二、概述

图像分类长期以来一直是计算机视觉领域的热门话题#xff0c;并希望能够保持这种状态。

…

一、说明

特征提取如何实现其手段并不是很多有四个基本方法作为AI工程师不能不知。

因此本篇将对四种特征提取给出系统的方法。

二、概述

图像分类长期以来一直是计算机视觉领域的热门话题并希望能够保持这种状态。

为什么不应该呢随着一次又一次的装备它配备了机器来回答一个非常基本的问题“我看到了什么”尽管听起来引人入胜但这个问题的答案不仅满足了人们对模仿我们自己的感知和决策能力的事物的渴望而且开辟了无数的创造性可能性领域。

生成式人工智能的最新进展通过利用这些辨别能力来创造创新和创造力的手段从而改变了范式以剪切优雅实现了显然不可逾越的壮举。

然而这个领域的每一个进步都围绕着视觉理解的概念即有效辨别的能力。

特征提取在确定识别模型的性能方面起着重要作用。

基于CNN的特征提取提供了一个自动化框架但它缺乏可解释性并且计算成本很高。

相反传统的特征提取技术是劳动密集型的可能需要领域知识才能在特定情况下成为CNN的更好替代品。

在本文中我们将探讨用于图像分类的

三、定向梯度直方图

HOG表示图像中局部梯度的分布。

它计算小图像块中的梯度大小和方向并形成这些方向的直方图可用作分类的特征。

将图像分成小单元格。

计算每个像元中每个像素的梯度幅度和方向。

在每个单元格内创建渐变方向的直方图。

归一化直方图以考虑照明和对比度的局部变化。

连接归一化直方图以形成表示图像的最终特征向量。

四、本地二进制模式

捕获图像中的局部纹理信息。

它根据每个像素的强度值与相邻像素的比较为每个像素定义二进制模式。

这些模式的直方图可用作分类特征。

将图像划分为小区域例如3x3

邻域中的像素。

阈值中心像素值并将其与其相邻像素进行比较。

如果邻居的值大于或等于则为其分配二进制值

1;否则分配

0。

将二进制模式转换为十进制数。

在整个图像中构建十进制值的直方图以创建

LBP

Gabor滤波器是一组调谐到不同频率和方向的线性滤波器。

它们捕获图像中的局部频率和方向信息。

Gabor

定义一组Gabor滤波器这些滤波器是由高斯包络调制的复杂正弦波模式。

将每个Gabor滤波器与输入图像进行卷积。

Gabor滤波器响应突出显示图像中的不同频率和方向信息。

从过滤后的响应中提取特征通常使用均值、方差或直方图等技术。

生成的特征表示捕获以不同频率和方向存在的纹理和结构信息。

六、灰度共现矩阵

灰度共现矩阵GLCM是另一种用于图像分类的经典特征提取技术。

GLCM

将图像转换为灰度如果尚未转换为灰度。

定义距离和角度或角度集以指定像素对的相对位置。

通过计算指定距离和角度处像素强度对的出现次数来创建共现矩阵。

对矩阵进行归一化以获得像素强度共现的概率。

从归一化GLCM中提取统计特征例如对比度能量熵来表示图像。

七、关键要点

有效检测图像中的对象边缘和形状。

对照明和对比度的变化具有鲁棒性。

广泛用于行人检测和物体识别任务。

提供简单有效的图像渐变表示形式。

LBP局部二进制模式

有效地描述图像中的局部纹理图案。

对照明和对比度的变化不敏感。

可用于纹理背景中的面部识别、纹理分类和对象检测。

易于计算需要最少的计算资源。

GLCM灰度共现矩阵

捕获有关图像中纹理和结构的二阶统计信息。

对像素强度之间的空间关系敏感。

常用于纹理分析、遥感和医学成像。

提供对比度、能量和熵等功能有助于区分不同的纹理。

非常适合捕获图像中的纹理和频率信息。

强调图像的特定频率和方向分量。

适用于纹理分割、指纹识别和人脸识别等任务。

可以组合成一个对各种频率和方向特征进行编码的特征集。

八、结论

在本文中我们讨论了四种经典的特征提取技术它们可以用作计算昂贵的卷积技术的有效替代方案。

此外还简要介绍了这些技术的用例、优缺点。

上述技术可以单独使用或组合使用以产生出色的效果。

因此您应该尝试一下这些技术并使它们成为您武器库的一部分。

直到下一次保持幸福

页doi10.1109/IPTA.2008.4743795。

HaralickRobert

ASMAA

Gabor滤波及其应用研究综述.10.13140/RG.2.2.11079.50085.

纳比尔汗