机器学习笔记 - 模式识别之图像特征提取和特征选择的基本方法总结

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。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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、

评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

坐望云起

如果觉得有用,请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值