根据特征索引号提取某一系列的特征值

     对样本进行分类时，需要提取该样本的特征。由于AdaBoost分类器是由一系列的基于一系列单个特征的弱分类器组成的，因此只需要提取弱分类器所需要的特征即可。以前采取的方式是，提取所有的特征，分类时获得所需要的特征即可；该过程提取了大量没有使用的特征，这些没有使用的特征花费了大量的计算，是无效计算。现在需要解决这个问题。当需要某个特征时，则计算该特征；不需要该特征时，则不计算该特征。但该方法也存在重复计算问题。比如计算Gabor变换特征，需要先进行Gabor变换，然后再计算特征某特征A，或者某特征B；如果同时需要计算两个特征A和B，那么对图像进行了两次Gabor变换，其中有一次属重复计算。

     现在采取折中的方式。当需要某特征时，则计算该系列的所有特征。

%  
%  identifySeriesFeatureByIndex
%  
%  计算该特征编号所属的一个系列的特征值
%  
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的绝对索引位置
%  
%   2007 - 11 - 06
function [seriesFeatures,seriesIndex] = identifySeriesFeatureByIndex(image,index)
feaCntSequence = [ 1   12   12   12   64   176   15   64   15   21 ];   %  每种方法能够获取的特征数量列表
feaCntCumSequence = cumsum(feaCntSequence);         %  累计特征数量
methodCnt = length(feaCntCumSequence);              %  特征提取方法的种类 

%  特征提取方法索引号
%  索引与方法名称对应关系为
%   1   RGB颜色空间特征值      
%   2   HSI颜色空间特征值     
%   3   NTSC颜色空间特征值    
%   4   gabor变换提取的纹理特征 
%   5   灰度共生矩阵纹理特征值
%   6   灰度 - 梯度共生矩阵纹理特征  
%   7   灰度差分统计特征值： 
%   8   灰度行程长度统计方法
%   9   不变矩特征
methodIndex = 0 ;    
if ( (index < feaCntCumSequence( 1 ))  ||  (index >= feaCntCumSequence(methodCnt)) )
    error([ ' 特征编号( '  num2str(index)  ' )必须在区间[ '  num2str(feaCntCumSequence( 1 ))...
          '   '  num2str(feaCntCumSequence(methodCnt) - 1 )  ' ]中！ ' ]);
end

for  cnt = 1 :methodCnt  %  由索引号确定提取特征的方法
     if ( (index >= feaCntCumSequence(cnt))  &&  (index < feaCntCumSequence(cnt + 1 )) )
        methodIndex = cnt;
         break ;
    end
end

%  特征提取方法内部索引号，通过该索引求取特征提取方法的参数
%  比如，第25号特征为第三种方法(NTSC颜色)的第1个特征(Y均值)
%  故methodIndex = 3 ,innerMethodIndex = 1
%  第47号特征为第四种方法(Gabor)的第11个特征
%  此时methodIndex = 4 ,innerMethodIndex = 11
%  通过索引11计算参数：频率索引( 1 ),频率值( 0.5 );方向索引( 6 ),方向( 1.9635 )
%  第234号特征为灰度共生矩阵纹理第134个特征
%  此时methodIndex = 4 ,innerMethodIndex = 134
%  通过索引134可计算参数：位置算子索引( 16 ),位置算子([ 5   2 ]),该位置算子上第2个特征
innerMethodIndex  =  index - feaCntCumSequence(cnt) + 1 ;

if ( methodIndex > 3   ||  methodIndex < 9  )  %  纹理特征需要针对灰度图像
    grayimage = rgb2gray(image);
end 
switch ( methodIndex )
     case   1         %  RGB颜色空间特征值
        [seriesFeatures,seriesIndex] = identifyColorFeatureByIndex(image, ' RGB ' ,innerMethodIndex);
     case   2         %  HSI颜色空间特征值
        [seriesFeatures,seriesIndex] = identifyColorFeatureByIndex(image, ' HSI ' ,innerMethodIndex);
     case   3         %  NTSC颜色空间特征值
        [seriesFeatures,seriesIndex] = identifyColorFeatureByIndex(image, ' NTSC ' ,innerMethodIndex);        
     case   4         %  Gabor变换提取的纹理特征
        [seriesFeatures,seriesIndex] = identifyGaborFeatureByIndex(grayimage,innerMethodIndex);
     case   5         %  灰度共生矩阵纹理特征值
        [seriesFeatures,seriesIndex] = identifyGLCMFeatureByIndex(grayimage,innerMethodIndex);
     case   6         %  灰度 - 梯度共生矩阵纹理特征
        [seriesFeatures,seriesIndex] = identifyGGLCMFeatureByIndex(grayimage,innerMethodIndex);
     case   7         %  灰度差分统计特征值
        [seriesFeatures,seriesIndex] = identifyGDSFeatureByIndex(grayimage,innerMethodIndex);
     case   8         %  灰度行程长度统计方法
        [seriesFeatures,seriesIndex] = identifyGRLSFeatureByIndex(grayimage,innerMethodIndex);
     case   9         %  不变矩特征
        [seriesFeatures,seriesIndex] = identifyIMFeatureByIndex(image,innerMethodIndex);
    otherwise
        error( ' 方法编号错误！ ' );
end

seriesIndex = feaCntCumSequence(methodIndex) - 1 + seriesIndex;  %  提取的系列特征的绝对索引位置


%  根据特征索引号确定 RGB、HSI、NTSC颜色空间特征值
%  colorspacename 仅能取值 ' RGB ' , ' HSI ' , ' NTSC '
%  index 应在1 - 12  之间
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的相对位置
function [seriesFeatures,seriesIndex] = identifyColorFeatureByIndex(image,colorspacename,index)
featureSpaceSize = 12 ;                     %  特征空间维数
[seriesFeatures] = extractColorFeature(image,colorspacename); %  提取特征 
seriesIndex = 1 :featureSpaceSize;


%  根据特征索引号确定 Gabor变换提取的纹理特征
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex] = identifyGaborFeatureByIndex(image,index)
fList = [ 0.5   0.25   0.125   0.1 ];    %  Gabor变换的频率列表
thetaList = (( 0 : 7 ) / 8 ). * pi;       %  Gabor变换方向(theta)列表
fLen = length(fList);            %  频率数量
thetaLen = length(thetaList);    %  方向数量
featureSpaceSize = 2 ;            %  Gabor变换 特征空间大小

paramIndex = floor((index - 1 ) / featureSpaceSize) + 1 ; %  确定参数的索引号
fIndex = ceil(paramIndex / thetaLen);         %  参数索引：频率
thetaIndex = mod(paramIndex - 1 ,thetaLen) + 1 ;  %  参数索引：方向
[seriesFeatures] = extractGaborFeature(image,fList(fIndex),thetaList(thetaIndex));
seriesIndex = ((paramIndex - 1 ) * featureSpaceSize + 1 ):(paramIndex * featureSpaceSize);

%  根据特征索引号确定 灰度共生矩阵纹理特征值
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex] = identifyGLCMFeatureByIndex(image,index)
%  位置算子
offset = [ 0   1 ; 0   5 ; 1   0 ; 5   0 ; 1   1 ; 1   - 1 ; 5   5 ; 5   - 5 ; 2   5 ; 2   - 5 ; 4   5 ; 4   - 5 ; 5   2 ; 5   - 2 ; 5   4 ; 5   - 4 ];
featureSpaceSize = 11 ;                      %  灰度共生矩阵 特征空间大小
offsetIndex = floor((index - 1 ) / featureSpaceSize) + 1 ; %  参数索引：位置算子
[seriesFeatures] = extractCoOccureTextFeature(image,offset(offsetIndex,:));
seriesIndex = ((offsetIndex - 1 ) * featureSpaceSize + 1 ):(offsetIndex * featureSpaceSize);


%  根据特征索引号确定 灰度 - 梯度共生矩阵纹理特征
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex] = identifyGGLCMFeatureByIndex(image,index)
featureSpaceSize = 15 ;                      %  灰度 - 梯度共生矩阵 特征空间大小
[seriesFeatures] = extractGGLCMSFeature(image);
seriesIndex = 1 :featureSpaceSize;
 
%  根据特征索引号确定 灰度差分统计特征值
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex] = identifyGDSFeatureByIndex(image,index)
%  灰度差分统计的位置算子
offset = [ 0   1 ; 0   3 ; 0   5 ; 1   0 ; 3   0 ; 5   0 ; 1   1 ; 2   2 ; 4   4 ; 5   5 ; 1   3 ; 3   1 ; 2   4 ; 4   2 ; 3   5 ; 5   3 ];
featureSpaceSize = 4 ;                       %  灰度差分统计 特征空间维数
offsetIndex = floor((index - 1 ) / featureSpaceSize) + 1 ; %  参数索引：位置算子
[seriesFeatures] = extractGrayDifferStatFeature(image,offset(offsetIndex,:));
seriesIndex = ((offsetIndex - 1 ) * featureSpaceSize + 1 ):(offsetIndex * featureSpaceSize);


%  根据特征索引号确定 灰度行程长度统计方法
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex] = identifyGRLSFeatureByIndex(image,index)
thetaList = [ 0  pi / 4  pi / 2 ];      %  默认 行程方向
featureSpaceSize = 5 ;           %  行程长度统计 特征空间维数
thetaIndex = floor((index - 1 ) / featureSpaceSize) + 1 ; %  参数索引：行程方向
[seriesFeatures] = extractGRLMFeature(image,thetaList(thetaIndex));
seriesIndex = ((thetaIndex - 1 ) * featureSpaceSize + 1 ):(thetaIndex * featureSpaceSize);


%  根据特征索引号确定 不变矩特征
%  seriesFeatures 提取的包含index号特征的系列特征
%  seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex] = identifyIMFeatureByIndex(image,index)
colorspacesize = size(image, 3 );             %  颜色平面数量，灰度图像为1，彩色图像为3           
featureSpaceSize = 7 ;                       %  不变矩特征 特征维数
spaceIndex = floor((index - 1 ) / featureSpaceSize) + 1 ; %  参数索引：颜色平面索引
[seriesFeatures] = extractInvariantMomentFeature(image,spaceIndex);
seriesIndex = ((spaceIndex - 1 ) * featureSpaceSize + 1 ):(spaceIndex * featureSpaceSize);

测试100幅图片，原始方法需耗时132s，现在耗时34s，只有原来的1/4。但仍然重复计算了一些没有使用的特征。

仍需要改进。

 

由重新组织样本，修正特征、增加特征，已经花费了接近三周。速度太慢了。

余下工作：构建 级联AdaBoost 分类器（需在11月15日前完成）

                   12月前完成所有基于新样本的重复试验

                   12月 ：prepare the paper

                    1月   ：write paper