下载文档原格式
ENVI EX特征提取(Feature Extraction)中基于规则的分类的特征属性ENVI EX的Feature Extraction是一个非常强大的用于分割与分类的workflow。
EX先对影像进行分割，然后针对分割出来的斑块对象，利用光谱、纹理和几何信息对目标进行分类和提取。
EX提供监督分类和基于规则的分类两种分类方式，其中基于规则的分类通过调节各特征属性的阈值，将感兴趣目标提取出来。
EX提供了丰富的用于分类的特征属性，以下关于特征属性的说明，从Help中翻译而来。
光谱特征:MINBAND_x：对象在第x波段所有像素的灰度的最小值。
MAXBAND_x：对象在第x波段所有像素的灰度的最小值。
AVGBAND_x：对象在第x波段所有像素的灰度的平均值。
STDBAND_x：对象在第x波段所有像素的灰度的标准差。
纹理特征:TX_RANGE：对象纹理核的平均数据范围。
TX_MEAN：对象纹理核的平均值。
TX_VARIANCE：对象纹理核的均方差。
TX_ENTROPY：对象纹理核的平均熵。
几何特征:AREA：对象的多边形的总面积，减去多边形中洞的面积。
数值为地图单位下的值。
LENGTH：包括洞在内，对象所有边界的总长度。
COMPACT：对象的紧密度。
圆是紧密度最高的形状，紧密度为1/pi。
正方形的紧密度为1/2(sqrt(pi))。
紧密度计算公式为COMPACT=sqrt(4*AREA/pi)/外轮廓线长度。
CONVEXITY：对象的凸度。
没有洞的凸多边形的凸度为1，凹多边形的凸度小于1。
凸度的计算公式为CONVEXITY=凸包长度/LENGTHSOLIDITY：对象完整度，由多边形面积比多边形凸包的面积。
没有洞的凸多边形完整度为1，凹多边形的完整度小于1。
完整度的计算公式为SOLIDITY=AREA/凸包的面积。
ROUNDNESS：对象的圆度，由多边形的面积比多边形最长直径的平方。
最长直径指的是多边形外接矩形框的长轴长度。
特征提取方法特征提取是指从原始数据中提取出对于问题解决有意义的信息的过程。
在机器学习、模式识别、图像处理等领域中，特征提取是至关重要的一步，它直接影响着后续算法的性能和效果。
本文将介绍几种常见的特征提取方法，包括传统的统计特征提取方法和基于深度学习的特征提取方法。
首先，我们来看一下传统的统计特征提取方法。
在这类方法中，常用的特征包括均值、方差、最大最小值、标准差等。
这些特征能够很好地描述数据的分布情况和波动情况，对于一些简单的问题，这些特征已经足够。
此外，还有一些高级的统计特征提取方法，比如小波变换、傅里叶变换等，这些方法能够更好地捕捉数据的频域特征和时域特征，适用于信号处理和图像处理领域。
其次，我们介绍基于深度学习的特征提取方法。
深度学习在近年来取得了巨大的成功，其中的卷积神经网络（CNN）和循环神经网络（RNN）等模型在图像处理、自然语言处理等领域表现出色。
这些深度学习模型能够自动地学习到数据的抽象特征表示，无需手工设计特征提取器。
在训练充分的深度学习模型中，隐藏层的特征表示已经能够很好地表达原始数据，因此可以将这些隐藏层的特征作为最终的特征表示，适用于各种复杂的问题。
除了上述两类方法，还有一些其他的特征提取方法，比如基于字典学习的方法、稀疏编码方法等。
这些方法在特定的问题领域有着一定的应用，能够提取出数据的稀疏表示和高阶特征。
总的来说，特征提取是机器学习和模式识别中的重要一环，不同的问题和数据需要不同的特征提取方法。
传统的统计特征提取方法适用于简单的问题和数据，而基于深度学习的方法则适用于复杂的问题和大规模的数据。
在实际应用中，我们需要根据具体的情况选择合适的特征提取方法，以提高算法的性能和效果。
希望本文介绍的特征提取方法能够对读者有所帮助。
第25卷第1期苏州市职业大学学报V ol.25，No.1 2014年3月Journal of Suzhou V ocational University Mar.，2014基于多尺度分析的图像去噪及特征提取算法研究戴桂平(苏州市职业大学 电子信息工程学院，江苏 苏州 215104)摘 要： 针对BEMD和非采样Contourlet变换2种典型的多尺度几何分析方法，研究并提出其在图像去噪及特征提取应用方面的4种算法模型，针对每种模型，分析了其算法原理及流程，并通过仿真实验验证了每种算法模型的有效性及优越性.关键词： 多尺度几何分析；二维经验模式分解；非采样Contourlet变换；独立成分分析中图分类号：TP391.41 文献标志码：A文章编号：1008-5475(2014)01-0017-05 Algorithms of Image De-noising and Feature ExtractionBased on Multi-scale AnalysisDAI Gui-ping(School of Electronic Information Engineering，Suzhou Vocational University，Suzhou 215104，China) Abstract：For two typical multi-scale geometric analysis methods：Bi-dimensional empirical modedecomposition and nonsubsampled contourlet transform，four algorithm models of image de-noising and featureextraction are proposed. For each model，the algorithm principles and processes are detailedly analyzed. Andthen through the simulation experiments，the effectiveness and superiority of each algorithm model are verified.Key words：multi-scale geometric analysis；bi-dimensional empirical mode decomposition；nonsubsampledcontourlet transform；independent component analysis在图像处理、模式识别与计算机视觉领域中，由于系统和环境等因素的影响，使得采集到的图像存在大量的噪声，视觉效果较差，直接影响了后续特征的提取，因而，图像去噪是图像处理的基础环节.此外，特征提取是模式识别的关键，全面、精确地提取特征是准确、快速分类的重要保证，因此图像去噪及特征提取成为一项十分重要的研究课题[1].近年来，随着对自然图像统计规律及人类视觉系统研究的深入，多尺度几何分析理论(multi-scale geometric analysis，MGA)逐渐成为计算机视觉领域的研究热点[2]. 所谓多尺度分析是指由粗到细或由细到粗地、在不同尺度(分辨率)上对图像进行分析，使其拥有方向性、多尺度、局部化、各向异性等优良特性，能够高效地捕捉自然图像的高维奇异性，其稀疏表达方式也更加符合人类视觉系统视皮层细胞感受野的处理机制.常用的图像MGA方法主要包括自适应和非自适应两类，自适应MGA方法是指图像变换的基函数随图像的具体内容而改变，包括Bandelet、Directionlet、Wedgelet以及EMD、BEMD等；而非自适应MGA方法是指基函数与具体的图像内容无关，包括Shearlet、Curvelet、Ridgelet、Contourlet以及非采样收稿日期：2013-11-21；修回日期：2013-12-22基金项目：国家自然科学基金资助项目(60970058)；江苏省自然科学基金资助项目(BK2009131)；苏州市职业大学青年基金资助项目(2013SZDQ02)作者简介：戴桂平(1982-)，女，江苏泰州人，讲师，硕士，主要从事模式识别与人工智能研究.第25卷 苏州市职业大学学报Contourlet 变换等[3]，其本质是通过对图像等高维数据内在的几何结构，如轮廓、边缘、纹理等进行高效地逼近和描述，从而克服了二维小波变换不能有效捕获信号高维奇异性的缺陷.其中，非采样Contourlet 变换除了继承多尺度几何分析的优良特性外，还具有多方向、各向异性、平移不变性以及基函数固定、结构更加稳定等性能，而二维经验模式分解(bi-dimensional empirical mode decomposition ，BEMD) 是一种具有自适应性的时频局部化多尺度分析方法，其分解不依赖于固定的基函数，因而能获得优良的图像处理性能.本文主要针对BEMD 以及非采样Contourlet(NSCT)变换这2种典型的多尺度几何分析方法，研究其在图像去噪、特征提取及模式识别中的应用.1 基于多尺度几何分析的图像去噪算法1.1 基于BEMD与双树复小波-局部Wiener滤波的图像去噪1) 基本原理.BEMD 是一种具有自适应性的时频局部化多尺度分析方法，与非自适应MGA 方法相比，此法能自适应地将图像和噪声逐级分解成若干个具有不同特征尺度的本征模函数(intrinsic mode function ，IMF)集，从而实现了图像与噪声的多尺度特征分离.与离散小波变换不同，双树复小波变换利用一对滤波器组同时产生两组小波分解，能够提供图像在6个高频方向的细节信息，因此具有平移不变性和良好的方向选择性、低冗余度以及完全重构特性等.而Wiener 滤波器是一种基于最小均方误差原则而得到的局部自适应线性滤波器，利用带有方向窗的局部Wiener 滤波可以对双树复小波分解得到的6个高频方向的细节信息进行去噪.2) 算法流程.结合BEMD 算法的自适应分解特性、双树复小波变换的平移不变性、多方向选择性以及Wiener 滤波优良的去噪性能，提出了一种基于BEMD 与双树复小波变换-局部Wiener 滤波相结合的图像去噪算法，具体见文献[4].该算法，首先，对含噪图像进行BEMD 分解得到不同特征尺度的IMF 子图像集；然后，利用双树复小波变换分别对中高频IMF 子图像进行多尺度、多方向分解，并结合带有椭圆方向窗的局部Wiener 滤波算法对各个高频方向子带进行去噪；最后，通过DTCWT 逆变换重构得到去噪后的IMF ，并与残差图像相加进行BEMD 重构，从而最终得到去噪后的图像.3) 仿真实验.为了验证去噪算法的有效性及优越性，文献[4]采用基于BEMD 与双树复小波-局部Wiener 滤波的图象去噪算法、BEMD 滤波、双树复小波-Wiener 滤波(2-DTCWT -Wiener)以及离散小波变换-Wiener 滤波(DWT -Wiener)分别对毫米波焦平面成像系统所形成的含有噪声的手枪图像进行去噪，结果如图1所示，实验结果表明，该融合算法去噪效果更明显，由于双树复小波变换可提供6个方向的高频细节信息且具备平移不变性，因而所提取的目标图像的边缘及细节特征更清晰，且不具有如图1(c)所示的Gibbs 现象的视觉失真.1.2 基于非下采样Contourlet变换(NSCT)域统计模型的自适应图像去噪1) 算法原理及流程.NSCT 是一种不进行下采样的Contourlet 变换，由非下采样金字塔(nonsub sampled pyramid ，NSP)和非下采样方向滤波器组(nonsub sampled directional filter banks ，NSDFB)构成，由于没有包含下采样环节，所以该变换具有平移不变性，此外还具有多方向性(任意方向)、各向异性等优良性能.基于NSCT 域统计模型的自适应图像去噪算法流程为：①NSCT 分解.对含噪图像进行3层(a) BEMD 滤波(b) 2-DTCWT -Wiener 滤波(c) DWT -Wiener 滤波(d) BEMD 与双树复小波-局部Wiener 滤波图1 各种算法去噪后的毫米波图像2014年第1期NSCT 分解，由粗到细尺度的方向数依次为4、8、16，得到低频及各尺度各方向的高频NSCT 系数.②基于各方向子带能量的改进BayesShrink 阈值估计.第i 尺度上噪声方差估计：利用蒙特卡罗鲁棒中值估计器来估计第i 尺度上所有方向子带系数的噪声方差σn2.i 尺度、j 方向子带贝叶斯阈值估计：利用最大似然估计法则估计i 尺度、j 方向上不含噪声的NSCT 系数方差，则贝叶斯阈值基于方向子带能量的改进BayesShrink 阈值估计为(1)式中：E j i 为第i 尺度、j 方向上的系数总能量；E i j j =∑1为第i 尺度上所有方向子带的系数总能量.由式(1)表明，方向子带能量越大，则细节信息越多，阈值越小；反之，方向子带能量越小，则含有的噪声越多，阈值则越大.③利用可调节的新阈值函数及改进的阈值对i 尺度、j 方向子带系数进行BayesShrink 收缩.具有可调节的新阈值函数为(2)式中：w i j k ,为第i 尺度、j BayesShrink 阈值. (3)④NSCT 重构.利用‘BayesShrink 改进算法去噪后的各个尺度的方向子带系数进行NSCT 重构，从而得到去噪后的图像.2) 仿真实验.为了验证基于NSCT 域统计模型的自适应图像去噪算法的优越性，将其与小波BayesShrink 去噪、Contourlet BayesShrink 去噪以及CT 改进BayesShrink 去噪相对比.其中，小波BayesShrink 去噪仿真中，利用bior4.4小波对含有噪声的仿真图像进行三层分解，利用未改进的BayesShrink 阈值对水平、垂直及对角高频系数分别进行收缩并重构；在Contourlet BayesShrink 去噪中，pfilt 和dfilt 滤波器分别采用‘9-7’及‘pkva ’系列，分解方向数矩阵nlevels 设定为[2，3，4]，即各4、8、16个高频方向；NSCT 改进BayesShrink 去噪中，pfilt 和dfilt 滤波器分别选择‘maxflat ’及‘dmaxflat7’系列，nlevels 仍设定为[2，3，4]，并采用峰值信噪比(PSNR)作为衡量去噪图像质量的指标.各种去噪算法PSNR值比较如图2所示，实验结果表明：NSCT 改进BayesShrink 去噪方法的去噪效果最好，PSNR 值最高为56.67 dB ；而Contourlet 变换由于不具备平移不变性，PSNR 值次之为47.08 dB ；CT BayesShrink 去噪中，由于其阈值及阈值函数不具备自适应性，PSNR 值只有31.90 dB ；在小波BayesShrink 去噪中，由于小波变换不具备多方向性及平移不变性，其去噪效果最差，PSNR 值仅为31.45 dB .2 基于多尺度几何分析的图像特征提取算法2.1 基于BEMD与ICAⅡ的图像特征提取1) 算法原理及流程.结合BEMD 算法的自适应时频局域化多尺度特性以及ICA Ⅱ表征数据的高阶图2 各种去噪算法PSNR值比较50100150200250501001502002505010015020025050100150200250(a) 小波BayesShrink 去噪(PSNR=31.45 dB)(b) CT BayesShrink 去噪(PSNR=31.90 dB)(c) CT 改进BayesShrink 去噪(PSNR=47.00 dB)(d) CT 改进BayesShrink 去噪(PSNR=56.67 dB)50100150200250501001502002505010015020025050100150200250 戴桂平：基于多尺度分析的图像去噪及特征提取算法研究第25卷 苏州市职业大学学报统计特性，提出一种基于BEMD 与ICA Ⅱ(独立成分分析，independent comment analysis)相结合的图像特征提取方法，具体见文献[5].该算法，首先，对预处理过的图像进行BEMD 分解，得到特征尺度从小到大(频率由大到小)的IMF 子图像集；然后，选取包含主要特征信息的若干IMF 子图像作为ICA Ⅱ的输入，为了减少计算量，采用PCA 算法去除子图像的二阶统计特征相关性进行降维；再次，利用FastICA Ⅱ算法提取IMF 子图像集的特征基向量；最后，利用提取的特征基向量进行图像的重构并通过分析重构信号的信噪比来验证(BEMD+ICA Ⅱ)图像特征提取算法的有效性与优越性.2) 仿真实验.为了验证(BEMD+ICA Ⅱ)图像特征提取算法的有效性及优越性，文献[5]将该算法成功地应用于掌纹识别领域.实验中BEMD 分解层数为5，并将分解后的5个IMF 子图像作为ICA Ⅱ的输入矩阵，采用随机采样大小为8×8像素的子图像块分别对每个IMF 抽取1 000次，从而构成大小为64×5 000的ICA Ⅱ输入矩阵，再利用基于PCA 降维处理的FastICA Ⅱ算法提取IMF 子图像集的掌纹特征基矩阵，其中PCA 主元个数取40，特征基矩阵维数为64×40，将其列向量转化成8×8的子图像块，从而构成图3(a)所示的40个特征基图像集，图3(b)为不经过BEMD 分解直接通过ICA Ⅱ提取出的特征基图像集，仿真结果表明，(BEMD+ICA Ⅱ)算法与单独的ICA Ⅱ相比，提取的特征基亮度变化更明显，具有更清晰的边缘，因而重构图像的信噪比更高，达到29.770 9，而后者仅为24.210 4.2.2 基于NSCT与改进脉冲耦合神经网络(M-PCNN)的图像特征提取1) 算法原理及流程.脉冲耦合神经网络(pulse coupled neural networks ，PCNN)是由Eckhorn 模拟猫的大脑视觉皮层中同步脉冲发放现象而建立的一个简化模型[6]，是由脉冲耦合神经元构成的二维单层、以迭代为主的自监督自学习网络，其中每个神经元与图像的每个像素相对应，其具有的连接域特性与动态阈值衰减特性能够使状态相似的神经元(像素)同步输出脉冲，从而能从复杂背景下提取出更多的图像细节信息.利用NSCT 分解的多尺度、多方向、各向异性、平移不变性以及M -PCNN 的全局耦合性和脉冲同步性，提出一种基于NSCT 和M -PCNN 的图像特征提取算法，流程为：①NSCT 分解.利用‘maxflat ’、‘dmaxflat7’型非下采样塔式及方向滤波器组对图像进行2层NSCT 分解，由粗到细尺度的方向数依次为2、4，得到低频子图及各尺度各方向上的高频子图集；②M -PCNN 二值图像信息熵特征矩阵提取.将低频子图及各尺度各方向的高频子图，分别输入简化后的M -PCNN 网络，模拟生物视觉的感知过程，通过迭代(设为20次)将每个子图分解成由若干(20个)二值图像组成的认知序列；利用信息熵公式计算每次迭代过程中输出二值图像Y ij (n )的信息熵，构成1×20维信息熵特征向量，并将低频及各方向高频子带提取的信息熵向量级联，构成整幅图像的信息熵特征向量，维数为1×(20×7)，20为每次迭代20次，7为子图总数(1个低频，6个方向高频子带).2) 仿真实验.为了验证(NSCT+M -PCNN)图像特征提取算法的有效性及优越性，采用ORL 人脸库进行实验，其中包括40人、每人10张人脸图像，前5张用于训练(200张)，后5张用于测试(200张)，利用NSCT+M -PCNN 算法分别提取训练集及测试集的二值图像信息熵特征矩阵(维数为140×200)，每一列对应一幅人脸图像的M -PCNN 信息熵特征向量，其中NSCT 参数设置见NST 分解，M -PCNN 采用简化的模型，具体参数设置为：连接强度系数β=0.4，耦合通道的固有电势V L =1，动态门限的固有电势V E =256，衰减时间常数αE =0.8，连接加权系数矩阵W =[0.5 1 0.5；1 0 1；0.5 1 0.5]，仿真结果如图4、图5所示，图4为NSCT 分解后的1个低频及6个高频方向子图，图5为coeffs{2}{1}高频子图(图4中第3个)输图3 (BEMD+ICAⅡ)与ICAⅡ提取的特征基图像及重构图像对比(a)基于BEMD 的ICA Ⅱ提取的特征基图像(b)基于ICA Ⅱ提取的特征基图像(c)( BEMD+ICA Ⅱ)重构掌纹图像(d) ICAⅡ重构掌纹图像2014年第1期出的12个M -PCNN 二值图像序列，程序中迭代次数为20次，应是20个二值图像，但其中8个二值图像信息熵为零或接近零，忽略不计，其对应的信息熵特征向量为H =[0.999 9，0，0，0.005 0，0.101 9，0.307 4，0.446 6， 0.535 3，0.460 2， 0.334 6，0.196 3，0.105 5，0.077 5，0.053 8，0.022 0，0.008 1，0.008 1，0.0027，0.002 7，0.001 4].由图4可知，人脸图像经过NSCT 多尺度、多方向稀疏分解后，得到1个低频子图和6个方向的高频子图，其中低频子图描述了人脸嘴、鼻、眼等方位信息；第1层的2个高频子图包含了大量用于识别的细节及边缘轮廓特征；而第2层的4个高频子图包含了更精细尺度的细节信息.将每个子图分别输入到M -PCNN 网络，得到一系列二值图像的信息熵特征向量，由于不同人脸图像像素分布的差异性，其生成的二值认知序列也具备明显差异，且信息熵特征具有旋转、平移、缩放及局部变形不变性，因而此算法提取的图像特征具备对图像尺度、旋转、变形和光照强度不变的优良特性.3 结论本文主要针对2种典型的多尺度几何分析方法：BEMD 以及非采样Contourlet 变换(NSCT)，研究其在图像去噪及特征提取中的应用，阐述并提出了4种算法模型，即基于BEMD 与双树复小波-局部Wiener 滤波的图像去噪算法、基于非下采样Contourlet 变换(NSCT)域统计模型的自适应图像去噪算法、基于BEMD 与ICA Ⅱ的图像特征提取算法以及基于NSCT 与改进脉冲耦合神经网络(M -PCNN)的图像特征提取算法，针对每种模型，分析了其算法原理及流程，并通过仿真实验验证了每种算法模型的有效性及优越性，从而为图像处理、人体生物特征识别技术提供一种更为有效的方法及新思路.参考文献：[1] 刘丽，匡纲要. 图像纹理特征提取方法综述[J]. 中国图象图形学报，2009，14(4)：621-632.[2] 李财莲，孙即祥，康耀红. 图像多尺度几何分析综述[J]. 海南大学学报：自然科学版，2011，29(3)：275-281.[3] 李彦，汪胜前，邓承志. 多尺度几何分析的图像去噪方法综述[J]. 计算机工程与应用，2011，47(34)：168-173.[4] 戴桂平，林洪彬. 基于BEMD 与双树复小波-局部Wiener 滤波的毫米波图像去噪[J]. 机械设计，2011，28(9)：12-16.[5] 戴桂平，尚丽. 应用二维EMD 和独立成分分析的掌纹识别[J]. 计算机工程与应用，2011，47(19)：182-185.[6] 王朝晖，王佳琪，赵德功，等. 基于Shearlet 与改进PCNN 的图像融合[J]. 激光与红外，2012，42(2)：213-215.(责任编辑：沈凤英)图4 人脸图像NSCT两层分解(1个低频，6个高频)图5 coeffs{2}{1}高频子图输出的M-PCNN二值图像序列戴桂平：基于多尺度分析的图像去噪及特征提取算法研究。
特征提取技术简介在计算机视觉和模式识别领域，特征提取是一个非常重要的步骤。
它是从原始数据中提取出具有代表性的特征，用于后续的分类、识别或其他任务。
本文将介绍特征提取技术的基本概念、常见方法以及在不同领域的应用。
基本概念特征提取是将原始数据转换成一组特征向量的过程。
这些特征向量可以包含各种信息，如形状、纹理、颜色、运动等。
特征提取的目标是提取出对于所面对问题具有代表性和差异性的特征，以便于后续的处理和分析。
在计算机视觉中，常见的原始数据可以是图像、视频、声音等。
常见方法在特征提取的过程中，有许多常见的方法可以使用。
其中，最常见的方法包括颜色特征提取、纹理特征提取、边缘特征提取等。
颜色特征提取可以用于图像的颜色分布分析，纹理特征提取可以用于识别图像中的纹理模式，边缘特征提取可以用于检测图像中的边缘信息。
此外，还有形状特征提取、运动特征提取等方法。
在图像识别领域，常见的特征提取方法包括SIFT、SURF、HOG等。
SIFT（尺度不变特征转换）是一种用于图像局部特征提取的算法，它具有旋转不变性和尺度不变性，适用于图像中的关键点提取。
SURF（加速稳健特征）是一种基于Hessian 矩阵的计算机视觉算法，可以用于图像的特征点匹配和目标识别。
HOG（方向梯度直方图）是一种用于目标检测的特征描述符，它可以有效地描述图像中的目标轮廓和纹理信息。
在语音识别领域，常见的特征提取方法包括MFCC（梅尔频率倒谱系数）、PLP（感知线性预测）、Rasta-PLP等。
MFCC是一种常用的语音特征提取方法，它可以有效地描述语音信号的频谱特征。
PLP是一种基于感知线性预测的语音特征提取方法，可以用于语音的识别和分类。
应用领域特征提取技术在各种领域都有着广泛的应用。
在医学影像识别领域，特征提取可以用于医学图像的分割、识别和分析。
在安防监控领域，特征提取可以用于视频中的目标检测和跟踪。
在自然语言处理领域，特征提取可以用于文本分类、情感分析等任务。
基于Contourlet变换的纹理图像特征提取方法
刘清鸣;洪春勇
【期刊名称】《现代计算机（专业版）》
【年(卷),期】2008(000)011
【摘要】对Contourlet变换构造以及Contourlet变换进行了描述,对其子带系数采用广义高斯模型进行建模.同时为进一步降低模型的计算复杂度,对模型进行曲线拟合.用两个变量描述每一系数模型概率.从而提取图像特征.最后,通过在Brodatz 纹理数据库中图像搜索验证特征提取的有效性.
【总页数】3页(P53-55)
【作者】刘清鸣;洪春勇
【作者单位】南昌大学计算机中心,南昌,330031;南昌大学计算机中心,南
昌,330031
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于Contourlet变换和PCNN的CT图像椎体解剖轮廓特征提取方法的研究[J], 李峤;李海云
2.基于轮廓波的纹理图像特征提取方法 [J], 赵一凡;夏良正;潘泓
3.基于改进Contourlet变换的纹理图像混合检索方法 [J], 曲怀敬;齐志强;吴延荣
4.基于Contourlet变换的纹理图像检索 [J], 李丽君
5.基于非下采样contourlet变换的纹理图像检索算法 [J], 张瑜慧;胡学龙
因版权原因，仅展示原文概要，查看原文内容请购买。
基于假设检验的数字影像线状特征亚像素自动提取李畅;李芳芳【摘要】线状特征是数字图像处理与模式识别中一种重要的中层描述符号,具有丰富的语义信息.针对目前提取算法的不足,提出一种稳健的高精度直线提取算法.在对分裂线段感知编组时提出一个基于假设检验的方法,从几何拓扑关系和物理光谱信息两个方面以及全局与局部两个尺度进行模糊融合和检验.并利用最小二乘模板匹配将提取直线的精度提高到亚像素.本算法可在一定程度上克服线段提取中的两类错误和定位精度低的问题,通过对航空和地面影像的试验,验证了该方法的有效性.【期刊名称】《测绘学报》【年(卷),期】2013(042)001【总页数】6页(P67-72)【关键词】线状特征亚像素提取;感知编组;假设检验;模糊融合;最小二乘模板匹配;霍夫变换【作者】李畅;李芳芳【作者单位】华中师范大学城市与环境科学学院,湖北武汉430079;国防科学技术大学信息系统工程重点实验室,湖南长沙410073【正文语种】中文【中图分类】P2341 引言直线是数字图像处理领域中的中层描述符号，利用它可以描述许多对象，即使是复杂的曲线在GIS和CAD中仍能用分段线段来表达。
因此线特征自动提取在图像处理［1］、计算机视觉［2－3］、机器视觉［4－5］和数字摄影测量与遥感［6－8］中有广泛的研究。
近年来在特征点与特征区域检测方面取得了较大进展［9－11］，然而，由于图像特征点的离散误差和特征点提取过程中的位移现象，使得由二图像点所确定的直线参数随之产生某种不确定性［12］。
此不确定性造成直线提取的不完整和过提取，也是导致直线特征立体匹配结果具有不确定性的关键因素［13］，因此线提取还是影响视觉理解的关键因素。
文献［14—15］总结了具有代表性的线提取算法：霍夫变换法、启发式连接算法、层次记号编组法和Burns设计的相位编组法等。
理想的直线提取算法应具有如下特征：①能提取低对比度线段；②保证线段提取完整性，尽量避免提取的破碎性；③防止线段被误连，降低取伪概率；④提取线段精度高；⑤对噪声不太敏感；⑥ 具有良好的局部特性。
基于Pro_E的人体特征尺寸提取2009年工程图学学报2009第1期JOURNAL OF ENGINEERING GRAPHICS No.1基于Pro/E的人体特征尺寸提取李燕（武汉科技学院机电工程学院，湖北武汉 430073）摘要：根据三维服装CAD系统对三维数字化人体尺寸特征信息的需要，提出了一种提取人体特征尺寸的新方法。
该方法可根据人体扫描数据重构人体曲面模型，而后将模型导入Pro/E中, 通过创建水平基准面与人体表面求交，找出人体主要特征尺寸如颈围、胸围、腰围、臀围所在的截面轮廓曲线特点，以此设定搜索这些特征截面轮廓曲线需满足的条件，利用Pro/E的测量分析和优化特征分析功能进行求解，从而获得满足设定条件的人体截面轮廓曲线所在的位置，最终计算截面轮廓曲线的长度以得到人体特征尺寸。
该方法具有操作简便，易于掌握的特点。
关键词：计算机应用；人体特征尺寸；优化特征分析；人体三维点云数据中图分类号：TP 391.72文献标识码：A 文章编号：1003-0158(2009)01-0012-05Extracting Human Body’s Characteristic Dimension Based on Pro/ELI Yan( College of Machine and Electronic Engineering, Wuhan University of Science and Technology, Wuhan Hubei 430073, China )Abstract: According to the demand of 3D garment CAD system for 3D digital characteristic dimension information of the human body, a new method to extract human body’s characteristic dimension is brought forward. The curved humanbody module can be reconstructed based on the scan data. Using Pro/E’s functions of measuring analysis and optimizing analysis, the characteristic dimension can be gained by creating a horizontal plane to cross the module surface, then try to find the main characteristic dimension of the section such as neck, circumference, waistline and stern line. To set up the conditions for searching these section curves, the location of the human module section outline could be defined, then calculating the length of section curve to get characteristic dimension. This way is easy to operate and handle.Key words: computer application; human body’s characteristic dimension; optimized characteristic analysis; data cloud of 3D human body收稿日期：2007-09-19基金项目：湖北教育厅2007年科研重点资助项目（D200717002）；湖北省数字化纺织装备重点实验室资助项目（DTL2007k6）三维服装CAD 系统是建立在三维人体模型上的三维人体测量、尺寸信息提取、服装设计、虚拟试衣、动画模拟及基于互联网的订做、销售和展示等技术的集成与综合。
特征提取方法特征提取是机器学习和计算机视觉领域中的一个重要问题。
在这个过程中，我们需要从原始数据中提取出最具代表性的特征，以便于后续的分类、识别和检测等任务。
本文将介绍几种常见的特征提取方法，并按照类别进行分类。
基于统计学的基于统计学的特征提取方法是一种常见的特征提取方法。
它通过对数据的统计分析来提取特征。
其中，最常用的方法是主成分分析（PCA）。
PCA是一种线性降维技术，它可以将高维数据降到低维，并保留数据的主要特征。
此外，还有一些其他的基于统计学的特征提取方法，如线性判别分析（LDA）、独立成分分析（ICA）等。
基于频域的基于频域的特征提取方法是一种将信号从时域转换到频域的方法。
它通过对信号的频率分析来提取特征。
其中，最常用的方法是傅里叶变换（FFT）。
FFT可以将信号从时域转换到频域，并将信号分解成不同的频率成分。
此外，还有一些其他的基于频域的特征提取方法，如小波变换（Wavelet Transform）等。
基于图像处理的基于图像处理的特征提取方法是一种将图像从像素级别转换到特征级别的方法。
它通过对图像的颜色、纹理、形状等特征进行分析来提取特征。
其中，最常用的方法是局部二值模式（Local Binary Pattern，LBP）。
LBP可以将图像分成不同的区域，并对每个区域进行二值化处理，从而提取出图像的纹理特征。
此外，还有一些其他的基于图像处理的特征提取方法，如SIFT、SURF等。
基于深度学习的基于深度学习的特征提取方法是一种利用深度神经网络来提取特征的方法。
它通过对数据进行多层次的非线性变换来提取特征。
其中，最常用的方法是卷积神经网络（Convolutional Neural Network，CNN）。
CNN可以通过卷积、池化等操作来提取图像的特征。
此外，还有一些其他的基于深度学习的特征提取方法，如循环神经网络（Recurrent Neural Network，RNN）等。
总结特征提取是机器学习和计算机视觉领域中的一个重要问题。
