特征提取用于在计算机视觉图像数据的紧凑表示

特征提取一个类型维数降低的能够有效地表示作为一个紧凑的特征向量的图像的感兴趣的部分。当图像尺寸较大,减少了一些功能表示需要快速完成任务,如图像匹配和检索此方法非常有用。

特征检测,特征提取和匹配常常合并来解决常见的计算机视觉问题,如目标检测承认基于内容的图像检索,人脸检测和承认和纹理分类。

检测在杂乱场景(右)使用组合特征检测,特征提取和匹配的对象(左)。看到了解详情。

深度学习模型也可用于自动特征提取算法。其他常见的特征提取技术包括:

  • 方向梯度直方图(HOG)
  • 加速强健特征(SURF)
  • 局部二进制模式(LBP)
  • Haar小波
  • 颜色直方图

一旦功能已被提取,它们可以用来构建机器学习模型进行准确的目标识别和目标检测。

有关详情请参阅计算机视觉工具箱™图像处理工具箱™。两个工具箱都与使用MATLAB®

方向梯度(HOG)的图像(顶部)的特征提取的直方图。创建不同尺寸的特征矢量通过改变小区大小(底部)来表示图像。看到了解详情。

也可以看看:特征匹配目标检测防抖图像处理和计算机视觉人脸识别图像识别目标检测物体识别数字图像处理光流RANSAC模式识别点云深度学习

机器学习培训课程

在这个过程中,你会确定如何使用无监督学习技术来发现在大型数据集的功能和监督学习技术来构建预测模型。