特征提取

图像特征描述

图像特征：特征是某一类对象区别于其他类对象的相应特点或特征，或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。

图像特征的分类：从特征自身特点上可分为两大类：描述物体外形的形状特征，以及描述物体表面灰度变化的物理特征。从提取所采用的方法上，又可分为统计特征和结构特征

特征的评价标准：（1）应该容易提取（2）选取的特征应对噪声和不相关转换不敏感（3）应试图寻找最具区分能力的特征

 

基本统计特征

简单的区域描绘子：

（1）周长：区域边界的长度，即位于区域边界上的像素数目

（2）面积：区域中的像素总数

（3）致密性：（周长的平方）/面积

（4）区域的质心

（5）灰度均值：区域中所有像素的平均值

（6）灰度中值：区域中所有像素的排序中值

（7）包含区域的最小矩形

（8）最小或最大灰度级

（9）大于或小于均值的像素数

（10）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()是用于计算区域描绘子的有利工具，其原型如下

D=regionprops（L,properties）

L：是一个标记矩阵

properties：可以是一个用逗号分割的字符串列表

利用regionprops()函数提取简单的区域特征

>> I=imread('bw_mouth.bmp');%读入二值图像
>> I1=bwlabel(I);%标注连通区，得到标记矩阵I1
>> D=regionprops(I1,'area','centroid');%提取面积和质心
>> D %查看返回的结构体

D = 

  包含以下字段的 4×1 struct 数组:

    Area
    Centroid

>> D.Area%四个连通区域的面积

ans =

    92

ans =

   713

ans =

     1

ans =

     1

>> v1=[D.Area]%将面积转存为向量

v1 =

    92   713     1     1

>> D.Centroid%四个连通区域的质心

ans =

    5.1304   31.4783

ans =

   29.8597   21.6227

ans =

    10    36

ans =

    63    36

>> v2=[D.Centroid]%将质心转存为向量

v2 =

    5.1304   31.4783   29.8597   21.6227   10.0000   36.0000   63.0000   36.0000

 

 

特征降维

维度灾难：对于已知的样本数目，存在着一个特征数目的最大值，当实际使用的特征数目超过这个最大值时，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问题的一种表现形式。

降低维度的方法：特征选择和特征抽取

对于每一个鸢尾属植物样本，总共有4个属性可以使用——花瓣长度、花瓣宽度、萼片长度和萼片宽度。目的是从中选择两个属性组成的特征向量用于分类这三类鸢尾属植物

>> load fisheriris %载入Matlab自带的鸢尾属植物数据集
>> data=[meas(:,1),meas(:,2)];%采用花瓣长度和花瓣宽度作为特征
>> figure
>> scatter(data(1:50,1),data(1:50,2),'b+')%第一类
>> hold on,scatter(data(51:100,1),data(51:100,2),'r*')%第二类
>> hold on,scatter(data(101:150,1),data(101:150,2),'go')%第三类
>> data=[meas(:,1),meas(:,3)];%采用花瓣长度和萼片长度作为特征
>> figure
>>  scatter(data(1:50,1),data(1:50,2),'b+')%第一类
hold on,scatter(data(51:100,1),data(51:100,2),'r*')%第二类
hold on,scatter(data(101:150,1),data(101:150,2),'go')%第三类

说明：在figure1中以*和o所代表的的两类样本在二维空间——花瓣长度-花瓣宽度中互相交叠，很难区分。而在figure2中，选择了花瓣长度和萼片长度作为特征的情况下，相对变得容易区分了很多。