深度学习之特征提取算法

目录

前言

二、LBP（Local Binary Patterns,局部二值模式）

三、HOG算法（Histogram of Oriented Gradient, 方向梯度直方图）

四、SIFT算子（Scale-invariant feature transform ,尺度不变特征变换）

五、Haar算法

 六、TF-IDF算法

---

前言

在多模态融合过程中，有特征提取（表征）+映射（转换）+融合+多任务学习

---

一、特征提取

在深度领域特征提取主要有LBP，HOG，SIFT，Haar,TF-IDF（文本）

二、LBP（Local Binary Patterns,局部二值模式）

LBP算子是一种用来描述图像局部纹理特征的算子，具有灰度不变形。

        主要思想：在目标像素周围定义3*3的窗口，以目标像素为阈值，将相邻的8个像素的灰度值与目标像素进行对比，如果大于目标像素，则标记为1，如果小于或等于则标记为0。这样，对每个窗口都可以产生一个8位的二进制数。这样就得到了目标像素的LBP值。

步骤：

（1）将目标检测图像划分为16*16的小区域（cell）

（2）对于每个cell的一个像素，将相邻的8个像素灰度值与其进行比较，弱周围像素值>中心像素值，则该像素点的位置被标记为1，否则为0.

（3）然后计算每个cell的统计直方图进行连接成为一个特征向量，也就是整篇幅的LBP纹理特征向量。然后利用SVM或者其他机器学习算法进行分类。

三、HOG算法（Histogram of Oriented Gradient, 方向梯度直方图）

在一幅图像中，图像的表象和形状能够被边缘或梯度的方向密度分布很好的表示，HOG具有几何和光学不变性。

其步骤为：

（1）将图像灰度化（将图像看做一个x,y,z（灰度）的