这篇博客探讨了图像处理中卷积特征的运用，包括Gabor特征和Bio-inspired特征。Gabor特征通过5个尺度和8个方向的Gabor核对图像进行卷积，得到高维特征表示。Bio-inspired特征则是对图像不同band进行2个尺度、4个方向的卷积，再通过pooling和计算std或max得到特征向量。最后，文章还提及了Deep Learning中的卷积层特征。
1.Gabor特征
设图像100*100，Gabor核大小10*10，5个尺度，8个方向。
如果是像素级别的，1个像素得到Gabor的维数是5*8=40,整个图像是100*100*5*8
如果是用核卷积，不重叠（步长为10）10*10*5*8
2.Bio-inspired 特征
一张图像60*60
分为8个band，
pooling grid 6*6，overlap 3，共有60*60/3*3=400个块
对于每个块，2个尺度（5*5，7*7），4个方向（0°，45°，90°，135°）进行卷积。得到8个6*6的卷积图
对于每个卷积图，求std或者max，得到一个值
因此，每个块，bif之后的维数是4*2=8
band1之后，每张图像，bif后的维数是400*8=3200维。
band2之后，60*60/4/4*8=
band3之后，60*60/5/5*8=
band4之后，60*60/6
最低0.47元/天 解锁文章
8888
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
