图像分析学习笔记（3）：人工设计图像特征

概述

• 图像的特征：通过对研究对象固有的、本质的及重要的特征或属性进行量测并将结果数值化，或将对象分解并符号化，形成的特征矢量或符号串、关系图。
• 目的：寻找样本的本质属性，使得样本便于区分
• 人工设计特征vs机器学习特征：
  • 人工设计特征的优缺点
  • 优点：可解释性强，特征的含义和设计逻辑清晰，便于理解和调试。 设计灵活，可以根据具体问题和领域知识定制特征，适应不同场景的需求。
  • 缺点：需要设计者根据数据的特点精心设计，成本较高，耗时耗力。 依赖设计者的经验，具有一定的主观性，可能导致特征质量参差不齐。 对数据的泛化性不强，设计特征可能仅适用于特定数据集，难以迁移到其他任务。
  • 机器学习特征的优缺点：
  • 优点：通过挖掘大数据得到特征，能够自动提取数据中的潜在模式和规律。 对特定数据集的泛化性强，能够更好地适应数据分布，提高模型性能。
  • 缺点：依赖大数据，需要足够的数据量才能训练出有效的特征表示。 可解释性差，模型生成的特征可能难以理解，影响决策的透明性和可信度。
• 人工设计特征：
  • 一、线特征 边缘提取、Hough变换、 相位编组
  • 二、点特征 Susan、Harris、Sift
  • 三、形状特征 Hu不变矩、 、Radon变换
  • 四、纹理特征 灰度共现阵、 局部二元模式、HOG特征

线特征

• 线特征：目标轮廓、边界，一般发生在图像特性有意义变化的位置
• 线特征提取基本步骤：边缘检测（抽取反应灰度变化的基本单元–边缘点）；边缘编组：将边缘连接或编组为有意义的线类型特征
• 边缘检测：边缘与导数有密切关系，一般而言，一阶
  导数的极值点对应着边界，二阶导数的过零点对应着边界。梯度包含两个方向的导数