本文详细介绍了图像识别中特征提取和选择的重要性和方法。从颜色、纹理、形状和空间关系等原始特征提取，到主成分分析、线性判别法等特征提取技术，再到特征选择的基本步骤和不同策略，如过滤器、包装器和嵌入式方法。文章强调了特征提取和选择在降低维度、提高识别率上的作用，以及如何在实际问题中选择合适的方法。
一、概述
从模式识别角度来讲，视觉信息的特征获取是机器视觉的一个关键环节。一个机器视觉与模式识别系统的成败，首先取决于其所利用的特征能否较好地反映将要研究的分类问题。如果数据被很好地表达成了特征，通常线性模型就能达到满意的分类效果。因此，对于模式识别系统的创建，特征的选择和提取是需要优先考虑的。
仅从图像角度来看，图像特征的提取和选择是图像处理过程中非常重要的环节，对后续的图像分类有重要影响，图像数据具有样本少、维数高的特点。为了从图像中提取有用的信息，有必要对图像特征进行降维处理。特征提取和特征选择是最有效的降维方法。目的是获得反映数据本质结构并具有较高识别率的特征子空间。
以下的总结均是针对传统方式进行图像的提取和选择，不过在很多场景下使用基于深度学习的预训练的CNN模型做为图像特征提取器可能是更好的选择。
二、原始特征提取
1、图像的基本特征
图像的基本特征主要分为颜色特征、形状特征、纹理特征、空间关系要素等。
对应以上特征较常见的图像特征提取算法主要分为3类：
①基于颜色特征，如颜色直方图、颜色集、颜色矩、
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
