精华内容
下载资源
问答
  • 分别对显著区域和非显著区域进行特征提取,具体提取的特征包括颜色(Lab空间,即三个分量),纹理,方向等,最后每幅图片用两个特征向量表示(一个显著区域特征向量,一个非显著区域特征向量)。 根据上面第一部分...

    分别对显著区域和非显著区域进行特征提取,具体提取的特征包括颜色(Lab空间,即三个分量),纹理,方向等,最后每幅图片用两个特征向量表示(一个显著区域特征向量,一个非显著区域特征向量)。

           根据上面第一部分得到的结果,每个图像对应这一个显著性区分图,即:

            根据步骤一的结果,我们进行特征提取:这里,根据要求,主要的特征为颜色(Lab空间,即三个分量),纹理,方向等,为了提高精度,我们增加其余几种特征,主要为:

             这里,我们考虑其四个方向上的四个文理参数的均值和方差作为最终的特征参数,此外,再加上LAB空间的颜色分量,总共这些均作为其特征参数。

            颜色特征,

           这里根据要求,使用lab特征空间,最后使用的是计算均值作为三个特征数据。关于这个部分的内容,你可以找一些lab的理论用在论文中。

            关于纹理特征:

        (1)能量:即上述特征量中的角二阶矩,是灰度共生矩阵中各个元素的平方和,该特征量可以描述图像的灰度分布情况以及纹理粗细度,是纹理灰度变化的度量特征量。如果图像纹理粗糙,则该特征量较大,反之,纹理细腻,则该特征量较小。

        (2)对比度:是灰度共生矩阵中主对角线的惯性矩,该特征量是图像清晰程度以及纹理沟纹深浅程度的度量特征量。对比度值较小,说明图像效果清晰,沟纹较浅,反之,对比度值较大,说明图像效果模糊,沟纹较深。

        (3)相关:是灰度共生矩阵行或者列方向上元素相似程度的度量特征量,该特征量可以作为判断纹理主方向的特征量。

        (4)熵:图像信息量,是一个随机性的度量特征量,当灰度共生矩阵中元素分散程度较大时候,熵较大,图像为满纹理时候,熵取得最大值,反之如果纹理分布较集中,则熵较小,如果图像中无纹理,则熵取最小值零。

           我们选择上述常用的四个纹理特征的均值和方差作为特征值。具体公式,请查看相关论文即可。

           我们分别从0,45,90,135四个方向计算其纹理空间。

    3、赋予显著区域特征向量高权值,非显著区域特征向量低权值。(具体做法请你们自己解决,我有个思路,你们可以参考一下不知道可不可行,就是以显著区域和非显著区域像素点个数的倒数,进行归一化,然后作为权值,因为一般情况下显著区域肯定比非显著区域面积要小,即像素个数少,求倒数之后,则显著区域的权值自然比非显著区域的大),这部分务必写清楚具体实现步骤,论文里需要写。

    4、然后用支持向量机的方法对Corel5k图像库的图片进行训练,得出模型,用于对未知图片进行标注。(具体写清楚用的那个类型支持向量机,对应的原始公式等等)

        支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力(或称泛化能力)。

    展开全文
  • 实现人体步态检测和基于步态的人体身份识别算法,主要内容包括背景的提取,人体运动区域检测,人体轮廓提取,步态特征的提取,相似性度量和分类识别。-
  • 传统的表面缺陷检测算法最主要的关键和难点是如何... 缺陷通常具有面积、椭圆度、线性度、矩形度、周长等几何特征,因此可以采用几何特征描述缺陷,几何特征主要分为两种:简单描述子,包括边界的长度、区域的面积...

           传统的表面缺陷检测算法最主要的关键和难点是如何提取出良好的特征描述子并且设计出合适的分类器。特征描述实则为一种图像数据降维方式,将以像素为单位的图像表达为特征描述,是后续缺陷识别的重要环节,其主要思想是使得同类缺陷描述相似,不同类缺陷或者缺陷和背景之间的特征差异较大。常用的特征包括几何特征、灰度特征和纹理特征。 

    1)  几何特征 
          缺陷通常具有面积、椭圆度、线性度、矩形度、周长等几何特征,因此可以采用几何特征描述缺陷,几何特征主要分为两种:简单描述子,包括边界的长度、区域的面积、外接矩形长宽比等;形状描述子,包括圆度、不变矩、链码、曲率等[35],一般要求几何特征具有平移不变性、旋转不变性和尺度不变性。

    2)  灰度特征 
           灰度特征描述图像像素值的分布情况,包括灰度的均值、方差、熵、峤度等,一般图像的纹理特征与图像灰度特征有关,可由灰度特征组成。

    3)  纹理特征

           目前,对于表面缺陷技术的研究主要针对纹理特征,纹理特征反映了图像表面的结构信息以及各个像素与其周围像素的关系,不依赖于图像的颜色,是非常重要的特征,它需要在像素点邻域内计算统计性而不仅仅只依赖于单个像素灰度值,因此它具有局部性,并且纹理特征通常具有旋转不变性,对噪声不敏感,鲁棒性较好。 纹理特征包括灰度统计特征、频谱变换特征、模型特征等。

      灰度统计特征 

           灰度统计特征通过计算像素灰度值的分布得到,最简单的描述是直方图特征,但其仅反映像素值出现的频率,并没有反映像素的空间分布。图像的直方图特征给出了图像的诸多信息,包括像素的最值、均值、方差等,此外,L1及 L2范数、归一化系数、熵等也作为统计特征。直方图特征计算简单,对像素空间分布不敏感,具有旋转和平移不变性,在缺陷检测和识别领域中得到了广泛应用;灰度共生矩阵反映了图像灰度的梯度变化,像素之间的邻域信息,可以表示图像的结构、形状信息,通过此矩阵可以产生 14 种纹理特征,其在特征提取与缺陷检测领域占有重要地位。

    频谱变换特征 
          图像为 2 维离散信号,因此通过滤波器的设计分析纹理特征,常用于模式纹理。将图像变换到频域,在频域空间去除周期性信息,并进行滤波,再反变换回原始图像域,通过差分可得到缺陷区域。常用的变换处理包括傅里叶变换、Gabor 变换、离散余弦变换、小波变换等。 

           傅里叶变换将图像变换到频域,使用频谱能量或频谱熵表达纹理,图像的纹理主要表现为图像的周期性、随机性和方向性特征,周期性纹理指图像的功率谱具有规律性,随机性纹理指频谱响应并不仅局限在特定方向,方向性纹理指方向性在频谱中会很好地保持,根据相对于频率中心位置距离的频谱分布情况可确定纹理图像的周期性,方向性或者随机性。通过将图像进行傅里叶变换到频域,在频域内,将实部和虚部与幅值相除去除周期性信号,再反变换回时域进行动态阈值分割,定位手机 LCD 面板的缺陷,但傅里叶变换是全局变换,不具有局部分析能力,不能分析局部细节信息。

           Gabor 变换是为了改进傅里叶变换的缺点提出的,傅里叶变换不能很好地描述图像局部细节纹理特征,通过在傅里叶变换时加窗函数的方法使得变换具有空间局部刻画能力,当窗函数为 gaussian 函数时即为 gabor 变换。Gabor 变换很好地模拟了人的视觉感知特征,具有很好的方向性,尺度不变性。

           小波变换是考虑到 gabor 变换的窗函数是固定的,不具备自适应能力而提出来的。通过平移和伸缩母小波对信号进行多尺度变换,可提取信号的任意细节特征。通常,采用小波变换进行缺陷检测分为两阶段,第一阶段是训练过程,使用参考图像创建自适应小波并得到相应的小波系数,第二阶段是测试过程,使用训练过程得到的自适应小波分解测试图像,分析和比较测试图像的小波系数和参考图像的小波系数即可得到缺陷位置。

    模型特征

    首先假设图像的正常纹理特征符合某模型,然后估计模型参数,通过参考图像和测试图像模型参数的差异实现缺陷定位。典型的方法包括高斯混合模型(Gaussian  Mixture  Model, GMM)、高斯马尔科夫随机场(Gaussian-Markov Random Field, GMRF)[57]、自回归模型等。

           灰度统计特征计算像素点及其邻域的空间分布,该方法假设图像背景的统计特征是非常稳定的,可以使用不同的统计特征定位缺陷区域,然而不同的统计方法只针对特定的图像,适用性较窄,且这些方法的检测结果严重依赖于选择的滑动窗口大小和判别阈值,容易受到噪声影响;频谱变换特征通过选择合适的正交基将原始图像变换到频域,根据缺陷区域和非缺陷区域频域系数的不同定位缺陷,计算复杂性较高,对复杂纹理背景检测结果不佳,严重依赖于所选择的滤波器和滤波器的参数;模型特征准确率较高,首先假设图像的纹理背景符合某个特定的模型,然后使用无缺陷图像估计模型参数,通过判断检测的图像是否符合此模型来实现缺陷检测,但该类特征不能很好地检测小的缺陷、计算复杂度较高且最初模型假设不一定成立。每类方法都有优缺点,目前研究者们主要将不同类特征结合用于缺陷定位。 

           图像经过特征提取后将高维像素特征转化为低维特征,但低维特征之间仍然具有相关性,同时考虑到对于后续分类来说,输入的特征维数越低,会减少分类器设计时的训练数据需求量,不容易过拟合,可以提高分类速度,并且提取的特征不一定对后续的分类有用,因此,还需要对特征再次提取,去除特征间的冗余信息,在尽可能多地保留特征信息的情况下进一步减少特征维数。特征选择一般可分为两种:根据某规则计算每个特征的重要程度,去掉重要性较小的特征;综合考虑所有特征,降低特征之间的相关性。第一类方法主要包括分支定界法,顺序前进法等,这类方法可以减少计算量,但得到的不一定是全局最优解,第二类方法用得较多的是主成分分析法(Principal  Component  Analysis,  PCA)[60]、独立成分分析(Independent  Component 
    Analysis, ICA)、线性判别分析法、自组织特征映射(Self-Organizing Feature Mapping, SOFM),该类方法通过线性组合方法降低特征维数。PCA 是一种非监督的降维方式,它是一种正交投影,使得原图像数据在投影子空间各维度上方差最大,通过线性组合几个方差大的维度,在尽可能多地保留原始信息的情况下降低特征维数,计算简单。PCA 得到的特征向量各分量之间是不相关的,只能说明各分量之间没有线性关系,并不能保证各分量之间相互独立。ICA 最早用于盲源分离,即从一组混合的信号中分离出各独立信号。 

    参考文献:

    [1]谢芬. 基于机器视觉的表面缺陷检测技术研究[D].南京航空航天大学,2019.

    展开全文
  • 图像特征提取

    万次阅读 多人点赞 2017-01-03 16:38:12
    本文主要包括以下内容 常用的基本统计特征, 如周长、面积、均值等区域描绘子, 以及直方图和灰度共现矩阵等纹理描绘子 主成份分析(PCA, PrincipaJ Component Analysis) 局部二进制模式(LBP, LocaJ

    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。

    本文主要包括以下内容

    • 常用的基本统计特征, 如周长、面积、均值等区域描绘子, 以及直方图和灰度共现矩阵等纹理描绘子
    • 主成份分析(PCA, PrincipaJ Component Analysis)
    • 局部二进制模式(LBP, LocaJ Binary Pattern)
    • 本章的典型案例分析
      • 基于PCA技术的人脸数据集的降维处理

    图像特征概述

    众所周知,计算机不认识图像,只认识数字。为了使计算机能够“理解”图像,从而具有真正意义上的“视觉”,本章我们将研究如何从图像中提取有用的数据或信息,得到图像的“非图像” 的表示或描述,如数值、向量和符号等。这一过程就是特征提取,而提取出来的这些“非图像”的表示或描述就是特征。有了这些数值或向量形式的特征我们就可以通过训练过程教会计算机如何懂得这些特征, 从而使计算机具有识别图像的本领。

    什么是图像特征
    特征是某一类对象区别于其他类对象的相应(本质)特点或特性, 或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言, 每一幅图像都具有能够区别于其他类图像的自身特征,有些是可以直观地感受到的自然特征,如亮度、边缘、纹理和色彩等;有些则是需要通过变换或处理才能得到的, 如矩、直方图以及主成份等。

    特征向量及其几何解释
    我们常常将某一类对象的多个或多种特性组合在一起, 形成一个特征向量来代表该类对象,如果只有单个数值特征,则特征向量为一个一维向量,如果是n个特性
    的组合,则为一个n维特征向量。该类特征向量常常作为识别系统的输入。实际上,一个n维特征就是位于n维空间中的点,而识别分类的任务就是找到对这个n维空
    间的一种划分。
    例如要区分3种不同的鸾尾属植物,可以选择其花瓣长度和花瓣宽度作为特征,这样就以1个2维特征代表1个植物对象,比如(5.1,3.5).如果再加上萼片长度和萼片宽度, 则每个鸾尾属植物对象由一个4维特征向置表示, 如(5.1, 3.5.1.4, 0.2)。

    特征提取的一般原则
    图像识别实际上是一个分类的过程,为了识别出某图像所属的类别,我们需要将它与其他不同类别的图像区分开来。这就要求选取的特征不仅要能够很好地描述图像, 更重要的是还要能够很好地区分不同类别的图像。
    我们希望选择那些在同类图像之间差异较小(较小的类内距),在不同类别的图像之间差异较大(较大的类间距)的图像特征, 我们称之为最具有区分能力(most discriminative)的特征。此外, 在特征提取中先验知识扮演着重要的角色, 如何依靠先验知识来帮助我们选择特征也是后面将持续关注的问题。

    特征的评价标准
    一般来说,特征提取应具体问题具体分析,其评价标准具有一定的主观性。然而,还是有一些可供遵循的普遍原则,能够作为我们在特征提取实践中的指导。总结如下。

    • 特征应当容易提取. 换言之, 为了得到这些特征我们付出的代价不能太大. 当然, 这还要与特征的分类能力权衡考虑.
    • 选取的特征应对噪声和不相关转换不敏感. 比如要识别车牌号码, 车牌照片可能是从各个角度拍摄的, 而我们关心的是车牌上字母和数字的内容, 因此就需要得到对几何失真变形等转换不敏感的描绘子, 从而得到旋转不变, 或是投影失真不变的特征.
    • 最重要的一点, 总是应试图寻找最具区分能力的特征.

    基本统计特征

    本节将主要介绍一些常用的基本统计特征, 包括一些简单的区域描绘子, 直方图及其统计特征, 以及灰度共现矩阵等.

    简单的区域描绘子及其Matlab实现

    在经过图像分割得到各种我们感兴趣的区域之后,可以利用下面介绍的一些简单区域描绘子作为代表该区域的特征。通常将这些区域特征组合成特征向量以供分类使用。

    常用的简单区域描绘子如下。

    • 周长:区域边界的长度, 即位于区域边界上的像素数目.
    • 面积:, 区域中的像素总数.
    • 致密性:(周长) 2/面积.
    • 区域的质心.
    • 灰度均值: 区域中所有像素的平均值.
    • 灰度中值: 区域中所有像素的排序中值.
    • 包含区域的最小矩形.
    • 最小或最大灰度级.
    • 大于或小于均值的像素数.
    • 欧拉数: 区域中的对象数减去这些对象的孔洞数。

    在Matlab中, 函数regionprops用于计算区域描绘子的有利工具, 其原型为:
    D = regionprops(L,properties)
    L是一个标记矩阵, 可通过8.3.4小节介绍的连通区标注函数bwlabel得到.
    properties可以是一个用逗号分割的字符串列表, 其一些常用取值如表10.1所示

    利用regionprops函数提取简单的区域特征

    I = imread('bw_mouth.bmp');
    I1 = bwlabel(I);
    D = regionprops(I1,'area','centroid');
    D.Area

    直方图及其统计特征

    首先来看纹理的概念。纹理是图像固有的特征之一,是灰度(对彩色图像而言是颜色)在空间以一定的形式变换而产生的图案(模式),有时具有一定的周期性。既然纹理区域的像素灰度级分布具有一定的形式,而直方图正是描述图像中像素灰度级分布的有力工具, 因此用直方图来描述纹理就顺理成章了。

    毫无疑问,相似的纹理具有相似的直方图;而由图10.2可见,3种不同特点的纹理对应3种不同的直方图。这说明直方图与纹理之间存在着一定的对应关系。因此,我们可以用直 方图或其统计特征作为图像纹理特征。直方图本身就是一个向量,向量的维数是直方图统计 的灰度级数,因此我们可以直接以此向量作为代表图像纹理的样本特征向量,从而交给分类器处理,对于LBP直方图就常常这样处理(见10.5节);另一种思路是进一步从直方图中提取出能够很好地描述直方图的统计特征,将直方图的这些统计特征组合成为样本特征向量, 这样做可以大大降低特征向量的维数。

    直方图的常用统计特征如下所述。


    一个由均值、标准差、平滑度和熵组合而成的特征向量如:v = (m,a, R, e)。
    应认识到直方图及其统计特征是一种区分能力相对较弱的特征,这主要因为直方图属于一阶统计特征,而它们的一阶统计特征是无法反映纹理结构的变化的。直方图与纹理的对应关系并不是一对一的:首先,不同的纹理可能具有相同或相似的直方图,如图10.3所示的两种截然不同的图案就具有完全相同的直方图;其次,即便是两个不同的直方m.也可能具有相同的统计特 征如均值、标准差等。因此,依靠直方图及其统计特征来作为分类特征时需要特别注意。

    灰度共现矩阵

    我们说灰度直方图是一种描述单个像素灰度分布的一阶统计量;而灰度共现矩阵描述的则是具有某种空间位置关系的两个像素的联合分布,可以看成是两个像素灰度对的联合直方图,是种二阶统计量。



    由于灰度共现矩阵总共含有LXL个元素,当灰度级L比较大时它将是一个庞大的方阵。如对于一般的256灰度图,凡就是一个256X256的矩阵,共216 个元素。如此庞大的矩阵将使后续的计算量剧增。因此普通灰度图像通常要经过处理以减少灰度级数,而后再计算灰度共现矩阵。可以通过分析纹理图像的直方图,在尽量不影响纹理质量的情况下.通过适当的灰度变换来达到灰度级压缩的目的。

    特征降维

    维度灾难

    最大值时,分类器的性能不是得到改善,而是退化。这种现象正是在模式识别中被称为“维度灾难”的一种表现形式。例如,我们要区分西瓜和冬瓜,表皮的纹理和长宽比例都是很好 的特征,还可以再加上瓜籽的颜色以辅助判断,然而继续加入重量、体积等特征可能是无益 的,甚至还会对分类造成干扰。
    基于以上所述原因,降维对我们产生了巨大的吸引力。在低维空间中计算和分类都将变 得简单很多,训练(教授分类器如何区分不同类样本的过程,详见第11章)所需的样本数目也会大大降低。通过选择好的特征,摒弃坏的特征(10.3.2特征选择),将有助于分类器性能的提升;在通过组合特征降维时,在绝大多数情况下,丢弃某些特征所损失的信息通过在低 维空间中更加精确的映射(10.3.3特征抽取)可以得到补偿。

    具体来说,降低维度又存在着两种方法:特征选择和特征抽取。如图10.8所示,特征选择是指选择全部特征的一个子集作为特征向量:特征抽取是指通过已有特征的组合建立一个 新的特征子集,10.3.2小节将要介绍的主成份分析方法(principa1component analysis, PCA)就是通过原特征的线性组合建立新的特征子集的一种特征抽取方法。

    特征选择简介

    重新回到10.1.3小节那个鸾尾属植物的问题。对于每一个莺尾属植物样本,总共有4个属性可以使用一一花瓣长度、花瓣宽度、萼片长度和萼片宽度。我们的目的是从中选择两个属性组成特征向量用于分类这3种鸾尾属植物。下面的Matlab程序选择了不同的特征子集,并给出了在对应特征空间中样本分布的可视化表示。

    load fisheriris;
    data = [meas(:,1),meas(:,2)];
    figure;
    scatter(data(1:50,1),data(1:50,2),'b+');
    hold on,scatter(data(51:100,1),data(51:100,2),'r*');
    hold on,scatter(data(101:150,1),data(101:150,2),'go');
    
    data = [meas(:,1),meas(:,3)];
    figure;
    scatter(data(1:50,1),data(1:50,2),'b+');
    hold on,scatter(data(51:100,1),data(51:100,2),'r*');
    hold on,scatter(data(101:150,1),data(101:150,2),'go');

    主成分分析(Princjpal Component Analysis, PCA)

    特征抽取是指通过已有特征的组合(变换)建立一个新的特征子集。在众多的组合方法当中,线性组合(变换)因其计算简单且便于解析分析的特点而显得颇具吸引力。下面就介绍一种通过特征的线性组合来实现降维的方法——主成分分析(principal conponent analysis.PCA)。PCA的实质就是在尽可能好地代表原始数据的前提下, 通过线性变换将高维空间中的样本数据投影到低维空间中

    具体可参见:降维算法学习
    为得到最小平方误差,应选取散布矩阵s的最大本征值所对应的本征向量作为投影直线e的方向。
    也就是说, 通过将全部n个样本向 以散布矩阵最大本征值对应的本征向量为方向的直线投影, 可以得到最小平方误差意义下这 n个样本的一维表示。

    PCA计算实例

    数据表示与数据分类
    通过PCA降维后的数据并不一定最有利于分类,因为PCA的目的是在低维空间中尽可能好地表示原数据,确切地说是在最小均方差意义下最能代表原始数据。而这一目的有时会和数据分类的初衷相违背。图10.13说明了这种情况,PCA投影后数据样本得到了最小均方意义 下的最好保留 , 但在降维后的一维空间中两类样本变得非常难以区分。图中还给出了一种适合于分类的投影方案,对应着另一种常用的降维方法-线性判别分析(linear discriminant analysis. LDA)。PCA寻找的是能够有效表示数据的主轴方向,而LDA则是寻找用来有效分类的投影方向。

    PCA的Matlab实现
    函数princomp实现了对PCA的封装, 其常见调用形式为:
    [COEFF,SCORE,latent]= princomp(X);
    X为原始样本组成n*d的矩阵,其每一行是一个样本特征向量,每一列表示样本特征向量的一维.如对于例10.2中的问题,X就是一个8*2的样本矩阵, 总共8个样本, 每个样本2维.
    COEFF: 主成份分量, 即变换空间中的那些基向量, 也是样本协方差矩阵的本征向量.
    SCORE: 主成份,X的低维表示, 即X中的数据在主成分分量上的投影(可根据需要取前面几列的).
    latent: 一个包含着样本协方差矩阵本征值的向量.

    快速PCA及其实现
    PCA的计算中最主要的工作量是计算样本协方差矩阵的本征值和本征向量。设样本矩阵 X大小为n*d (n个d维样本特征向量), 则样本散布矩阵(协方差矩阵) S将是一个dXd的方阵,故当维数d较大时计算复杂度会非常高。例如当维数d=1OOOO,S是一个10000*10000的矩阵,此时如果采用上面的princomp函数计算主成分,Matlab通常会出现内存耗尽的错误,即使有足够多的内存, 要得到S的全部本征值可能也要花费数小时的时间

    Matlab实现
    我们编写了fastPCA函数用来对样本矩阵A进行快速主成份分析和降维(降至k维),其输出pcaA为降维后的K维样本特征向量组成的矩阵, 每行一个样本, 列数K为降维后的样本特征维数,相当千princomp函数中的输出SCORE, 而输出V为主成份分量,好princomp函数中的COEFF

    function [pcaA V] = fastPCA( A, k )
    % 快速PCA
    %
    % 输入:A --- 样本矩阵,每行为一个样本
    %      k --- 降维至 k 维
    %
    % 输出:pcaA --- 降维后的 k 维样本特征向量组成的矩阵,每行一个样本,列数 k 为降维后的样本特征维数
    %      V --- 主成分向量
    
    [r c] = size(A);
    
    % 样本均值
    meanVec = mean(A);
    
    % 计算协方差矩阵的转置 covMatT
    Z = (A-repmat(meanVec, r, 1));
    covMatT = Z * Z';
    
    % 计算 covMatT 的前 k 个本征值和本征向量
    [V D] = eigs(covMatT, k);
    
    % 得到协方差矩阵 (covMatT)' 的本征向量
    V = Z' * V;
    
    % 本征向量归一化为单位本征向量
    for i=1:k
        V(:,i)=V(:,i)/norm(V(:,i));
    end
    
    % 线性变换(投影)降维至 k 维
    pcaA = Z * V;
    
    % 保存变换矩阵 V 和变换原点 meanVec
    save('Mat/PCA.mat', 'V', 'meanVec');


    在得到包含R的特征向量的矩阵V之后,为计算散布矩阵S的本征向量,只需计算Z*V。此外,还应注意PCA中需要的是具有单位长度的本征向量, 故最后要除以该向量的模从而将正交本征向量归一化为单位正交本征向量。

    局部二进制模式

    局部二进制模式(local binary patterns, LBP)最早是作为一种有效的纹理描述算子提出的,由于其对图像局部纹理特征的卓越描绘能力而获得了广泛的应用。LBP特征具有很强的
    分类能力(highly discriminative)、较高的计算效率, 并且对于单调的灰度变化具有不变性。

    基本LBP


    LBP的主要思想是以某一点与其邻域像素的相对灰度作为响应, 正是这种相对机制使 LBP算子对于单调的灰度变化具有不变性。 人脸图像常常会受到光照因素的影响而产生灰度变化,但在一个局部区域内,这种变化常常可以被视为是单调的,因此LBP在光照不均的人 脸识别应用中也取得了很好的效果.

    圆形邻域的LBPP,R算子

    基本LBP算子可以被进一步推广为使用不同大小和形状的邻域。采用圆形的邻域并结合双线性插值运算使我们能够获得任意半径和任意数目的邻域像素点。图10.18给出了一个半径为2的8邻域像素的圆形邻域, 图中每个方格对应一个像素,对于正好处于方格中心的邻
    域点(左、上、右、下四个黑点),直接以该点所在方格的像素值作为它的值;对于不在像素中心位置的邻域点(斜45度方向的4个黑点), 通过双线性插值确定其值。

    统一化LBP算子一一UnifomLBP

    由于LBP直方图大多都是针对图像中的各个分区分别计算的(详见10.5.5),对于一个普通大小的分块区域,标准LBP算子得到的二进模式数目(LBP直方图收集箱数目)较多,而实际位于该分块区域中的像素数目却相对较少, 这将会得到一个过于稀疏的直方图。从而
    使直方图失去统计意义。 因此应设法减少一些冗余的LBP模式, 同时又保留足够的具有重要描绘能力的模式。

    MB-LBP


    图像分区

    曾提到, 作为图像的一阶统计特征,直方图无法描述图像的结构信息。而图像各个区域的局部特征往往差异较大,如果仅对整个团像的生成一个LBP直方图,这些局部的差异信息就会丢失。分区LBP特征可有效解决这一问题。
    具体的方法是将一幅图像适当地划分为PXQ个分区(partition),然后分别计算每个图像分区的直方图特征,最后再将所有块的直方图特征连接成一个复合的特征向量(composite
    feature)作为代表整个图像的LBP直方图特征。

    分区大小的选择
    理论上, 越小越精细的分区意味着更好的局部描述能力,但同时会产生更高维数的复合特征。然而过小的分区会造成宜方图过于稀疏从而失去统计意义。人脸识别的应用中选择了18X21的分区大小,这可以作为对于一般问题的指导性标准,因为它是一个精确描述能力与特征复杂度的良好折中。在表情识别中更小一些(如1OX15)的分区被我们证明能够获得更好的分类能力。这里分区大小的单位是.MB-LBP的像素块(block)。如对于传统LBP, 每个
    分区大小取18像素X21像素, 则对于应MB-LBP分区大小应取18像素块X21像素块= 54像素X63像素口


    展开全文
  • 笔记:第一章绪论:图像特征主要包括1点特征 2线特征 3区域特征 1.1特征点检测方法 1.2特征线检测(我主要关注的) 1.2.1Canny边缘检测 Canny提出了衡量边缘检测算法性能的三个标准(1)检测性能(2)定位精度...

    《计算机视觉-特征检测及应用》读后笔记

    笔记:第一章绪论:图像特征主要包括1点特征  2线特征  3区域特征

    1.1特征点检测方法

    1.2特征线检测(我主要关注的)

    1.2.1Canny边缘检测

    Canny提出了衡量边缘检测算法性能的三个标准(1)检测性能(2)定位精度(3)单边响应

    理论上只有三个准则同时被最大化时边缘检测算法才具有最优的性能。

    检测性能包括(1)对真实边缘的检测性能 (2)对虚假边缘的抑制性能 用信号输出和噪声输出值比(SNR)来度量

    公式暂不列出了,SNR值越大表明算法的检测性能越好。

    canny算子主要由四个步骤组成:1 高斯滤波器平滑图像 2高斯一阶偏导的有限差分计算梯度的幅值和方向 3 对梯度幅值进行非极大值抑制(NMS) 4 用双阈值算法检测和连接边缘

    Canny算子在高斯滤波过程中抑制噪声的同时,也会使图像损失部分边缘信息。

    噪声和精度是边缘检测中两个矛盾的性能要求,是难点,通常通过调参来取的折中效果。

    另外,尺度选择也是很重要的,尺度就像阈值,超过多少认为是边界,对图像进行多尺度分析和选择合适的尺度也是难点和热门

    1.2.2规则图形检测

    多边形检测方面,广义Hough变换(GHT)利用多边形的几何特性,将变量空间图形的检测问题转化为参数空间的聚类问题

    特点:简单直接,计算量大,一般适用于三角形等边数较少的多边形

    1.3特征区域检测

    就先看这些

    展开全文
  • 特征选择与图像匹配

    2017-11-20 14:48:01
    面向对象分类方法是适合于高空间分辨率影像信息提取的技术之一,主要包括最邻 近和隶属度函数两种分类方法,具有小样本和高维特征的特点。其中,面向对象隶属度 函数的模糊分类更是适合于研究范围较大影像区域。实际...
  • 数字图像处理7--特征提取

    千次阅读 2015-12-25 12:16:41
    传统的图像拼接算法主要分为基于像素点和基于特征两种。基于像素的算法是在一幅图像中选取一个模板,根据评价函数在另一幅图像中寻找与之最相似的点或区域。...常用的特征主要包括点、线、面等,其中特征点的方法计算
  • 本文地址:本文主要处理汽车车牌的识别过程,包括三个步骤,一:车牌区域检测,本文利用车牌的颜色和形状特征确认并获取汽车的车牌位置,二:字符分割,将获取到的汽车车牌按不同字符进行切割,三:车牌识别,最后...
  • HOG特征+行人检测

    2020-07-06 17:37:32
    边缘是图像颜色剧变的区域,在一副图像中,局部目标的表象与形状能够被梯度或边缘的方向密度分布很好地描述,而梯度主要存在于存在于局部目标边缘的地方。 HOG特征提取流程如下: 图像预处理 预处理包括灰度化和...
  • 针对人脸认证系统的欺骗攻击,传统欺骗攻击方式主要包括照片和视频攻击。随着三维(3D)打印技术的快速发展, 使用3D面具进行欺骗攻击逐渐成为新威胁。在剪切波变换基础上, 结合人脸3D几何特征和局部区域纹理变化, 针对...
  • 摘要:基于传统手工特征的骨龄评估方法主要包括预处理、关键区域检测、手骨分割、特征提取、测量五个步骤。 基于传统手工特征的骨龄评估方法主要包括预处理、关键区域检测、手骨分割、特征提取、测量五个步骤,见图...
  • 轮廓的特征矩Moment

    千次阅读 2017-06-05 21:59:10
     在OpenCV中,可以很方便的计算多边形区域的3阶特征矩,opencv中的矩主要包括以下几种:空间矩,中心矩和中心归一化矩。 class Moments { public: ...... // 空间矩 double m00, m10, m01, m20, m11, m02, m30, ...
  • 决定现今煤田构造格局的主要控制因素包括地球动力学环境、构造演化历程、深部构造属性、构造应力场作用以及煤系岩性组合特征等方面。中国大陆自晚古生代主要成煤期以来,相继经历了多期次构造运动的作用,大陆构造演化...
  • 青藏铁路格尔木-拉萨段地质灾害分布特征及其影响因素,程佳,谌文武,青藏铁路格拉段主要位于青藏高原东南部,所经区域工程地质条件复杂,气候条件特殊,各种地质灾害发育,主要包括地震、冻融、崩滑
  • 包括中国东北、东南、西南的主要地热区域分布,水热分布
  • 鸡西煤盆地位于三江-穆棱煤盆地群内,属断拗型盆地,煤盆地构造受区域构造格局和构造演化的控制,构造格局...区内控煤构造样式划分为2大类4种类型,以伸展和挤压为主,主要包括单斜断块、堑垒构造、掀斜断块和逆冲褶皱型。
  • 颜色特征提取(一)——颜色直方图(opencv实现)

    万次阅读 多人点赞 2018-05-25 10:27:56
    它的优点主要体现在两个方面:一是对于任意一个图像区域,直方图特征的提取简单方便;其二,直方图表征图像区域的统计特性,可以有效表示多模态的特征分布,并且本身具备一定的旋转不变性。因此,在计算机视觉领域,...
  • 通过区域地质背景和矿区地质特征等方面研究,指出该矿床的控矿因素主要包括:构造、地层及主要地质事件,并总结出矿体赋存规律为经五台期主要地质事件形成的色尔腾山群斜长角闪片麻岩或角闪斜长片麻岩是铁矿体主要赋存...
  • 结果表明:上位顶煤受煤矸混合造成影响最大,而煤矸混合受放煤工艺影响较大,确定了合理放煤步距为1.6 m,同时对上、中和下位顶煤损失特征分区进行分类,得到损失主要包括矸石侵入和不可放出区域损失,有助于指导工作面...
  • 区内控煤构造样式包括压缩构造和伸展构造两大类,前者分布于煤田边界,主要包括逆冲前锋构造、逆冲叠瓦构造、双冲构造、叠瓦扇构造等类型;后者主要分布在煤田内部,以正断层控制的堑垒构造类型为主,构成井田边界或采区...
  • 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。数字图像的颜色特征包括颜色直方图 、颜色矩、颜色相关图和颜色聚合向量等。 本文主要是对各种图像颜色特征提取方法和实现进行介绍。
  • 面向对象分类方法是适合于高空间分辨率影像信息提取的技术之一,主要包括最邻 近和隶属度函数两种分类方法,具有小样本和高维特征的特点。其中,面向对象隶属度 函数的模糊分类更是适合于研究范围较大影像区域。实际...
  • 图像识别无非是 特征提取 加...本文主要包括以下内容常用的基本统计特征, 如周长、面积、均值等区域描绘子, 以及直方图和灰度共现矩阵等纹理描绘子主成份分析(PCA, PrincipaJ Component Analysis)局部二进制模式(L...
  • 前面说过,图像特征点检测包括角点和斑点,今天来说说斑点,斑点是指二维图像中和周围颜色有颜色差异和灰度差异的区域,因为斑点代表的是一个区域,所以其相对于单纯的角点,具有更好的稳定性和更好的抗干扰能力. ...
  • 本文主要探讨如何提取图像中的“角点”这一特征,及其相关的内容。而诸如直方图、边缘、区域等内容在前文中有所提及,请查看相关文章。OpenCv(EmguCv)中实现了多种角点特征的提取方法,包括:Harris角点、Shi...
  • 本项目通过harris算法对图像进行兴趣点的检测和提取。然后计算兴趣点周围4*4区域的8个方向特征向量,最后对... 本项目主要包括以下4部分: 特征点检测和提取(harris).生成特征算子(sift).图像匹配(match).实验DEMO
  • 高分辨率特征网络HRNet

    千次阅读 2019-11-13 16:39:07
    视觉识别主要包括三大类问题:图像层次(image classification)、区域层次(object detection)和像素层次(semantic segment、pose estimation & face ladmark align)。经过分类网络不断的strided ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 409
精华内容 163
关键字:

区域特征主要包括