精华内容
下载资源
问答
  • 内含13种图像特征提取代码:01_Histogram、02_GLCM、03_Color、04_ShapeContext、05_SIFT、06_HOG、07_LBP、08_Gabor、09_SURF、10_Harris、11_FAST、12_BRIEF、13_ORB
  • 图像特征提取方法

    千次阅读 2016-04-15 20:09:41
    HOG特征 (1)主要思想:  在一副图像中,局部目标的表象和形状(appearance and shape)能够被梯度或边缘的方向密度分布很好地描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。 (2)具体的实现方法...
    HOG特征
    1)主要思想:
           在一副图像中,局部目标的表象和形状(appearance and shape)能够被梯度或边缘的方向密度分布很好地描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。
    2)具体的实现方法是:
           首先将图像分成小的连通区域,我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。
    LBP特征
    (1)LBP特征的描述
           原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。
    Haar特征
    Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如:脸部的一些特征能由矩形特征简单的描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构,如边缘、线段较敏感,所以只能描述特定走向(水平、垂直、对角)的结构。
    展开全文
  • 图像特征提取几种方法介绍

    万次阅读 2017-02-20 19:51:51
    图像特征提取几种方法介绍 参考: http://blog.csdn.net/abcjennifer/article/details/7639681 1、SIFT SIFT:尺度不变特征变换(Scale-invariant features transform)。SIFT是一种检测局部特征的...

    图像特征提取几种方法介绍


    参考:

    http://blog.csdn.net/abcjennifer/article/details/7639681



    1、SIFT

    SIFT:尺度不变特征变换(Scale-invariant features transform)。SIFT是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points)及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配,获得了良好效果。
    SIFT特征不只具有尺度不变性,即使改变旋转角度,图像亮度或拍摄视角,仍然能够得到好的检测效果

    2、SURF

    SURF:加速稳健特征(Speeded Up Robust Features)。SURF是对SIFT算法的改进,其基本结构、步骤与SIFT相近,但具体实现的过程有所不同。SURF算法的优点是速度远快于SIFT且稳定性好。 

    3、HOG

    HOG:方向梯度直方图(Histogram of Oriented Gradient)。

    4、DOG

    DOG:高斯函数的差分(Difference of Gaussian)。

    展开全文
  • (一)HOG特征 1、HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。...需要提醒的是,HOG+SVM进行行人检测的方法是法国研究

    (一)HOG特征
    1、HOG特征:
    方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的,而如今虽然有很多行人检测 算法不断提出,但基本都是以HOG+SVM的思路为主。

    (1)主要思想:
    在一副图像中,局部目标的表象和形状(appearance and shape)能够被梯度或边缘的方向密度分布很好地描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。
    (2)具体的实现方法是:
    首先将图像分成小的连通区域,我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。
    (3)提高性能:
    把这些局部直方图在图像的更大的范围内(我们把它叫区间或block)进行对比度归一化(contrast-normalized),所采用的方法是:先计算各直方图在这个区间(block)中的密度,然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后,能对光照变化和阴影获得更好的效果。
    (4)优点:
    与其他的特征描述方法相比,HOG有很多优点。首先,由于HOG是在图像的局部方格单元上操作,所以它对图像几何的和光学的形变都能保持很好的不变性,这两种形变只会出现在更大的空间领域上。其次,在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,只要行人大体上能够保持直立的姿势,可以容许行人有一些细微的肢体动作,这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。

    2、HOG特征提取算法的实现过程:
    大概过程:
    HOG特征提取方法就是将一个image(你要检测的目标或者扫描窗口):
    1)灰度化(将图像看做一个x,y,z(灰度)的三维图像);
    2)采用Gamma校正法对输入图像进行颜色空间的标准化(归一化);目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰;
    3)计算图像每个像素的梯度(包括大小和方向);主要是为了捕获轮廓信息,同时进一步弱化光照的干扰。
    4)将图像划分成小cells(例如6*6像素/cell);
    5)统计每个cell的梯度直方图(不同梯度的个数),即可形成每个cell的descriptor;
    6)将每几个cell组成一个block(例如3*3个cell/block),一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。
    7)将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image(你要检测的目标)的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
     
    具体每一步的详细过程如下:
    (1)标准化gamma空间和颜色空间
    为了减少光照因素的影响,首先需要将整个图像进行规范化(归一化)。在图像的纹理强度中,局部的表层曝光贡献的比重较大,所以,这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大,通常先转化为灰度图;
    Gamma压缩公式:
    比如可以取Gamma=1/2;

    (2)计算图像梯度
    计算图像横坐标和纵坐标方向的梯度,并据此计算每个像素位置的梯度方向值;求导操作不仅能够捕获轮廓,人影和一些纹理信息,还能进一步弱化光照的影响。
    图像中像素点(x,y)的梯度为:
    最常用的方法是:首先用[-1,0,1]梯度算子对原图像做卷积运算,得到x方向(水平方向,以向右为正方向)的梯度分量gradscalx,然后用[1,0,-1]T梯度算子对原图像做卷积运算,得到y方向(竖直方向,以向上为正方向)的梯度分量gradscaly。然后再用以上公式计算该像素点的梯度大小和方向。

    (3)为每个细胞单元构建梯度方向直方图
    第三步的目的是为局部图像区域提供一个编码,同时能够保持对图像中人体对象的姿势和外观的弱敏感性。
    我们将图像分成若干个“单元格cell”,例如每个cell为6*6个像素。假设我们采用9个bin的直方图来统计这6*6个像素的梯度信息。也就是将cell的梯度方向360度分成9个方向块,如图所示:例如:如果这个像素的梯度方向是20-40度,直方图第2个bin的计数就加一,这样,对cell内每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围),就可以得到这个cell的梯度方向直方图了,就是该cell对应的9维特征向量(因为有9个bin)。
    像素梯度方向用到了,那么梯度大小呢?梯度大小就是作为投影的权值的。例如说:这个像素的梯度方向是20-40度,然后它的梯度大小是2(假设啊),那么直方图第2个bin的计数就不是加一了,而是加二(假设啊)。
    细胞单元可以是矩形的(rectangular),也可以是星形的(radial)。

    (4)把细胞单元组合成大的块(block),块内归一化梯度直方图
    由于局部光照的变化以及前景-背景对比度的变化,使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。
    作者采取的办法是:把各个细胞单元组合成大的、空间上连通的区间(blocks)。这样,一个block内所有cell的特征向量串联起来便得到该block的HOG特征。这些区间是互有重叠的,这就意味着:每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。我们将归一化之后的块描述符(向量)就称之为HOG描述符。
    区间有两个主要的几何形状——矩形区间(R-HOG)和环形区间(C-HOG)。R-HOG区间大体上是一些方形的格子,它可以有三个参数来表征:每个区间中细胞单元的数目、每个细胞单元中像素点的数目、每个细胞的直方图通道数目。
    例如:行人检测的较佳参数设置是:3×3细胞/区间、6×6像素/细胞、9个直方图通道。则一块的特征数为:3*3*9;

    (5)收集HOG特征
    最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集,并将它们结合成最终的特征向量供分类使用。

    (6)那么一个图像的HOG特征维数是多少呢?
    顺便做个总结:Dalal提出的Hog特征提取的过程:把样本图像分割为若干个像素的单元(cell),把梯度方向平均划分为9个区间(bin),在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量,每相邻的4个单元构成一个块(block),把一个块内的特征向量联起来得到36维的特征向量,用块对样本图像进行扫描,扫描步长为一个单元。最后将所有块的特征串联起来,就得到了人体的特征。例如,对于64*128的图像而言,每16*16的像素组成一个cell,每2*2个cell组成一个块,因为每个cell有9个特征,所以每个块内有4*9=36个特征,以8个像素为步长,那么,水平方向将有7个扫描窗口,垂直方向将有15个扫描窗口。也就是说,64*128的图片,总共有36*7*15=3780个特征。
    (二)LBP特征
    LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出,用于纹理特征提取。而且,提取的特征是图像的局部的纹理特征;

    1、LBP特征的描述
    原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。如下图所示:
    LBP的改进版本:
    原始的LBP提出后,研究人员不断对其提出了各种改进和优化。

    (1)圆形LBP算子:
    基本的 LBP算子的较大缺陷在于它只覆盖了一个固定半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,Ojala等对 LBP 算子进行了改进,将 3×3邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子;
    (2)LBP旋转不变模式
    从 LBP 的定义可以看出,LBP 算子是灰度不变的,但却不是旋转不变的。图像的旋转就会得到不同的 LBP值。
    Maenpaa等人又将 LBP算子进行了扩展,提出了具有旋转不变性的 LBP 算子,即不断旋转圆形邻域得到一系列初始定义的 LBP值,取其最小值作为该邻域的 LBP 值。
    图 2.5 给出了求取旋转不变的 LBP 的过程示意图,图中算子下方的数字表示该算子对应的 LBP值,图中所示的 8 种 LBP模式,经过旋转不变的处理,最终得到的具有旋转不变性的 LBP值为 15。也就是说,图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是00001111。
    (3)LBP等价模式
    一个LBP算子可以产生不同的二进制模式,对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P2种模式。很显然,随着邻域集内采样点数的增加,二进制模式的种类是急剧增加的。例如:5×5邻域内20个采样点,有220=1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时,过多的模式种类对于纹理的表达是不利的。例如,将LBP算子用于纹理分类或人脸识别时,常采用LBP模式的统计直方图来表达图像的信息,而较多的模式种类将使得数据量过大,且直方图过于稀疏。因此,需要对原始的LBP模式进行降维,使得数据量减少的情况下能较好的代表图像的信息。
    为了解决二进制模式过多的问题,提高统计性,Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为,在实际图像中,绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此,Ojala将“等价模式”定义为:当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该LBP所对应的二进制就称为一个等价模式类。如00000000(0次跳变),00000111(只含一次从0到1的跳变),10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类,称为混合模式类,例如10010111(共四次跳变)(这是我的个人理解,不知道对不对)。
    通过这样的改进,二进制模式的种类大大减少,而不会丢失任何信息。模式数量由原来的2P种减少为 P ( P-1)+2种,其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说,二进制模式由原始的256种减少为58种,这使得特征向量的维数更少,并且可以减少高频噪声带来的影响。

    2、LBP特征用于检测的原理
    显而易见的是,上述提取的LBP算子在每个像素点都可以得到一个LBP“编码”,那么,对一幅图像(记录的是每个像素点的灰度值)提取其原始的LBP算子之后,得到的原始LBP特征依然是“一幅图片”(记录的是每个像素点的LBP值)。
    LBP的应用中,如纹理分类、人脸分析等,一般都不将LBP图谱作为特征向量用于分类识别,而是采用LBP特征谱的统计直方图作为特征向量用于分类识别。
    因为,从上面的分析我们可以看出,这个“特征”跟位置信息是紧密相关的。直接对两幅图片提取这种“特征”,并进行判别分析的话,会因为“位置没有对准”而产生很大的误差。后来,研究人员发现,可以将一幅图片划分为若干的子区域,对每个子区域内的每个像素点都提取LBP特征,然后,在每个子区域内建立LBP特征的统计直方图。如此一来,每个子区域,就可以用一个统计直方图来进行描述;整个图片就由若干个统计直方图组成;
    例如:一幅100*100像素大小的图片,划分为10*10=100个子区域(可以通过多种方式来划分区域),每个子区域的大小为10*10像素;在每个子区域内的每个像素点,提取其LBP特征,然后,建立统计直方图;这样,这幅图片就有10*10个子区域,也就有了10*10个统计直方图,利用这10*10个统计直方图,就可以描述这幅图片了。之后,我们利用各种相似性度量函数,就可以判断两幅图像之间的相似性了;

    3、对LBP特征向量进行提取的步骤
    (1)首先将检测窗口划分为16×16的小区域(cell);
    (2)对于每个cell中的一个像素,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素点的LBP值;
    (3)然后计算每个cell的直方图,即每个数字(假定是十进制数LBP值)出现的频率;然后对该直方图进行归一化处理。
    (4)最后将得到的每个cell的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量;
    然后便可利用SVM或者其他 机器学习算法进行分类了。
    (三)Haar特征
    1、Haar-like特征
    Haar-like特征最早是由Papageorgiou等应用于人脸表示,Viola和Jones在此基础上,使用3种类型4种形式的特征。
    Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如:脸部的一些特征能由矩形特征简单的描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构,如边缘、线段较敏感,所以只能描述特定走向(水平、垂直、对角)的结构。
    对于图中的A, B和D这类特征,特征数值计算公式为:v=Sum白-Sum黑,而对于C来说,计算公式如下:v=Sum白-2*Sum黑;之所以将黑色区域像素和乘以2,是为了使两种矩形区域中像素数目一致。
    通过改变特征模板的大小和位置,可在图像子窗口中穷举出大量的特征。上图的特征模板称为“特征原型”;特征原型在图像子窗口中扩展(平移伸缩)得到的特征称为“矩形特征”;矩形特征的值称为“特征值”。
    矩形特征可位于图像任意位置,大小也可以任意改变,所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化,使得很小的检测窗口含有非常多的矩形特征,如:在24*24像素大小的检测窗口内矩形特征数量可以达到16万个。这样就有两个问题需要解决了:(1)如何快速计算那么多的特征?—积分图大显神通;(2)哪些矩形特征才是对分类器分类最有效的?—如通过AdaBoost算法来训练(这一块这里不讨论,具体见http://blog.csdn.net/zouxy09/article/details/7922923)

    2、Haar-like特征的计算—积分图
    积分图就是只遍历一次图像就可以求出图像中所有区域像素和的快速算法,大大的提高了图像特征值计算的效率。
    积分图主要的思想是将图像从起点开始到各个点所形成的矩形区域像素之和作为一个数组的元素保存在内存中,当要计算某个区域的像素和时可以直接索引数组的元素,不用重新计算这个区域的像素和,从而加快了计算(这有个相应的称呼,叫做动态规划算法)。积分图能够在多种尺度下,使用相同的时间(常数时间)来计算不同的特征,因此大大提高了检测速度。
    我们来看看它是怎么做到的。
    积分图是一种能够描述全局信息的矩阵表示方法。积分图的构造方式是位置(i,j)处的值ii(i,j)是原图像(i,j)左上角方向所有像素的和:

    积分图构建算法:
    1)用s(i,j)表示行方向的累加和,初始化s(i,-1)=0;
    2)用ii(i,j)表示一个积分图像,初始化ii(-1,i)=0;
    3)逐行扫描图像,递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的值
    s(i,j)=s(i,j-1)+f(i,j)
    ii(i,j)=ii(i-1,j)+s(i,j)
    4)扫描图像一遍,当到达图像右下角像素时,积分图像ii就构造好了。
    积分图构造好之后,图像中任何矩阵区域的像素累加和都可以通过简单运算得到如图所示。
    设D的四个顶点分别为α、β、γ、δ,则D的像素和可以表示为
    Dsum = ii( α )+ii( β)-(ii( γ)+ii( δ ));
    而Haar-like特征值无非就是两个矩阵像素和的差,同样可以在常数时间内完成。所以矩形特征的特征值计算,只与此特征矩形的端点的积分图有关,所以不管此特征矩形的尺度变换如何,特征值的计算所消耗的时间都是常量。这样只要遍历图像一次,就可以求得所有子窗口的特征值。

    3、Haar-like矩形特征拓展
    Lienhart R.等对Haar-like矩形特征库作了进一步扩展,加入了旋转45。角的矩形特征。扩展后的特征大致分为4种类型:边缘特征、线特征环、中心环绕特征和对角线特征:
    在特征值的计算过程中,黑色区域的权值为负值,白色区域的权值为正值。而且权值与矩形面积成反比(使两种矩形区域中像素数目一致);
    竖直矩阵特征值计算:
    对于竖直矩阵,与上面2处说的一样。
    45°旋角的矩形特征计算:
    对于45°旋角的矩形,我们定义RSAT(x,y)为点(x,y)左上角45°区域和左下角45°区域的像素和。
    用公式可以表示为:
    为了节约时间,减少重复计算,可按如下递推公式计算:
    而计算矩阵特征的特征值,是位于十字行矩形RSAT(x,y)之差。可参考下图:

    展开全文
  • 结果显示:基于本质图像分解的特征提取方法能够有效消除多种不利因素(如:场景光照、阴影以及成像噪声等)对影像光谱反射值的影响,提供了更高的分类精度。 方法:基于本质图像分解的高光谱影像特征提取。 ...

    这是15年的文章,具有科普的性质。

    摘要部分

    第一段

    传统的遥感影像处理技术在分析高光谱影像时面临许多问题和挑战:如何解决高维数据小样本识别分类问题、如何实现高维数据的实时处理、如何提升光谱类似地物的区分能力等等

    面临的问题:

    • 高维数据小样本识别分类问题
    • 高维数据的实时处理
    • 提升光谱类似地物的区分能力

    尤其是小样本问题,是我目前面临的最大问题。

    本论文通过对高光谱影像自身特性的深入分析,在总结高光谱图像处理研究现状的基础上,研究了多种高性能的特征提取与分类识别技术,并用多个高光谱遥感应用实例验证了本文提出的多种方法。

    可以看出文章大概的思路:

    • 高光谱影像的特性的深入分析
    • 总结高光谱图像处理研究现状
    • 多种高性能的特征提取与分类识别技术
    • 多个高光谱遥感应用实例

    第二段

    对于高光谱影像特征提取,本文提出了一种基于图像融合与递归滤波的方法。该方法通过图像融合与递归滤波有效去除高光谱影像中的噪声,强化地物的形状与轮廓等显著空间结构,从而有效降低类内差异,同时增大类间差异。

    基于图像融合递归滤波的方法:

    • 原理:通过图像融合与递归滤波有效去除高光谱影像中的噪声,强化地物的形状与轮廓等显著空间结构
    • 结果:降低类内差异,增大类间差异。

    第三段

    光谱反射值是高光谱影像的关键特征,然而受到传感器成像机理、拍摄环境以及气候条件等因素的影响,遥感高光谱影像中的光谱反射值往往并不纯净甚至可能包含严重的失真与畸变。

    这反映了高光谱图像采样时的问题:容易收到外界环境的干扰(在使用同一种采样器的情况下,不考虑采样器带来的差异)。这也是我的导师说的不同批次的采样数据最好不要混用的原因。

    按照论文的意思,我觉得可以这么理解:最终采样得到的高光谱图像的光谱反射值主要有两部分组成:

    • 光谱反射值:反应被采样数据的属性,不随采样条件改变。
    • 随机误差:反应采样条件的改变,随采样条件的不同而不同。

    针对这一问题,我们提出了一种基于本质图像分解的高光谱影像特征提取算法。基于人眼视觉感知模型,利用人眼区分亮度特征与光谱反射特征的能力,将高光谱影像分解为亮度成份与光谱反射成份,并将通过本质图像分解获取的影像纯净光谱反射成份用于地物识别分类。
    实验中,我们将本质图像分解特征应用于高光谱遥感应用实例并与多种现有的高光谱影像特征提取方法进行了比较。结果显示:基于本质图像分解的特征提取方法能够有效消除多种不利因素(如:场景光照、阴影以及成像噪声等)对影像光谱反射值的影响,提供了更高的分类精度。

    • 方法:基于本质图像分解的高光谱影像特征提取。
    • 原理:人眼视觉感知模型,利用人眼区分亮度特征与光谱反射特征的能力。
    • 理论结果:将高光谱影像分解为亮度成份与光谱反射成份,并将通过本质图像分解获取的影像纯净光谱反射成份用于地物识别分类
    • 实际结果:有效消除
      多种不利因素(如:场景光照、阴影以及成像噪声等)对影像光谱反射值的影响,提供了更高的分类精度。

    …………先略吧,看不下去了。

    第一章 绪论

    1.1 研究背景与意义

    介绍了高光谱图像的发展情况及其意义:
    遥感影像光谱分辨率可达到纳米数量级,其光谱通道多达数十甚至数百,地物的成像范围也延伸到人类肉眼不可见的近红外、中红外甚至远红外光谱区间。
    这意味着高光谱影像不仅可提供地物的空问几何信息,同时也包含丰富的反映地物特有物理性状的光谱信息。

    统计了国内外现有的主要高光谱成像传感系统:

    1.2 国内外研究现状

    1.2.1 高光谱遥感影像特点与面I临的挑战

    特点:

    • 光谱响应范围广,波段多,采样间隔小,分辨率高。
      高覆盖的光谱范围与精细的光谱分辨率意味着地物光谱的全局特征将更加完整而局部细微特征将更加明显。
    • “谱像合一”。
      以波段数为横轴,灰度值为纵轴建立坐标系,高光谱影像的每个像元在各个通道的灰度值均能表示为一条完整连续的光谱曲线,即所谓的“谱像合一”。
    • 信息冗余度大。
      高光谱影像数据量大,且相邻高光谱波段的相关性高。
    • 高光谱遥感影像空间辨率通常较低,部分光谱范围内的波段会出现信息丢失或包含严重的影像噪声。
      成像技术的局限性,大气湿度、场景光照等环境因素影响。

    挑战:

    1. “Hughes”现象:
      即指在高维数据分析过程中,随着数据维数的增加,分类精度先增加后下降的现象。

    采用统计模式识别方法对多维数据进行分析时,通常假定每一种模式在特征空间均服从正态分布,通过己知的训练样本,估计统计模型分布的参数值,从而建立分类器。当数据维数较低时,训练样本相对于空间维数占较大比重,因此可以得到比较准确的参数估计。然而,当使用该类识别方法处理包含数百个波段的高光谱影像时,训练样本的数目将不能满足特征空间维数增加的要求,参数估计的精确性也因此难以保证。比如某些重要的地物覆盖,由于在图像中所占的面积较小,无法提供足够数量的训练样本,往往难以得到满意的分类结果。

    我的理解是:采用统计模式识别方法(我觉得和统计的原理有关系,但具体不清楚)时,数据维度和训练样本数应该是正相关。
    就像论文说的:“当数据维数较低时,训练样本相对于空间维数占较大比重,因此可以得到比较准确的参数估计。……然而,当使用该类识别方法处理包含数百个波段的高光谱影像时,训练样本的数目将不能满足特征空间维数增加的要求,参数估计的精确性也因此难以保证。”
    “直接将高维数据作为分类器输入显然不是最聪明的做法”

    1. 高光谱影像蕴含着近乎连续的地物光谱信息——“异物同谱”和“同物异谱”
      “异物同谱”:
      受光照、气候变化、云层厚度以及像元不纯净等因素的影响,高光谱影像存在地物光谱性状混淆与畸变的问题。不同地物的光谱曲线在表现出区分性的同时,也具备极大相似性。
      “同物异谱”:
      相似地,属于同种地物的像素的光谱曲线也可能受环境因素如光照、阴影与噪声影响,而出现较大差异。

    对于这一类识别问题,逐像素的根据地物光谱性状进行识别很容易出现误分的情况。
    空谱特征提取与分类方法在利用地物光谱信息进行分类的同时,考虑了像素与其周围像素的空间上下文信息,因此能够有效降低“同物异谱”与“异物同谱”对识别精度的影响。

    探索联合高光谱影像空间光谱信息特征提取与识别方法是当前高光谱遥感领域研究的焦点。

    1.2.2 研究现状与存在的问题

    在这里插入图片描述

    图1.3显示了现有高光谱影像分类识别技术的基本框架:输入一幅高光谱影像,首先需要获取影像的光谱特征与空间特征,然后通过对光谱与空间特征进行选择与组合并输入分类器进行识别,最后利用影像的空间信息对分类结果进行优化得到最终的分类结果。
    针对上节所述的高光谱影像维度高、数据量大以及由此产生的影像特征提取与识别分类上的问题,大量研究结果显示:要进一步提升地物识别分类精度,必须联合高光谱影像的光谱与空间信息。换言之,目前高光谱影像识别分类的研究焦点主要集中在图1.3所示的高光谱影像空间特征提取与空间优化环节。

    这一段话说明了现有高光谱影像分类识别技术的基本框架,直接看图就好了不再赘述。
    另外还说了一点:光谱特征与空间特征都包含有信息,两者应该相互结合,才能使得提高分类效果。

    在这里插入图片描述

    图1.4直观的说明了空间结构信息对高光谱影像分类识别的重要性。如图所示,遥感影像中的地物通常具备明显的空间形状结构。如果我们在进行图像分类时没有利用相邻像素的这种空间相关性,逐像素光谱分类很有可能把属于同一类别的像素识别为不同类型的地物。换言之,单纯根据像素的光谱信息进行分类是不合理的.识别算法在决定一个像素的地物覆盖类别时,不仅需要考虑该像素的光谱信息,同时也需要考虑与之相邻的像素的光谱信息以及更深层次的影像中的空间形状、纹理与布局。

    我的理解是,空间特征其实显示了相邻像素之间的联系,不考虑这种连续性(也就算不考虑空间特征),单纯根据光谱特征逐像素分类会出现将相邻的一类分成多类的问题。
    算是,详细解释了为什么要将光谱特征与空间特征结合,来进行分类识别。

    近年来国内与国际关于如何联合影像空间与光谱信息进行识别的研究总体上分成如下两个主要研宄方向:一是构建联合影像空间与光谱信息的高光谱影像空谱特征提取算法,另一个是以图像分割、概率优化等手段为代表的对逐像素光谱分类结果进行优化的空谱分类方法。

    上面这段话说的是,为了联合影像空间与光谱信息,产生的两个研究方向:

    • 构建联合影像空间与光谱信息的高光谱影像空谱特征提取算法。
    • 以图像分割、概率优化等手段为代表的对逐像素光谱分类结果进行优化的空谱分类方法。
    1. 高光谱影像特征提取

    如何提取有效的反映不同模式的特征是高光谱影像处理与分析的关键技术。直接将高光谱数据作为模式识别分类器的输入,明显不是最佳的选择。抛开高维数据带来的计算负担不说,机器学习方法在处理高维数据时也会面临很大的挑战,如上节所述的“Hughes”现象。

    提取有效的反映不同模式的特征(???),可不可以理解成根据这个特征我能区分不同的模式(或者叫类)。
    另外这段话的一个主要意思是:直接将高光谱数据作为模式识别分类器的输入是不可行的,(要将高维数据进行降维处理,或想办法增加训练样本数,或采用新的训练方法)(??? 括号内是我的想法)。

    大量研究结果说明:利用未标记样本的半监督学习与主动构建新样本的主动学习方法是解决高维数据训练样本不足问题的两种有效解决途径。但是,作为另一种更为直接的解决方案,如何降低数据的维数,将高光谱影像从高维特征空间转换至低维空间一直是高光谱影像分析的研究热点。

    这段话首先提了两种解决高维数据训练样本不足问题的方法:

    • 未标记样本的半监督学习(???
    • 主动构建新样本的主动学习(???

    另外作者又提出了将高维数据降维的思路:“作为另一种更为直接的解决方案,如何降低数据的维数,将高光谱影像从高维特征空间转换至低维空间一直是高光谱影像分析的研究热点”。

    我的理解是高维数据本身会带来计算量的增加,另外维度的提高也会带来对训练样本数数量的要求,即更高的数据维数需要更多的训练样本。前面的两种思路是改变训练方法。作者提出的方法是降低维度。

    应用最为广泛的光谱特征提取方法是基于数据变换的方法。这一类方法通过将高维高光谱数据映射到一个低维的特征空间,实现数据的降维。常见的有基于主成份分析(PrincipalComponentAnalysis,PCA)与基于独立成份分析的方法(IndependentComponentAnalysis,ICA)。
    主成份分析通过将高维特征向量的多维变量进行线性变换,从中选出少数几个或几十个方差最大的特征向量用于识别分类。主成份分析降维的优势在于数据降维过程中保持了数据中对方差贡献最大的特征。其缺点在于包含信息量最多的特征向量并不一定包含能够区分不同模式的有用信息。
    独立成份分析假设反映不同地物材质的光谱信号源是统计独立的。基于该假设,独立成份分析通过少数尽可能独立的特征向量对高光谱影像进行表征。根据数据独立性标准和求解方法的不同,研究人员们提出了多种不同的独立成份分析方法,并将其应用于高光谱影像特征提取。Nicola等人深入研究了不同独立成份分析方法对高光谱影像特征提取性能的影响。

    上面的方法是将高维数据映射到低维特征空间

    主成分分析:

    • 优点:数据降维过程中保持了数据中对方差贡献最大的特征。
    • 缺点:包含信息量最多的特征向量并不一定包含能够区分不同模式的有用信息。

    独立成分分析:

    • 假设的前提:不同地物材质的光谱信号源是统计独立的。
    • 做法:通过少数尽可能独立的特征向量对高光谱影像进行表征。

    除上述的线性特征提取方法外,非线性特征提取同样是数据降维领域的研究焦点。……流形学习这一类非线性方法的优势是它们是从观测到的现象中去寻找事物的本质,因此有可能找到产生数据的内在规律。

    非线性特征提取和流形学习(不太懂,但我觉得目前我也用不着)。

    综上所述,关于高光谱影像光谱特征提取的研究一直是该领域的研究热点。其主要目的是降低数据维数的同时,保留数据中的模式可分信息。然而,单一的光谱特征提取无法有效描述影像的空间信息,也无法实现对地物光谱性状与地物空问结构特征的统一认知,因此其对识别精度的提升存在着明显的性能瓶颈。……然而近年来随着高光谱遥感研究的不断深入,越来越多的研究开始关注如何在降低数据维度的同时,利用影像的空间上下文信息,进一步增强高光谱数据的模式可分性。空谱特征提取已经成为高光谱影像特征提取领域的一个重要分支。

    这段话有三个点:

    • 数据降维的目的:
      在降低数据维数的同时,保留数据中的模式可分信息。(我的理解是,首先维度一定要降低,但是要保留足够的用于分类的信息,使得分类任务得以完成)
    • 单一的光谱特征提取的局限性:
      无法有效描述影像的空间信息,也无法实现对地物光谱性状与地物空问结构特征的统一认知,因此其对识别精度的提升存在着明显的性能瓶颈。
    • 现在的方向:
      降低数据维度的同时,利用影像的空间上下文信息,进一步增强高光谱数据的模式可分性。

    灰度共生矩阵……

    这一章在这之后的都没看。

    1.3 论文研究内容与章节安排

    从高光谱遥感影像出发,一方面我们从特征的角度来分析高光谱影像;另一方面,本文通过空谱分类的方式,提升逐像素高光谱影像分类精度。

    本文的两个重点:

    • 从特征的角度来分析高光谱影像。
    • 通过空谱分类的方式,提升逐像素高光谱影像分类精度。

    论文脉络如下:
    在这里插入图片描述

    从特征的角度来分析高光谱影像:

    (1)对于光谱特征,我们尝试使用图像融合来降低高光谱影像的数据维数,去除高光谱影像相邻波段中的冗余信息。该方法的优势在于降维后的高光谱数据中的波段依然对应场景在某个光谱区间内的反射特性。
    (2)对于高光谱影像而言,形状、轮廓等显著空间结构特征是人眼判别地物覆盖边界最为直接的手段。我们尝试联合图像融合与递归滤波方法,提出了一种基于局部空间滤波的特征提取算法。该方法能够去除高光谱影像的噪声信息,增强影像中的形状以及地物轮廓等结构信息。
    (3)光谱反射值是高光谱影像的关键特征,然而受拍摄条件影响,遥感高光谱影像中的光谱反射值往往并不纯净。针对这一问题,我们提出了一种基于本质图像分解的高光谱影像特征提取算法。该方法通过模拟人眼区分亮度信息与光谱反射信息的能力,将高光谱影像分解为亮度成份与光谱反射成份,并将本质图像分解获取的影像的纯净光谱反射成份用于地物识别分类。与传统空谱特征提取方法不同,该方法最终目的是要提取出影像中纯净的不受阴影与光照等因素影响的光谱反射信息。但是在本质图像分解的过程中,该方法利用了影像的空间上下文信息,因此也是一种空谱特征提取方法。

    1. 降低数据维数
      方法: 图像融合。
      效果: 去除高光谱影像相邻波段中的冗余信息。
      优点: 降维后的高光谱数据中的波段依然对应场景在某个光谱区间内的反射特性。

    2. 特征提取算法
      方法: 联合图像融合与递归滤波方法,,提出了一种基于局部空间滤波的特征提取算法。
      效果: 去除高光谱影像的噪声信息,增强影像中的形状以及地物轮廓等结构信息。

    3. 光谱反射信息提取
      方法: 基于本质图像分解的高光谱影像特征提取算法。
      效果: 将高光谱影像分解为亮度成份与光谱反射成份,并将本质图像分解获取的影像的纯净光谱反射成份用于地物识别分类。

    本文提出的特征提取算法均具有不同的特性,比如基于图像融合与递归滤波的方法具有计算复杂度低分类精度高的特点。而基于本质图像分解的方法,在物理含义上更能准确描述高光谱特征提取的关键所在。尽管算法复杂度较高,但同等条件下,总是能获得比前者更高的分类精度。此外,在处理小样本分类问题上,基于本质图像分解的特征提取方法,性能明显优于基于递归滤波的方法。

    ……

    通过空谱分类的方式,提升逐像素高光谱影像分类精度:

    (1)基于概率优化的空谱分类是高光谱遥感领域的一个重要研究方向。然而传统的全局优化算法如马尔可夫随机场计算复杂度高且处理效率低。针对这一问题,我们提出了一种快速有效的基于边缘保持滤波的空谱分类算法,该算法无需迭代,通过实时的边缘保持滤波联合影像空谱信息,可极大提升分类精度。
    (2)基于边缘保持滤波的局部优化方法无法模拟影像更深层次的空间上下文关系,因此在小样本高维数据分类问题上,存在性能瓶颈。针对这一问题,我们提出了基于随机行走的高光谱影像空谱分类算法。通过求解联合影像空谱信息的随机行走能量函数实现对高光谱影像的精确解译。结果显示该方法突破了传统空谱分类方法在小样本高维数据分类问题上的性能瓶颈,显著提升了分类精度。

    1. 空谱分类
      方法: 基于边缘保持滤波的空谱分类算法。
      效果: 该算法无需迭代,通过实时的边缘保持滤波联合影像空谱信息,可极大提升分类精度。

    2. 优化小样本高维数据分类问题
      方法: 基于随机行走的高光谱影像空谱分类算法。通过求解联合影像空谱信息的随机行走能量函数实现对高光谱影像的精确解译。
      效果: 该方法突破了传统空谱分类方法在小样本高维数据分类问题上的性能瓶颈,显著提升了分类精度。

    1.3.1 研究内容

    论文的主要研究内容包括:

    (1)基于图像融合与递归滤波的高光谱影像特征提取
    提出一种基于图像融合与递归滤波的高光谱影像空谱特征并将其应用于精细农业制图与城市分类。通过与常用的空谱特征提取与分类识别方法的比较,测试提出的基于图像融合与递归滤波的空谱特征的优势。

    • 基于:图像融合与递归滤波
    • 用于:特征提取

    (2)基于本质图像分解的高光谱影像特征提取
    基于人眼的感知特性,提出一种基于本质图像分解的高光谱影像特征。通过估计高光谱影像的本质光谱反射成份,减少噪声、阴影与场景亮度变化对影像记录的光谱反射值的影响。在实验中,通过和常用的空谱特征提取与分类识别方法的比较,测试本质图像分解特征提取技术在解决小样本识别分类问题上的优势。

    • 基于:本质图像分解
    • 用于:特征提取

    (3)基于边缘保持滤波的高光谱影像识别分类
    针对现有空谱分类方法计算复杂度高的问题,提出一种基于局部边缘保持滤波的空谱高光谱影像空谱分类算法。用支持向量机获取像素级分类结果,然后通过边缘保持滤波对初始分类结果进行局部优化,得到空谱分类结果。在实验中,我们分析了不同边缘保持滤波器对算法性能的影响。

    • 基于:边缘保持滤波
    • 用于:识别分类

    (4)基于扩展随机行走的高光谱影像识别分类
    针对局部优化算法和现有全局优化算法的不足,本论文利用随机行走优化对高光谱影像的空间结构进行建模,提出了一种基于扩展随机行走的高光谱影像空谱分类算法。算法首先用支持向量机获取分类概率图像,然后通过优化联合空谱信息的随机行走能量函数获得最终分类结果。在实验中,通过与近年提出的多种空谱分类方法的比较,测试随机行走方法在解决小样本识别分类问题上的优势。

    • 基于:扩展随机行走
    • 用于:识别分类

    (5)高光谱遥感影像综合应用实例
    采用城市地物分类、植被覆盖精确制图、灾害检测与环境监测等实际高光谱遥感典型案例,对本文提出的各种算法进行验证和比较。

    实例演示,对本文提出的各种算法进行验证和比较。

    • 城市地物分类
    • 植被覆盖精确制图
    • 灾害检测与环境监测

    1.3.2 章节安排

    论文的章节安排如下:

    第一章,绪论。
    主要介绍高光谱遥感图像处理的研究意义、高光谱影像特征提取与分类识别技术的研究趋势、发展方向和当前的主要难题以及本文的主要研究内容和方案。

    第二章,基于图像融合与递归滤波的高光谱影像特征提取。
    该章深入分析了域变换递归滤波的边缘保持特性。提出一种基于图像融合与递归滤波的高光谱影像特征提取方法。其基本原理是利用图像融合技术与滤波器的边缘保持特性去除影像噪声的同时,增强高光谱影像中地物的形状与轮廓等空间结构。实验全面比较了基于递归滤波的特征提取方法与形态学特征、逻辑回归与多层回归等广泛使用的空谱特征提取与分类算法。

    第三章,基于本质图像分解的高光谱影像像特征提取。该章详细介绍了机器视觉领域的本质图像分解问题,并提出了一种基于本质图像分解的高光谱影像特征提取算法。其基本原理是利用像元空间上下文关系和视觉感知先验知识,提取出影像中纯净的不受阴影与光照等因素影响的纯净光谱反射特征。实验全面比较了本方法与之前提出的基于图像融合与递归滤波的方法以及其他常用的空谱特征提取与分类识别算法。

    第四章,基于边缘保持滤波的高光谱影像识别分类。
    该章回顾了数种著名的边缘保持滤波器,提出了基于边缘保持滤波的高光谱影像空谱分类识别框架。其基本原理是利用快速的局部滤波方法,联合影像空间信息对逐像素分类结果进行优化,得到最终的空谱分类结果。实验中测试了两种不同的边缘保持滤波策略,双边滤波与引导滤波,对算法性能的影响。

    第五章,基于扩展随机行走的高光谱影像识别分类。
    该章详细介绍了随机行走算法的基本原理及其优势,提出了基于扩展随机行走的高光谱影像分类算法。实验全面比较了该方法与之前提出的特征提取与分类识别算法的效果和精度,以及训练样本数量不同时,不同方法的性能。

    第六章,高光谱遥感影像综合应用实例。
    用四个典型实例,讨论第二章到第五章所提出的高光谱影像特征提取与分类识别技术在不同场景和条件下的应用。分别为:(1)高分辨率可视与高光谱影像相结合的加拿大魁北克黑湖圹城城区分类与制图;(2)美国肯尼迪航天中心周边河岸植被覆盖识别与空间分布研究;(3)博茨瓦纳草原湿地植被制图与灾害检测研究。(4)黄河口三角洲水体、土壤以及植被识别分类研究。

    展开全文
  • 深度学习理论——特征提取算法

    万次阅读 2018-08-15 22:00:20
    大家好,继续理论学习,今天介绍几种最常见的特征提取算法。 1.LBP算法(Local Binary Patterns,局部二值模式) LBP算子是一种用来描述图像局部纹理特征的算子,具有灰度不变性。 其主要思想是在目标像素周围...
  • NLP关键词提取方法总结及实现

    万次阅读 多人点赞 2019-07-23 21:09:41
    、TextRank关键词提取算法实现 四、LDA主题模型关键词提取算法及实现 五、Word2Vec词聚类的关键词提取算法及实现 六、信息增益关键词提取算法及实现 七、互信息关键词提取算法及实现 八、卡方检验关键词提取...
  • 目标检测的图像特征提取

    万次阅读 2017-06-26 16:38:51
    目标检测的图像特征提取之(一)HOG特征 1、HOG特征:  方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域...
  • 图像识别无非是 特征提取 加分类识别从本节开始, 我们将逐步从数字图像处理向图像识别过渡。 严格地说, 图像特征提取属于图像分析的范畴, 是数字图像处理的高级阶段, 同时也是图像识别的开始。本文主要包括以下...
  • (一)HOG特征 1、HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子...需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Da
  • 1、HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子...需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CV...
  • 常见的几种特征提取算法

    千次阅读 2019-07-01 09:08:00
    常见的几种特征提取算法1. LBP算法(Local Binary Patterns,局部二值模式)2.HOG特征提取算法(Histogram of Oriented Gradient)3.SIFT算子(Scale-invariant feature transform,尺度不变特征变换) 1. LBP算法...
  • 第一种:基于动态时间规整(Dynamic Time Warping)的算法在连续语音识别中仍然是主流方法。该方法的运算量较大,但技术上较简单,识别正确率高。在小词汇量、孤立字(词)识别系统中,也已有许多改进的DTW算法被...
  • 纹理特征提取

    千次阅读 2019-02-17 10:23:44
    纹理特征提取
  • opencv学习笔记三十一:LBP特征提取

    千次阅读 2018-09-12 14:12:29
    LBP(local binary pattern)是一种简单,有效的纹理分类的特征提取算法。LBP算子是由Ojala等人于1996年提出的。局部二值模式是一个简单但非常有效的纹理运算符。由于其辨别力强大和计算简单,局部二值模式纹理算子...
  • 特征提取算法

    千次阅读 2019-06-15 16:27:59
    特征提取算法1、SIFT(1)构建高斯差分金字塔(2)特征点的搜索尺度空间极值点搜索子像元插值删除边缘效应2、Harris角点 1、SIFT (1)构建高斯差分金字塔 高斯滤波是实现尺度变换的唯一变换核。 I(x,y)I(x,y)I(x,y...
  • 图片特征提取整理(持续更新....)

    千次阅读 多人点赞 2021-10-22 19:18:53
    Harwood 在1994年提出,用于纹理特征提取。而且,提取的特征是图像的局部的纹理特征; 1、LBP特征的描述 原始的LBP算子定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围...
  • 综述 | 图像特征提取与匹配技术

    千次阅读 2020-09-23 23:36:49
    关注“机器学习与生成对抗网络”,设为星标,第一时间获取更多干货作者:william链接:https://zhuanlan.zhihu.com/p/133301967文仅分享,侵删特征提取...
  • SURF特征提取算法详解

    千次阅读 2019-02-13 00:20:00
    上一节我们已经介绍了SIFT算法,SIFT算法对...SURF(Speeded Up Robust Features)算法改进了特征提取和描述方式,用一种更为高效的方式完成特征点的提取和描述。 一 使用快速Hessian算法和SURF来提取和检测特征 ...
  • 现代计算机视觉应用通常手工实现特征提取,或者用深度学习自动化解决无监督问题。后面的推文会详细介绍。    对感兴趣的点进行特征提取 前面创建的特征矢量包含了图像的每个像素,既包含了图像特征的有用...
  • before:本篇博文先主要叙述ORB特征提取算法,包括对其分解, FAST特征点的生成,BRIEF描述子的生成。然后对FPGA实现特征提取进行简介。铺垫好这些基础后,在下一篇博文中,仔细介绍如何 采用FPGA来实现高速的...
  • 1、HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。...需要提醒的是,HOG+SVM进行行人检测的方法是法国研究人员Dalal...
  • 一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模,在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较好。但对于交通图像中的纹理识别,基于统计数据的方法效果更好。 1.1.1 LBP纹理特征 ...
  • CNN特征提取结果可视化——hooks简单应用

    千次阅读 多人点赞 2021-04-10 10:57:43
    文章目录CNN特征提取结果可视化——hooks简单应用Hooks简单介绍CNN特征提取的简单可视化创建CNN特征提取器创建保存hook内容的对象为卷积层注册hook读取图像并进行特整体提取查看卷积层特征提取效果查看卷积层数可视...
  • 卷积神经网络如何提取特征

    千次阅读 多人点赞 2021-07-25 19:00:41
    而是初始化了一个符合某种分布的特征向量集,然后在反向传播中无限更新这个特征集,让它能无限逼近数学中的那个概念上的特征向量,以致于我们能用特征向量的数学方法对矩阵进行特征提取。 卷积提取特征 卷积核...
  • 【论文笔记】特征提取

    千次阅读 2017-10-31 20:48:44
    从研一开始就在读论文,有的时候也会做笔记,但是基本...今天下载的文章主要是想寻找被分割过的灰度图的特征提取方法。 《基于数字图像处理的棉花害虫识别体系研究_杨文翰》 下载这篇文章文章中对于特征对整个文章的
  • (2)灰度共生矩阵 灰度共生矩阵是另一种纹理特征提取方法,首先对于一幅图像定义一个方向(orientation)和一个以pixel为单位的步长(step),灰度共生矩阵T(N×N),则定义M(i,j)为灰度级为i和j的像素同时出现在一...
  • 视觉SLAM笔记(31) 特征提取和匹配

    万次阅读 2019-10-08 18:48:07
    根据两张具有微小运动的图片,提取 ORB 特征并匹配

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 43,041
精华内容 17,216
关键字:

十三特征提取方法