8、计算机视觉中的特征提取与选择技术

计算机视觉中的特征提取与选择技术

在计算机视觉和机器学习领域，特征提取和选择是至关重要的环节，它们对于提高模型性能、减少计算资源消耗起着关键作用。本文将详细介绍方向梯度直方图（HOGs）、局部二值模式（LBP）这两种特征提取方法，以及特征选择的相关技术。

方向梯度直方图（HOGs）

HOGs 是用于计算机视觉和机器学习中目标检测的重要特征描述符，它能够描述图像中物体的结构形状和外观。HOG 算法的工作流程分为五个阶段：
1. 全局图像归一化 ：此阶段为可选步骤，主要用于减少光照影响。可采用以下方法进行全局归一化：
- Gamma（幂律）压缩 ：对每个像素值 p 应用 log(p) 进行变换。但该方法会过度压缩像素，不建议使用。
- 平方根归一化 ：将每个像素值 p 转换为 √p 。相较于 Gamma 压缩，它对像素的压缩程度较小，是一种更优的归一化技术。
- 方差归一化 ：在大多数机器学习任务中，该方法能取得比前两种更好的效果。首先计算像素值的均值 μ 和标准差 σ ，然后根据公式 Tp = (p - μ)/σ 对每个像素值 p 进行归一化。
2. 计算 x 和 y 方向的梯度图像 ：该阶段计算一阶图像梯度，以捕捉轮廓、轮廓和一