九七的视觉工程 | 特征及特征提取原理

Nines～

已于 2022-10-03 16:08:38 修改

阅读量241

点赞数

分类专栏：九七的视觉工程文章标签：机器学习计算机视觉 python

于 2022-09-01 23:34:42 首次发布

本文链接：https://blog.csdn.net/qq_42495740/article/details/126644561

版权

九七的视觉工程专栏收录该内容

2 篇文章 1 订阅

订阅专栏

文章目录

概述
一、定义介绍
二、功能作用
三、原理解读
- 特征
- 提取

概述

本节详细介绍了视觉工程中的特征是什么，提取特征是什么意思。

一、定义介绍

视觉工程中特征是个非常重要也很常见的一个名词。所谓的特征，其实就是人为规定的一种用于表示2D、3D信息某一些属性的量，区别于原本的2D、3D信息，特征对原本信息进行了人为规定的一些处理。简单点可以是加减、多个信息取平均变成一个信息（比如多个点合成一个点），或者进行一些复杂的数学变换等。
特征提取和算特征还不是一回事，提取就像是过滤，只把需要的特征留下。就好比一幅图，只需要像素值大于100的像素，这就是提取特征，而像素值就是特征。其实啰嗦点说提取就是拿出满足条件的特征来用。

二、功能作用

①最主要的作用就是提取出我们需要的信息，为下一步的处理作准备。
②其次可以加快计算，比如两幅图比较，定义5x5个像素的像素值和作为一个特征，然后再进行比较就比直接比较像素值要快很多。

三、原理解读

所谓的特征提取，分两部分来看，分别是计算特征和提取。
在这里插入图片描述

我们以上图所示（假设为9x9的）2D图片举例，该图片以左上为零点，每个像素包含坐标 $(x, y)$ 与像素值 $p$ 这两种信息。（我们按照一般情况，设黑色像素值为0，白色像素值为255）。
将该图片以矩阵的形式写出，矩阵序号为对应 $x$ 、 $y$ ，矩阵如下
$\begin{bmatrix} 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 255 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 & 0 \end{bmatrix} \tag{矩阵$A_1$}$

特征

特征，其实像素值也可以看作是一种特征，这里的 $(x, y)$ 就是特征的序号。不仅如此，我们也可以将9x9的图划分成是以3x3的像素的均值作为特征，就可以变成如下形式的矩阵 $A_2$ ，这个操作就是计算特征。
$\begin{bmatrix} 0 & 0 & 0 \\ 0 & 28.3 & 0 \\ 0 & 0 & 0 \end{bmatrix} \tag{矩阵$A_2$}$
特征本质上相当于人为规定一个值来描述该部分的特征，比如坐标可以是一种特征，以一个点为中心，领域2单位内的点坐标取平均值也可以看作一种特征；而计算特征就是算出这个规定好的值。特征是人为定义的，根据不同的需求特征的计算也不同。

提取

提取指的是你已经有了各个部分的特征，但只拿出比如说坐标 $x > 0, y > 0$ 的部分作为后面比较的特征，这个叫做提取。本例中，假设我只要提取像素值 $p$ 大于20的特征，那么，矩阵 $A_2$ 中只有 $A_2[1][1]$ 才是提取出来的特征，其他的特征就被我们忽略了，这一过程其实就类似于过滤。