眾所周知，計算機不認識影象,只認識數字。為了使計算機能夠「理解」影象，從而具有真正意義上的「視覺」，本章我們將研究如何從影象中提取有用的資料或資訊，得到影象的「非影象」 的表示或描述，如數值、向量和符號等。這一過程就是特徵提取，而提取出來的這些「非影象」的表示或描述就是特徵。有了這些數值或向量形式的特徵我們就可以通過訓練過程教會計算機如何懂得這些特徵， 從而使計算機具有識別影象的本領。
什麼是影象特徵
特徵是某一類物件區別於其他類物件的相應（本質）特點或特性， 或是這些特點和特性的集合。特徵是通過測量或處理能夠抽取的資料。對於影象而言， 每一幅影象都具有能夠區別於其他類影象的自身特徵，有些是可以直觀地感受到的自然特徵，如亮度、邊緣、紋理和色彩等；有些則是需要通過變換或處理才能得到的， 如矩、直方圖以及主成份等。
特徵向量及其幾何解釋
我們常常將某一類物件的多個或多種特性組合在一起， 形成乙個特徵向量來代表該類物件，如果只有單個數值特徵，則特徵向量為乙個一維向量，如果是n個特性
的組合，則為乙個n維特徵向量。該類特徵向量常常作為識別系統的輸入。實際上，乙個n維特徵就是位於n維空間中的點，而識別分類的任務就是找到對這個n維空
間的一種劃分。
例如要區分3種不同的鸞尾屬植物，可以選擇其花瓣長度和花瓣寬度作為特徵，這樣就以1個2維特徵代表1個植物物件，比如(5.1,3.5).如果再加上萼片長度和萼片寬度， 則每個鸞尾屬植物物件由乙個4維特徵向置表示， 如(5.1, 3.5.1.4, 0.2)。
特徵提取的一般原則
影象識別實際上是乙個分類的過程，為了識別出某影象所屬的類別，我們需要將它與其他不同類別的影象區分開來。這就要求選取的特徵不僅要能夠很好地描述影象， 更重要的是還要能夠很好地區分不同類別的影象。
我們希望選擇那些在同類影象之間差異較小（較小的類內距），在不同類別的影象之間差異較大（較大的類間距）的影象特徵， 我們稱之為最具有區分能力(most discriminative)的特徵。此外， 在特徵提取中先驗知識扮演著重要的角色， 如何依靠先驗知識來幫助我們選擇特徵也是後面將持續關注的問題。
特徵的評價標準
一般來說，特徵提取應具體問題具體分析，其評價標準具有一定的主觀性。然而，還是有一些可供遵循的普遍原則，能夠作為我們在特徵提取實踐中的指導。總結如下。
•特徵應當容易提取． 換言之， 為了得到這些特徵我們付出的代價不能太大． 當然， 這還要與特徵的分類能力權衡考慮．
•選取的特徵應對雜訊和不相關轉換不敏感． 比如要識別車牌號碼， 車牌**可能是從各個角度拍攝的， 而我們關心的是車牌上字母和數字的內容， 因此就需要得到對幾何失真變形等轉換不敏感的描繪子， 從而得到旋轉不變， 或是投影失真不變的特徵．
•最重要的一點， 總是應試圖尋找最具區分能力的特徵．
基本統計特徵
本節將主要介紹一些常用的基本統計特徵， 包括一些簡單的區域描繪子， 直方圖及其統計特徵， 以及灰度共現矩陣等.
簡單的區域描繪子及其matlab實現
在經過影象分割得到各種我們感興趣的區域之後，可以利用下面介紹的一些簡單區域描繪子作為代表該區域的特徵。通常將這些區域特徵組合成特徵向量以供分類使用。
常用的簡單區域描繪子如下。
•周長：區域邊界的長度， 即位於區域邊界上的畫素數目．
•面積：， 區域中的畫素總數．
•緻密性：（周長） 2/面積．
•區域的質心．
•灰度均值： 區域中所有畫素的平均值．
•灰度中值： 區域中所有畫素的排序中值．
•包含區域的最小矩形．
•最小或最大灰度級．
•大於或小於均值的畫素數．
•尤拉數： 區域中的物件數減去這些物件的孔洞數。
（計算機視覺）計算機視覺基礎
opencv cximage cimg freeimage opencv中vc庫的版本與visual studio版本的對應關係 vc8 2005 vc9 2008 vc10 2010 vc11 2012 vc12 2013 vc14 2015 vc15 2017 visual studio中的輔助...
計算機視覺
主講老師 曹洋 課程 視覺 基礎 底 層處理 影象處理 特徵提 取 中 層處理 影象分割 相機標 定 深度 估計 運 動估計 高層處 理 3d 重建 目 標識別 視 覺基 礎 底層 處理 圖 像處理 特徵提取 中層 處理 圖 像分割 相機標定 深度估 計 運動 估計 高層處理 3d重 建 目標 識別...
漫談計算機視覺
從輸入圖象到資訊獲取之間存在著巨大的認知空白，其間需要經過一系列十分複雜的資訊處理和理解過程。想象一下，在火車站，我們可以從茫茫人群中精確地找出要迎接的夥伴，這遠非現在的機器學習 搜尋引擎所能解決的。這再次證明人類視覺系統的強大。對人類視覺過程本質的認識，乃是揭開機器視覺進步的關鍵。對計算機而言，所...