用于计算机视觉中图像数据压缩表示的特征提取

特征提取一种降维方法，可以有效地将图像中感兴趣的部分表示为一个紧凑的特征向量。这种方法在图像大小较大且需要简化特征表示才能快速完成图像匹配和检索等任务时非常有用。

通常将特征检测、特征提取和匹配结合起来解决常见的计算机视觉问题，如对象检测和识别，基于内容的图像检索，人脸检测和识别和纹理分类。

使用组合特征检测、特征提取和匹配来检测杂乱场景中的对象(左)(右)。看到例子获取详细信息。

深度学习模型还可以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)
  • 加速强大功能(SURF)
  • 局部二值模式(LBP)
  • Haar小波
  • 颜色直方图

一旦特征被提取出来，就可以用来构建机器学习精确目标识别或目标检测的模型。

详情见计算机视觉工具箱™和图像处理工具箱™。这两个工具箱都是用于MATLAB®。

图像的方向梯度直方图(HOG)特征提取(top)。创建不同大小的特征向量，通过改变单元大小来表示图像(下图)。看到例子获取详细信息。

参见:特征匹配,对象检测,图像稳定,图像处理和计算机视觉,人脸识别,图像识别,对象检测,对象识别,数字图像处理,光流,RANSAC,模式识别,点云,深度学习

机器学习训练课程

在本课程中，您将决定如何使用无监督学习技术来发现大数据集中的特性，并使用监督学习技术来建立预测模型。

了解更多