任务5 图像的读取及表示 图像的特征 图片特征的降维

Posted qq2210446939

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了任务5 图像的读取及表示 图像的特征 图片特征的降维相关的知识,希望对你有一定的参考价值。

任务目的:

  知道图像的表示以及读取方法

  了解图像的特征

  对图像特征进行降维

 

一、图像的读取及表示

  图像要进行处理才能进行模型输入。

  python自带的库将图像存在矩阵或者张量里面。

  图像由像素组成,一个像素点一般油RGB三维数组构成。

 

二、图像的特征

  图像的识别should环境因素约束。

  常见的图像颜色特征有:SIFT尺度不变特征变换 和 HOG方向梯度直方图

  颜色特征就是对RGB做一个统计,统计有各颜色的分布百分比。

  前者具有尺度不变性,即使改变旋转角度,图像亮度或拍摄视角依然能够很好地识别。

  后者通过计算和统计图像局部区域的梯度方向直方图来构建特征。

  两者的详细说明参照:https://blog.csdn.net/taigw/article/details/42206311

            https://blog.csdn.net/zouxy09/article/details/7929348

 

三、对图片特征的降维

  种常用的降维工具——PCA(Principal Component Analysis), 它是一种无监督的学习方法,可以把高维的向量映射到低维的空间里。

  核心思路:对数据做线性的变换,然后在空间里选择信息量最大的Top K维度作为新的特征值。

  具体目标:将原来n为的数据映射到k维上,这k维又叫做主成分。具体映射方法的选择要和原始数据密切相关。

  从数据上来说就是原来的特征矩阵是N*M的,要求左乘或者右乘一个系数矩阵,使得原来矩阵的行数或者列数达到改变,那个系数矩阵怎么构造就是这个算法的关键。

  参考:https://blog.csdn.net/program_developer/article/details/80632779(主成分分析)

 

   

总结:

  这个任务学得太抽象了,没有学到底层,只学了很多概念。

  之后再完善此博客,任务是了解SIFT和HOG的底层和PCA的底层,也就是看那几篇博客(●‘?‘●)。

 

 

 

  

      

以上是关于任务5 图像的读取及表示 图像的特征 图片特征的降维的主要内容,如果未能解决你的问题,请参考以下文章

Python图片颜色特征提取——HSV中心距法(附代码及注释)

任务6 任务6 利用KNN 进行图像识别

求高手给一个matlab提取图像lbp的代码 谢谢啦

100天精通Python丨黑科技篇 —— 06Python 修图(滤镜灰度裁剪视觉处理图像分割特征提取)

图像特征提取——局部图结构(LGS)及matlab代码实现

特征,特征不变性,尺度空间与图像金字塔