
    f3=(s30-3*s12)^2+(3*s21-s03)^2;
    f4=(s30+s12)^2+(s21+s03)^2;
    f5=(s30-3*s12)*(s30+s12)*((s30+s12)^2-3*(s21+s03)^2)+(3*s21-s03)*(s21+s03)*(3*(s30+s12)^2-(s21+s03)^2);
    f6=(s20-s02)*((s30+s12)^2-(s21+s03)^2)+4*s11*(s30+s12)*(s21+s03);
    f7=(3*s21-s03)*(s30+s12)*((s30+s12)^2-3*(s21+s03)^2)+(3*s21-s03)*(s21+s03)*(3*(s30+s12)^2-(s21+s03)^2);

     

    展开全文
  • 汉字常用特征提取方法详解

    万次阅读 2016-07-24 10:02:03
    汉字模板即是对字模图片进行特征提取,将特征数据存放到存储器上构成模板。模板制作与提取待识别汉字特征需要将原始汉字图片进行归一化,可增加特征的鲁棒性。汉字数据尺度归一化到为64*64,归一化方法很多,最常用...

    CSDN的博客确实太难写编辑了,最常用的还是WORD,我是从word导过来,图片什么的重新插入的,麻烦死了。所以排版什么的可能有点不规则,见谅。


    汉字模板制作:

    汉字模板即是对字模图片进行特征提取,将特征数据存放到存储器上构成模板。模板制作与提取待识别汉字特征需要将原始汉字图片进行归一化,可增加特征的鲁棒性。汉字数据尺度归一化到为64*64,归一化方法很多,最常用的是基于重心的归一化,不做详细介绍。


    网格特征:

           在实际中,为了增加特征的鲁棒性,常常采用网格技术。即统计汉字某一区域内特征的总和,这样可以削弱局部干扰。网格结构主要是等分网格和弹性网格。等分网格即是把原图像按尺寸平均分割为若干小网格,弹性网格则根据笔画密度划分原始图像。弹性网格对字符位置偏移、扭曲更加不敏感,是目前使用最多的网格结构,考虑到 “一” “l”等极端过窄字符,限制弹性网格弹力范围。


    汉字的网格特征:

    汉字常用特征有:粗外围特征、外轮廓特征、内轮廓特征、方向线素特征。其中粗外围、外轮廓用于粗分类,外轮廓、内轮廓、方向线素用于细分类。

    1)粗外围特征

           该特征用于描述汉字较粗糙的结构信息。

    首先对原汉字进行细化处理,得到汉字的骨架图像。常用的图像细化算法均可,推荐使用R方法其速度较快。R算法的一个链接:http://download.csdn.net/detail/jy02660221/9584580

                 

    原图像与骨架图像

          

    首先对骨架图像进行内部区域填充处理。若该点为白色(非笔画区域),则检测其上下左右四个方向是否有笔画,若都有笔画则认为该点为内部区域,将白色置为黑色,依次处理完所有白点。然后将填充图分成4*4共16个小块,统计每一小块黑色点数(笔画)数量,构成16维粗外围特征。特征提取示意如下。


    填充图及粗外围特征

     

    2)外轮廓特征

    该特征用于描述汉字外部轮廓信息。 原汉字二值图像沿上下左右 4个方向进行扫描。为了提高对字符形变的鲁棒性,本文用弹性网格对扫描区域进行划分,统计该部分第一次碰到笔画的面积。如下图(箭头表示的扫描方向) ,每个方向被分为了 4 个区域,每个区域阴影面积即是 1维特征。那么经该处理后,得到 4*4=16 维特征。


     

    3)内轮廓特征

       该特征用于描述汉字内部结构信息。对汉字细化后的骨架图像沿上下左右4个方向扫描,扫描方式同外轮廓特征提取,统计第一次穿过笔画与第二次再次碰到笔画之间的面积(下图 阴影部分,箭头表示扫描方向)。该特征描述了汉字更加细节的内部结构,特征维度为 16维。


     

    4)方向线素特征

           1.该特征用于描述汉字较细腻的笔画结构信息。对汉字原图像进行一阶微分运算,得到汉字的外部轮廓线图像,如下所示。


    原图像与外轮廓线图像

    2.把外轮廓线图像分成8*8=64个区域,统计每个小块中有效像素(笔画)的方向线素累积和。计算每个像素的方向线素:在局部区域里(3X3区域),计算中心像素的方向矢量。该矢量是4维特征,对应“横、竖、撇、捺”4个方向。即在4个方向基础上,对轮廓做顺时针跟踪,将每个方向又分成2个指向,例如:“横”可以分成“左向横”和“右向横”。在3X3邻域里包围中心点的8个像素可以产生256种组合,采用查表的方式分别给方向矢量的4个元素赋值,如下表(表中数值仅为示意,具体比例系数以程序为准)。这样共构成8*8*4=256维特征。



    这里我们介绍了4种汉字常用特征,其中方向线素特征与梯度方向直方图很类似,可用梯度方向直方图替代,产生更精细的效果。

     

     

    展开全文
  • 一些常用的纹理特征提取方法汇总,都是用matlab写的,经过测试后有效。希望对大家有所帮助。
  • Sklearn常用特征提取和处理方法

    千次阅读 2018-09-13 13:20:32
    标准化处理的常用方法: 1、线性标准化(归一化)(min-max normalization) 这种归一化适合数值比较集中的情况,缺陷就是如果max和min不稳定,很容易使得归一化结果不稳定,使得后续的效果不稳定,实际...
  • 传统图像特征提取方法列表

    千次阅读 2019-09-24 10:05:33
    图像特征的操作步骤常见的特征提取方法:其他常用的特征检测算法 特征是什么? 常见的特征有:边缘、角,区域; 图像特征的操作步骤 目前图像特征的提取主要有两种方法:传统图像特征提取方法 和 深度学习方法。 ...
  • 边缘特征提取方法

    万次阅读 2019-02-22 16:30:11
    边缘特征提取方法
  • 特征提取方法

    万次阅读 2018-04-18 10:48:51
    潜在语义索引潜在语义索引(Latent Semantic Indexing,以下简称LSI),也叫Latent Semantic...LSI方法可以用作特征降维、文本相似度计算等。优缺点:(1)SVD是非常耗时的,主题模型非负矩阵分解(NMF)可以很好的解...
  • 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一 颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的...(二)常用特征提取与匹配方法 颜色直方图 其优点在于
  • 数据特征提取方法

    万次阅读 多人点赞 2018-09-20 10:37:55
    数据挖掘特征提取方法-汇集、 特征提取方法、特征提取之PCA、机器学习 —— 基础整理(四)特征提取之线性方法:主成分分析PCA、独立成分分析ICA、线性判别分析LDA、【机器学习算法系列之三】简述多种降维算法...
  • 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一 颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有...
  • 图像特征提取方法

    千次阅读 2019-06-18 19:44:17
    特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者...
  • 文章首先列举了几种特征提取算法: 1.Local Binary patterns LBP是一种简单有效的用于纹理分类的特征提取算法,由ojala等人于1996年提出,从纹理分析的角度看,图像上某个像素点的纹理特征,大多数情况下是指这个...
  • Opencv运动物体常用特征提取与匹配方法 提取图像空间关系特征可以有两种方法: 1) 首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征,并建立索引;(分割——块特征...
  • 图像特征特点及常用特征提取与匹配方法常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。一 颜色特征(一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征...
  • 文本特征提取方法

    千次阅读 2019-01-29 19:32:50
    特征提取方法: one-hot 和 TF-IDF one-hot 1.1 one-hot编码  什么是one-hot编码?one-hot编码,又称独热编码、一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都有它独立的寄存器位,并且...
  • 颜色特征提取方法

    万次阅读 多人点赞 2012-04-04 09:35:40
    计算机视觉的特征提取算法研究至关重要。在一些算法中,一个高复杂度特征的提取可能能够解决问题(进行目标检测等目的),但这将以处理更多数据,需要更高的处理效果为代价。而颜色特征无需进行大量计算。只需将数字...
  • Python人脸图像特征提取方法

    千次阅读 2020-07-11 10:45:22
    Python人脸图像特征提取方法 一、HOG人脸图像特征提取 1、HOG特征: 1) 主要思想: 2) 实现方法: 3) 性能提高: 4) 优点 2、HOG特征提取算法的实现过程: 二、Dlib人脸图像特征提取 1.Dlib介绍 2.主要特点 三、卷积...
  • 文本特征提取方法研究

    万次阅读 2017-09-27 10:25:22
    文本挖掘就是从大量的文档中发现隐含知识和模式的一种方法和工具,它从数据挖掘发展而来,但与传统的数据挖掘又有许多不同。文本挖掘的对象是海量、异构、分布的文档(web);文档内容是人类所使用的自然语言,缺乏计算机...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 76,417
精华内容 30,566
关键字:

常用特征提取方法