常用的图像特征提取方法

article/2025/8/30 4:23:10

1. 灰度特征可提取:灰度平均值、方差

2.纹理特征提取

MATLAB程序:

%%%特征提取
clear all;
close all;
clc;D=dir('E:\my_work\长光所\云图\数据集\云样本\*.jpg');
cloud_feature=zeros(length(D),5);for i=1:length(D)img=imread(['E:\my_work\长光所\云图\数据集\云样本\',D(i).name]);[m,n]=size(img);cloud_feature(i,1)=mean2(img);cloud_feature(i,2)=std2(img);gray_dif=zeros(256,1);gray_co_matrix=zeros(256,256);for j=1:mfor k=1:n-1%%灰度差分统计直方图gray_dif(abs(img(j,k)-img(j,k+1))+1,1)=gray_dif(abs(img(j,k)-img(j,k+1))+1,1)+1;%水平方向%%灰度共生矩阵gray_co_matrix(img(j,k)+1,img(j,k+1)+1)=gray_co_matrix(img(j,k)+1,img(j,k+1)+1)+1;endend%%灰度差分统计直方图特征提取gray_dif=gray_dif/((n-1)*m);%归一化gray_co_matrix=gray_co_matrix/((n-1)*m);%归一化dif_mean=0;%灰度差分统计均值dif_con=0;%灰度差分统计对比度dif_ent=0;%灰度差分统计图像熵for l=1:256dif_mean=dif_mean+(l-1)*gray_dif(l);dif_con=dif_con+(l-1)^2*gray_dif(l);if gray_dif(l)~=0dif_ent=dif_ent-gray_dif(l)*log2(gray_dif(l));endendcloud_feature(i,3)=dif_mean;cloud_feature(i,4)=dif_con;    cloud_feature(i,5)=dif_ent;%%灰度共生矩阵特征提取asm=0;%角二阶距
%     cor=0;%相关ent=0;%熵con=0;%对比度for p=1:256for q=1:256asm=asm+gray_co_matrix(p,q)^2;if gray_co_matrix(p,q)~=0ent=ent-gray_co_matrix(p,q)*log2(gray_co_matrix(p,q));endcon=con+(p-q)^2*gray_co_matrix(p,q);endendcloud_feature(i,6)=asm;cloud_feature(i,7)=ent;    cloud_feature(i,8)=con;            end

3.形状特征提取

常用的有7个不变矩特征,自行查阅。

不变矩特征具有尺度、旋转、平移不变性,实际用代码计算时,对于有尺度、旋转、平移变化的目标的不变矩特征可能有微小的变化。

MATLAB程序:

binary_img=std_image>2;
figure;
imshow(binary_img);m10=0;m01=0;m00=0;
for i=1:linesfor j=1:samplesif binary_img(i,j)m10=m10+i*binary_img(i,j);m01=m01+j*binary_img(i,j);m00=m00+binary_img(i,j);endend
endavg_x=m10/m00;
avg_y=m01/m00;u00=m00;
u20=0;u30=0;u02=0;u03=0;u21=0;u11=0;u12=0;
for i=1:linesfor j=1:samplesif binary_img(i,j) u20=u20+(i-avg_x)^2*binary_img(i,j);u30=u30+(i-avg_x)^3*binary_img(i,j);u02=u02+(j-avg_y)^2*binary_img(i,j);u03=u03+(j-avg_y)^3*binary_img(i,j);           u21=u21+(i-avg_x)^2*(j-avg_y)*binary_img(i,j);u11=u11+(i-avg_x)*(j-avg_y)*binary_img(i,j);u12=u12+(i-avg_x)*(j-avg_y)^2*binary_img(i,j);endend
ends20=u20/u00^((2+0)/2+1);
s30=u30/u00^((3+0)/2+1);
s02=u02/u00^((0+2)/2+1);
s03=u03/u00^((0+3)/2+1);
s21=u21/u00^((2+1)/2+1);
s11=u11/u00^((1+1)/2+1);
s12=u12/u00^((1+2)/2+1);f1=s20+s02;
f2=(s20-s02)^2+4*s11^2;
f3=(s30-3*s12)^2+(3*s21-s03)^2;
f4=(s30+s12)^2+(s21+s03)^2;
f5=(s30-3*s12)*(s30+s12)*((s30+s12)^2-3*(s21+s03)^2)+(3*s21-s03)*(s21+s03)*(3*(s30+s12)^2-(s21+s03)^2);
f6=(s20-s02)*((s30+s12)^2-(s21+s03)^2)+4*s11*(s30+s12)*(s21+s03);
f7=(3*s21-s03)*(s30+s12)*((s30+s12)^2-3*(s21+s03)^2)+(3*s21-s03)*(s21+s03)*(3*(s30+s12)^2-(s21+s03)^2);

 


http://chatgpt.dhexx.cn/article/JqurSQqu.shtml

相关文章

OpenCV图像特征提取

Camera系列文章 传感器融合是将多个传感器采集的数据进行融合处理,以更好感知周围环境;这里首先介绍Camera的相关内容,包括摄像头及图像知识基本介绍,OpenCV图像识别(特征提取,目标分类等)&…

(八)特征选择与特征提取

特征选择与特征提取 一、特征的选择 1、原始特征 在描述对象的时候 模式识别中把每个对象都量化为一组特征来描述,构建特征空间是解决模式识别问题的第一步,其中通过直接测量得到的特征称为原始特征。 如: - 人体的各种生理指标&#xff0…

机器学习之特征提取

机器学习之特征提取 1.为什么要特征提取 原始数据常常是高维的,其中包含了许多冗余信息或者十分稀疏或者计算量大,拿原始数据来训练可行,但是往往直接训练是低效的。所以特征提取往往是必要的。 注:特征提取主要是为了解决下面三…

【机器学习】特征提取

特征提取 目标 应用DictVectorizer实现对类别特征进行数值化、离散化 应用CountVectorizer实现对文本特征进行数值化 应用TfidfVectorizer实现对文本特征进行数值化 说出两种文本特征提取的方式区别 定义 特征提取是将任意数据(如文本或图像)转换…

特征选择与特征抽取

特征抽取和特征选择是DimensionalityReduction(降维)两种方法,但是这两个有相同点,也有不同点之处: 1. 概念: 特征抽取(Feature Extraction):Creatting a subset of new features by…

【特征提取】基于深度学习的特征提取和匹配方法介绍

点击上方“小白学视觉”,选择加"星标"或“置顶” 重磅干货,第一时间送达本文转自 | AI深度学习视线精彩内容 计算机视觉需要图像预处理,比如特征提取,包括特征点,边缘和轮廓之类。以前做跟踪和3-D重建&#…

特征工程之特征提取

![ 什么是特征提取呢? 1 特征提取 1 将任意数据(如文本或图像)转换为可用于机器学习的数字特征 注:特征值化是为了计算机更好的去理解数据 字典特征提取(特征离散化) 文本特征提取 图像特征提取(深度学习将介绍&…

数据分析 | 特征提取

目录 特征提取 1 方差过滤(VarianceThreshold) 2 卡方过滤(chi2;SelectKBest) 3 F检验(f_classif;SelectKBest) 关注我【生物海洋计算机支线】,获得更多生物海洋学&…

特征提取的方法

机器学习系列:(三)特征提取与处理 特征提取与处理 上一章案例中的解释变量都是数值,比如匹萨的直接。而很多机器学习问题需要研究的对象可能是分类变量、文字甚至图像。本章,我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序…

图像特征提取(VGG和Resnet特征提取卷积过程详解)

图像特征提取(VGG和Resnet算法卷积过程详解) 第一章 图像特征提取认知 1.1常见算法原理和性能 众所周知,计算机不认识图像,只认识数字。为了使计算机能够“理解”图像,从而具有真正意义上的“视觉”,本章我们将研究…

特征提取方法

潜在语义索引 潜在语义索引(Latent Semantic Indexing,以下简称LSI),也叫Latent Semantic Analysis ,简称LSA。本文中称为LSI。LSI是一种主题模型,他是利用SVD奇异值分解方法来获得文本的主题的。奇异值分解详见点击打开链接。 …

特征提取方法简介

one-hot 表示一个词 bag-of-words 表示一段文本 tf-idf 用频率的手段来表征词语的重要性 text-rank 借鉴page-rank来表征词语的权重 从基于SVD纯数学分解词文档矩阵的LSA,到pLSA中用概率手段来表征文档形成过程并将词文档矩阵的求解结果赋予概率含义,再到…

特征选择和特征提取(一、概述)

特征选择和特征提取属于图像处理领域最基本的操作。 再这之前,我们先来了解一下卷积和滤波,像平时我们听到的CNN,就是使用卷积操进行图像的滤波操作,简单来说,滤波是图像处理的操作,而卷积是实现滤波的方法…

图像特征及提取

本文主要用于记录图像特征及其提取方法 文章目录 1.颜色特征1.1量化颜色直方图1.2聚类颜色直方图 2.几何特征2.1边缘特征2.2基于特征点的特征描述子2.2.1寻找特征点:Harris角点检测2.2.2另一种特征点:斑点2.2.3SFIT:斑点的特征描述子 1.颜色特…

机器学习中的特征提取

特征提取是将任意数据(如文本或图像)转换为可用于机器学习的数字特征,特征提取是为了计算机更好的去理解数据。 特征提取大体上可以分为三大类: 字典特征提取(特征离散化)文本特征提取图像特征提取(深度学习&#xf…

图像特征提取

从本节开始, 我们将逐步从数字图像处理向图像识别过渡。 严格地说, 图像特征提取属于图像分析的范畴, 是数字图像处理的高级阶段, 同时也是图像识别的开始。 本文主要包括以下内容 常用的基本统计特征, 如周长、面积…

机器视觉中的特征提取【0】:什么是特征提取,特征提取有什么作用?

1.什么是特征提取? 特征提取的英文叫做feature extractor,它是将一些原始的输入的数据维度减少或者将原始的特征进行重新组合以便于后续的使用。简单来说有两个作用:减少数据维度,整理已有的数据特征。 这里我给一个例子来解释特…

c语言结构体学习整理(结构体初始化,结构体指针)

渣渣c的c语言学习之路 1.关于c语言的结构体: 首先我们为什么要用到结构体,我们都已经学了很多int char …等类型还学到了同类型元素构成的数组,以及取上述类型的指针,在一些小应用可以灵活使用,然而,在我们实际应用中…

C语言----初始结构体详解

此文是作者初次学习C语言的时候,写的笔记博文,如有错误请及时指正,谢谢!!! 目录 1,什么是结构体 2. 结构体的声明 2,1结构体声明 2,2结构体成员的类型 2,…

openVAS 介绍

含义及作用: OpenVAS是开放式漏洞评估系统,也可以说它是一个包含着相关工具的网络扫描器。其核心部件是一个服务器,包括一套网络漏洞测试程序,可以检测远程系统和应用程序中的安全问题。 OpenVAS 的功能包括非认证测试、认证测…