特征提取过程
文章平均质量分 86
一身反骨张张包
这个作者很懒,什么都没留下…
展开
-
基于OTSU最大类间方差法的ROI分割、提取图像中的形状特征--面积、周长、离心率、zernike矩
Otsu方法提取ROI与形状特征原创 2021-12-06 22:46:27 · 1630 阅读 · 6 评论 -
公认较为有效的图像特征提取方法:灰度共生矩阵GLCM
写在前面:纹理特征只是一种物体表面的特性,并不能完全反映出物体的本质属性,若想获得更加精准的分类效果仅仅依靠纹理特征是远远不够的。灰度共生矩阵是像素距离和角度的矩阵函数,它通过计算图像中一定距离和一定方向的两点灰度之间的相关性,来反映图像在方向、间隔、变化幅度方面的综合信息。GLCM理论介绍灰度共生矩阵GLCM是假定图像中每个像素之间都存在空间上的有关于纹理信息的特征,所提出的一种纹理分析方法,是目前共认比较有效的图像特征方法之一。这里不推到具体计算公式,详细数学推导都在《声呐图像处理》一书:《声呐原创 2021-10-14 22:07:43 · 4345 阅读 · 3 评论 -
声呐(岩石/水雷)数据集的特征提取过程
笔者在机器学习、神经网络、SVM、二分类等相关的文章中经常看见利用声呐(岩石/水雷)数据集。都是拿它来跑程序看看算法性能,但没探究过这里面的***特征究竟代表什么***,甚至有人说60个特征代表不同方向返回的声音强度(如果直接根据声音强度能识别出水雷就太好了呢????)。前段时间探究了一下,这里简单谈谈。数据集在一些网站可以下载,完整数据和解释说明以及想应的学习资料都在文末链接里面。中小型数据集,适合做二分类,初学神经网络的同学拿去练练手挺好的除部分明显粗糙图像来自论文“Analysis of Hid原创 2021-10-09 15:55:56 · 3221 阅读 · 0 评论