图像空间

图像空间的分类方法—利用图像的灰度,颜色,纹理,形状,位置等底层特征对图像进行分类。例如:
[1]利用灰度直方图特征对图像进行分类;
[2]利用纹理特征对图像进行分类;
[3]采用纹理,边缘和颜色直方图混合特征对图像进行分类 ;
这三者均采用SVM（支持向量机）作为分类器.
[4]用矩阵表示图像,矩阵元素是相应像素的灰度值,然后用SVD和PCA方法抽取图像特征,BP网络作为分类器.
图像空间的分类方法的共同缺点是数据量大,计算复杂性高,但分类精度一般比较理想.

这里，SVD（Singular Value Decomposition，奇异值分解）是一种常用的矩阵分解技术，是一种有效的代数特征提取方法。

PCA(Principal Component Analysis）主成分分析，也是用于数据降维的一个常用的方法。对于高维的向量，PCA求得一个K维特征的投影矩阵（变换矩阵），这个投影矩阵可以将高维特征降低至低维特征，新的低维特征必须每个维都正交，特征向量都是正交的。通过求样本矩阵的协方差矩阵，然后求出协方差矩阵的特征向量，这些特征向量就可以构成这个投影矩阵了。特征向量的选择取决于协方差矩阵的特征值的大小。