标签：
Pattern Classification
如何从模式样本中提取和提取最能解决问题的 模式特征
模式采集中所得到的样本测量值往往是很多的，比如说点云
无论是理论上还是实践中数据压缩都是很重要的
原始特征——数据采集得到的诸测量值
维数压缩
R->d 保持本质属性不变
通过特征变换：相似变换、旋转变换、正交变换。。。
通过特征选择：从特征集中选取出最有利于分类的特征子集
特征变换与特征选择，作为两个过程，先后次序不固定，视情况而定
应该在处理时间和分类错误率之间进行折中
图像的特征提取
一幅图像可以看作一个模式的一次采样
一.一阶灰度值统计量的特征提取
假设灰度值量化为L级，比如L=256
4个直方图分别是偏暗、偏亮、动态强、动态适中
直方图处理方法：
1.直方图均衡化 应用于图像增强—— 是针对人眼的， 机器视觉一般不用
2。灰度值分布的r阶 原点矩（一阶） 中心矩（二阶） 偏度（三阶） 峰度（4阶）
能量 energy 熵 entropy
灰度值等概率分布， 具有最小能量，最大熵
以上是宏观特征
二。纹理特征 ——细节特征
纹理特征可以分为 空域 和 频域
空域
（1）方向差分特征及其统计量
大 代表 纹理稠密 还能描述 纹理的方向
i 原点惯性矩 ii 熵 iii 均值
频域
功率谱
UV空间进行处理
功率谱的径向特征与纹理有关
三、区域内部细节 ——矩特征
原始矩不具有平移不变性，不适合直接用作特征
采用m+n阶矩 具有平移不变性
7个Hu矩 ：对于缩放 镜像 旋转 具有 不变性
我感觉不变性可以作为特征优劣的重要评判标准
四、几何特征
www.cvlibs.com 德国的自动驾驶汽车项目
处理二值图像
链码 很厉害
面积 周长 形状参数（密集度）——越小越圆滑——比例、平移、旋转不变性
体态比
上述四个几何特征，直观性强，计算简单
它们所提取的信息不够完全，是一对多的关系
特征提取与选择 任务： 把模式空间R个特征压缩为特征空间d个特征，并且这d个特征对于分类是最有效的
引入判别可分性判据 ，来刻画特征对分类的贡献
（1）与误判概率有单调关系
（2）特征独立式，特征具有可加性
（3）判据具有“距离”的某些特性
（4）对于特征数单调不减
单独最优原则
增添特征法
剃减特征法
分支定界算法：实际上是对一个特征选择的索搜树
步骤：——实用方法
1.向下搜索
2.更新界值
3.向上回溯
4.停止回溯，继续向下搜索
步骤：
1.求随机向量X的相关矩阵R
2.求出R的本征值和对应的本征矢量，得到本征矢量矩阵fai
3. 按照方程 c=fai’*X 进行变换
标签：
原文地址：http://www.cnblogs.com/yuanhao11/p/5503345.html
