? ? 圖像特征的提取和選擇是圖像處理過程中很重要的環(huán)節(jié)，對后續(xù)圖像分類有著重要的影響，并且對于圖像數(shù)據(jù)具有樣本少，維數(shù)高的特點，要從圖像中提取有用的信息，必須對圖像特征進行降維處理，特征提取與特征選擇就是最有效的降維方法，其目的是得到一個反映數(shù)據(jù)本質(zhì)結構、識別率更高的特征子空間 。

一.原始特征提取

1.圖像的基本特征

• 顏色特征

• 形狀特征

• 紋理特征

• 空間關系特征

2.基于顏色特征的提取方法?

• 顏色直方圖

• 顏色集，是對顏色直方圖的一種近似，其將圖像表達為一個二進制的顏色索引集

• 顏色矩，其將圖像中任何的顏色分布用它的矩來表示

• 顏色聚合向量

• 顏色相關圖

顏色特征是一種全局特征，描述了圖像或圖像區(qū)域所對應的景物的表面性質(zhì)。由于顏色對圖像或圖像區(qū)域的方向、大小等變化不敏感，所以顏色特征不能很好的捕捉圖像中對象的局部特征。另外，僅使用顏色特征查詢時，如果數(shù)據(jù)庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特征的方法，其優(yōu)點是不受圖像旋轉和平移變化的影響，進一步借助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

3.基于紋理特征的提取方法

• 基于統(tǒng)計的灰度共生矩陣和能量譜函數(shù)法

• 幾何法，例如基于圖像基元的結構化方法

• 模型法，以圖像的構造模型為基礎，采用模型參數(shù)作為紋理特征，典型的方法有隨機場模型法

• 信號處理法，例如，小波變換

紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對應景物的表面性質(zhì)。作為一種統(tǒng)計特征，紋理特征常具有旋轉不變性，并且對于噪聲有較強的抵抗能力。但紋理只是一種物體表面的特性，無法完全反映出物體的本質(zhì)屬性，所以僅利用紋理特征無法獲得高層次圖像內(nèi)容，且紋理特征還有一個很明顯的缺點是當圖像的分辨率變化的時候，所計算出來的紋理可能會有較大偏差。

4.基于形狀特征的提取方法

• 基于邊界的，例如Hough變換，傅里葉變換等

• 基于區(qū)域的，例如矩不變量，幾何矩特征，轉動慣量等

• 其他方法，例如有限元法，旋轉函數(shù)和小波描述符等

基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索 ，但也存在一些問題，例如當目標有變形時檢索結果就不太可靠，且許多形狀特征僅描述了目標的局部特征，對全面描述目標有較高的時間和空間要求等。

5.基于空間關系的特征提取方法

空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。提取圖像空間關系特征可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區(qū)域，然后根據(jù)這些區(qū)域提取圖像特征，并建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規(guī)則子塊，然后對每個圖像子塊提取特征，并建立索引。

空間關系特征的使用可加強對圖像內(nèi)容的描述區(qū)分能力，但空間關系特征常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效準確地表達場景信息。

6.小結

上述特征提取方法是圖像特征的初步獲取，其各有利弊。針對不同的實際問題，可選擇適當?shù)膱D像特征提取方法。但有時僅用單一的特征來進行圖像檢索或匹配，其結果準確度不高，為了提高準確度，有人提出了多特征融合的圖像檢索或匹配技術。

二.特征提取

對于初步獲取的圖像特征，可能維數(shù)依然很大，且可能包含一定的無關或冗余特征。這里的特征提取是指從初步獲取的原始特征中通過一定的數(shù)學運算得到一組新的特征也稱作特征變換，其可以有效的降低特征空間維數(shù)和消除特征之間可能存在的相關性，減少特征中的無用信息。

1.特征提取的基本方法

• 線性方法，如主成分分析法（PCA），線性判別分析法（LDA），多維尺度法（MDS）

• 非線性方法，如核方法（KPCA，KDA），流型學習

2.主成分分析法

PCA方法是從一組特征中通過求解最優(yōu)的正交變換，得到一組相互間方差最大的新特征，它們是原始特征的線性組合，且相互之間是不相關的，再對新特征進行重要性排序，選取前幾個主成分。用較少的主成分來表示數(shù)據(jù)，可以實現(xiàn)特征的降維，還可以消除數(shù)據(jù)中的噪聲。該算法不考慮樣本的類別信息，是一種無監(jiān)督的方法。

3.線性判別方法

該方法基本思想是將高維的數(shù)據(jù)樣本投影到最佳判別的矢量空間，以達到提取分類信息和壓縮特征空間維數(shù)的效果，投影后保證數(shù)據(jù)樣本在新的子空間類間距離最大和類內(nèi)距離最小，即樣本數(shù)據(jù)在該空間中有最佳的可分離性。Fisher線性判別分析是最具有代表性的LDA 法。

4.多維尺度法

MDS是一種很經(jīng)典的數(shù)據(jù)映射方法，其根據(jù)樣本之間的距離關系或不相似度關系在低維空間里生成對樣本的一種表示。MDS分為度量型和非度量型兩種，度量型MDS把樣本間的距離關系或不相似度關系看作一種定量的度量，盡可能的在低維空間里保持這種度量關系；非度量型MDS把樣本間的距離關系或不相似度關系看作一種定性的關系，在低維空間里只需保持這種關系的順序。

5.核主成分分析法

該方法對樣本進行非線性變換，通過在變換空間進行主成分分析來實現(xiàn)在原空間的非線性主成分分析。根據(jù)可再生希爾伯特空間的性質(zhì)，在變換空間中的協(xié)方差矩陣可以通過原空間中的核函數(shù)進行運算，從而繞過復雜的非線性變換。核方法對于不同的問題選擇合適的核函數(shù)類型，不同的核函數(shù)類型反映了對數(shù)據(jù)分布的不同假設，也可以看作是對數(shù)據(jù)引入了一種非線性距離度量。

6.基于流型學習的方法

其基本思想是通過局部距離來定義非線性距離度量，在樣本分布較密集的情況下可以實現(xiàn)各種復雜的非線性距離度量。具體方法有：

• 等容特征映射（IsoMap）--歐氏距離累加

• 局部線性嵌入（LLE）--近鄰樣本線性重構

• 拉普拉斯特征映射（LE）--鄰域選取和樣本間相似度表達

• 其他改進算法

《數(shù)據(jù)科學與人工智能》公眾號推薦朋友們學習和使用Python語言，需要加入Python語言群的，請掃碼加我個人微信，備注【姓名-Python群】，我誠邀你入群，大家學習和分享。

? ? 關于Python語言，有任何問題或者想法，請留言或者加群討論。