【机器学习】特征提取与传统图像处理算法

参考

华为云学院

特征提取

为了将数字图像有效地转换为结构化数据，需要用到图像特征提取的技术降低数据的维度。其主要思路有：
降采样：通过缩放等降采样技术降低待分析图像数据的分辨率。
分割感兴趣区域（Region of Interest，ROI）：通过分割技术，提取图像中的感兴趣目标的区域，减少待处理的数据量。
特征描述子：将图像转为固定长度的特征向量。

图像二值化

将像素点的灰度值全部设置为黑色（0）或白色（255）

阈值分割

将灰度值大于阈值的像素点设置为白色，小于阈值的点设置为黑色，阈值用T表示

自适应阈值分割

算法自动计算出分割阈值的方法叫做“自适应阈值分割”。

双峰法

如果图像灰度直方图呈明显的双峰状，则选取双峰之间的谷底所对应的灰度值作为图像分割的阈值。如果没有双峰状，则无法使用该方法

最大类间方差法（OTSU）

根据图像的灰度特性将图像分成前景和背景两部分。前景和背景之间的类间方差越大，说明构成图像的两部分的差别越大。

形态学处理（morphology）

可以简化图像数据，增强形状特征，去除干扰噪声，边界提取，目标定位和区域填充。基本操作包括膨胀（dilation）和腐蚀（erosion）基本操作，通过组合前两个基本操作可实现开运算（opening）和闭运算（closing）。

膨胀

将待处理的图像记为A，结构元素记为B，A根据B的形状向外扩充，扩充方法为：选取B的中点，对应A中的所有前景像素，对前景像素区无法覆盖B的区域进行扩充。

腐蚀

选取B中的中点，对应A中的所有前景像素，如果A无法覆盖B，则收缩该像素（设置为背景区域）

开运算

先用结构元素B对A进行腐蚀，在用B对结果进行膨胀。开运算能够过滤比结构元素小的亮点噪声和突刺，并分离细长的线状形状

闭运算

先用结构元素B对A进行膨胀，再用B对结果进行腐蚀。闭运算可以填补比结构元素小的暗点缺陷或者空洞，连通细小断裂的区域和平滑边界。

特征描述子

特征描述子用于将图像转为固定长度的特征向量。常用的描述子描述不同的属性，有HOG，LBP，Haar等。HOG、LBP经常与SVM搭配使用，可用于行人检测，车辆检测。Haar特征经常与Adaboost算法搭配使用，在人脸检测中有良好的效果。