主要的特徵提取方法有哪些

『壹』 數據特徵提取方法有哪些

動機
特徵工程通常被稱為創建性能更好的機器學習模型的秘密武器。只要有一個出色的特徵就可能是你贏得Kaggle挑戰的門票！特徵工程的重要性對於非結構化的文本數據更為重要，因為我們需要將自由流動的文本轉換成一些數字表示形式，然後機器學習演算法就可以理解這些數字表示形式。即使出現了自動化的特徵工程，在將不同的特徵工程策略應用為黑盒模型之前，你仍然需要理解它們背後的核心概念。永遠記住，「如果給你一盒工具來修理房子，你應該知道什麼時候使用電鑽，什麼時候使用錘子！」

理解文本數據
我相信你們所有人都對這個場景中包含的文本數據有一個合理的概念。請記住，文本數據總是可以以結構化數據屬性的形式存在，但通常這屬於結構化分類數據的范疇。

在這個場景中，我們討論的是單詞、短語、句子和整個文檔形式的自由流動文本。本質上，我們有一些句法結構，比如單片語成短語，短語組成句子，句子又組成段落。然而，文本文檔沒有固有的結構，因為可以有各種各樣的單詞，這些單詞在不同的文檔中會有所不同，而且與結構化數據集中固定數量的數據維度相比，每個句子的長度也是可變的。

『貳』 遙感圖像特徵抽取主要有幾種方法 掃什麼條件下可以使用特徵抽取方法

主要有：地物邊界跟蹤法；形狀特徵描述與提取；地物空間關系特徵描述與提取。
遙感圖像解譯，除了利用地物的光譜特徵外，還需利用地物的形狀特徵和空間關系特徵，因此需要提取圖像的其他特徵。
對於高解析度遙感圖像，可以清楚地觀察到豐富的結構信息，如城市是由許多街區組成的，每個街區又由多個巨星樓房構成，其中人造地物具有明顯的形狀和結構特徵，如建築物、廠房、農田田埂，因此可以設法去提取這類地物的形狀特徵及其空間關系特徵，以作為結構模式識別的依據

『叄』 人臉圖像特徵提取原理是什麼

人臉圖像特徵提取：人臉識別系統可使用的特徵通常分為視覺特徵、像素統計特徵、人臉圖像變換系數特徵、人臉圖像代數 特徵等。人臉特徵提取就是針對人臉的某些特徵進行的。人臉特徵提取，也稱人臉表徵，它是對人臉進行特徵建模的過程。人臉特徵提取的方法歸納起來分為兩大 類：一種是基於知識的表徵方法；另外一種是基於代數特徵或統計學習的表徵方法。基於知識的表徵方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助於人臉分類的特徵數據，其特徵分 量通常包括特徵點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特 征，這些特徵被稱為幾何特徵。基於知識的人臉表徵主要包括基於幾何特徵的方法和模板匹配法。說到人臉識別，大部分的人第一反應是「刷臉」，我們來看下人臉識別的定義：人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。通過變換增強圖像陰影或降低光區域的灰度值范圍，從而把人臉圖像的整體亮度變換到一個預先定義的標准人臉圖像。

『肆』 圖像視覺特徵的提取和表達有哪些方法

第
1
章

圖像視覺特徵的提取和表示

1.1

引言

圖像視覺特徵的提取和表示是將圖像的視覺信息轉化成計算機能夠識別和
處理的定量形式的過程，是基於視覺內容的圖像分類與檢索的關鍵技術，因此，
圖像視覺特徵的提取和表示一直是圖像內容分析領域中一個非常活躍的課題。

圖像底層視覺特徵一定程度上能夠反映圖像的內容，
可以描述圖像所表達的
意義，
因此，
研究圖像底層視覺特徵是實現圖像分類與檢索的第一步。
一般來說，
隨著具體應用的不同，
選用的底層特徵也應有所不同，
在特定的具體應用中，
不
同底層視覺特徵的選取及不同的描述方式，
對圖像分類與檢索的性能有很大的影
響。通常認為，一種良好的圖像視覺特徵的提取和表示應滿足以下幾個要求：

(1)
提取簡單，時間和空間復雜度低。

(2)
區分能力強，對圖像視覺內容相似的圖像其特徵描述之間也應相近，反
之，對於視覺內容不相似的圖像其特徵描述之間應有一定的差別。

(3)
與人的視覺感知相近，對人的視覺感覺相近的圖像其特徵描述之間也相
近，對人的視覺感知有差別的圖像其特徵描述之間也有一定的差別。

(4)
抗干擾能力強，魯棒性好，對圖像大小，方向不敏感，具有幾何平移，
旋轉不變性。

本章重點討論當前比較成熟的特徵提取方法，
在此基礎上選取合適的特徵提
取方法，用於圖像分類與檢索系統的特徵提取模塊。接下來，將依次介紹顏色，
紋理，形狀等特徵的提取和表示方法，最後對各種特徵的特點加以比較。

1.2

顏色特徵的提取和表示

顏色是圖像視覺信息的一個重要特徵，
是圖像分類與檢索中最為廣泛應用的
特徵之一。
一般來說同一類別的圖像之間顏色信息具有一定的相似性，
不同類別
的圖像，其顏色信息具有一定的差異。相對幾何特徵而言，顏色特徵穩定性好，
有對大小、
方向不敏感等特點。
因此，
顏色特徵的提取受到極大重視並得到深入
研究。
本章首先介紹幾種常用的顏色空間模型，
然後介紹各種顏色特徵提取和表
示方法。

1.2.1

顏色空間模型

為了正確地使用顏色這一特徵，
需要建立顏色空間模型，
通常的顏色空間模
型可用三個基本量來描述，
所以建立顏色空間模型就是建立一個
3-D
坐標系，
其
中每個空間點都代表某一種顏色。
通常來說，
對於不同的應用，
應該選取不同的
顏色空間模型。常用的顏色空間模型主要有：
RGB
、
HIS
、
HSV
、
YUV
、
YIQ
、
Munsell
、
Lu
*
v
*
和
La
*
b
*
等。
顏色空間模型的選取需要符合一定的標准，
下面就這
一標准和最常用的顏色空間模型作一些介紹。

文獻
[
錯誤！未找到引用源。
]
中介紹了選擇顏色空間模型的標准主要有以下
幾個：

(1)

觀察角度的魯棒性

(2)

對物體幾何性質的魯棒性

(3)

對光照方向改變的魯棒性

(4)

對照強度改變的魯棒性

(5)

對照明的光譜能量分布
(SPD)
的魯棒性

(6)

高分辨能力

(7)

對物體遮掩和雜亂的魯棒性

(8)

對圖像雜訊的魯棒性

『伍』 光譜維特徵提取方法

特徵是對象所表現出來的各種屬性與特點。在遙感圖像分析中特徵提取可以從兩個意義上來實施：一種是按照一定的准則直接從原始空間中選出一個子集（即子空間），實踐中的波段選擇即屬於此類；另一類是在原始特徵空間和新特徵空間之間找到某種映射關系P，P：x→y，將原始特徵空間x=｛x₁，x₂…，x_n｝ 映射到維數降低了的特徵空間y中去，y=｛y₁，y₂…，y_m｝，m＜n。對於用於分類目的的特徵提取，好的特徵提取方法能使同類物質樣本的分布具有密集性，而不同類物質的樣本在特徵空間中能夠隔離分布，為進一步分類打下良好基礎。因為高光譜數據具有波段多、波段間相關性高及數據冗餘度高等特點，所以對高光譜遙感數據的特徵提取具有特殊意義。遙感圖像特徵提取包含的內容非常廣泛，提取方法也很多，光譜維特徵提取和空間維特徵提取是表現圖像特徵提取的兩種主要方法。這里主要介紹適用高光譜數據的一些光譜維特徵提取方法，主要涉及主成分分析法，典範變數分析法及改進的CA方法。

主成分分析是一種把原來多個指標化為少數幾個相互獨立的綜合指標的一種分析技術。對波段間高度相關的數據非常有效（Cloutis，1996）。PCA技術已被用在不同的地質遙感項目，包括寬波段和高光譜數據（Lee等，1990；Resmini等，1997，Fujimura ＆ Kiyasu，1994）。由於高光譜數據波段間的相關性、高冗餘度，直接利用所有的原始波段作分類或特徵提取顯得很不經濟。因此先對原始數據作PCA變換，然後對少數幾個綜合指標（成分）分析將會收到事半功倍的效果。在高光譜數據分析中，PCA技術可將總體大部分方差集中在前面少數幾個主成分中。於是，人們利用這少數幾個主成分做一些地質分析，如利用前3個主成分的假彩色合成圖判讀地質礦物信息，進而成圖。但在主成分合成圖上的彩色在不同的圖像上是變化的，並不代表一定的地質礦物成分，除非有相似的地質露頭和覆蓋，更困難的是，我們不能根據岩石、土壤和礦物等反射光譜作指示來判讀主成分合成圖上的彩色。另外，確定每個主成分的物理意義也相當困難。再者，礦物的顯著變異可能僅引起光譜的細微差異，這種細微差異常被淹沒在高方差的主成分中而被忽略。因此PCA可能較適宜用來粗略地識別光譜差異顯著的礦物和岩性類別，而不是定量的礦物識別和制圖（Coutis，1996）。

Jia＆Richards（1999）發展的分塊主成分分析法用於特徵提取，取得了一定的分類和顯示效果。類似3.3，4中建立的SMLDF判別函數的思想，他們將全部波段的相關陣按照相鄰波段的相關性分成若干塊。一般高度相關的塊沿對角線分布，而相關性低的塊遠離對角線。塊矩陣本身集合了相鄰波段間相關性高的波段。因此沿相關矩陣對角線可分成若干塊（波段組），並對每組進行主成分變換，最後將每組的重要特徵（主成分）再重新組合在一起作為進一步主成分分析與特徵選擇之用。

典範分析也是將較多的變數化為少數幾個典範變數，通過這較少的典範變數之間的相關性來綜合地描述兩個多元隨機變數之間關系的一種數學方法（唐守正，1986）。假如我們有兩個多元隨機變數（設x為p維隨機變數，y是q維隨機變數），如何描述這兩個多元隨機變數之間關系的緊密程度呢？直接的方法就是逐一計算兩個多元隨機變數各分量之間的相關系數或其他相似系數，可計算出p×q個相關系數。但這樣做既繁瑣，也不能本質地說明這兩個隨機變數總體相關水平。類似主成分分析，從每個多元隨機變數中造就數個「綜合變數」——典範變數。在求算兩隨機變數各自典範變數過程中得到的特徵根即為對應典範變數對的典範相關系數。如果將非零特徵根按從大到小排列，則最大的特徵根即為第一對典範變數（分別對應x和y）的相關系數，如果典範相關系數越大，則說明這一對典範變數關系越緊密。一般在實踐中只取前面k（k＜p，q）個典範相關系數和典範變數進行分析，捨去後面的典範變數已無關緊要，這達到了特徵提取的目的。在利用高光譜數據進行岩性識別分類時，首先可以將高光譜圖像數據分成若干未知岩性的類別，然後在每個類別中抽取一定的樣本（象元）數，同時抽取已知岩性一定的樣本數，組成兩個類似前述的多元隨機變數（一個為已知岩性，另一個為未知岩性）的樣本並計算它們前面數對典範變數。如前面數對典範變數（通常為3對）關系緊密（反映在它們相應的特徵根上），這個未知岩性的類別就很有可能與已知岩性為同類岩性，反之就可能不是。實踐中前面數對典範變數關系緊密程度靠經驗裁定。以此類推，可以將研究區內所有未知岩性的類別與已知岩性的類別求算兩兩典範變數對，並根據它們各自的相關緊密程度和判據決定未知岩性類別的歸屬。

PCA主要想最大限度地將不同類別分開，而典範分析則是在低維變數間尋找能代表高維變數的相關性，以達到分類、識別目標物的目的。典範分析在高光譜地質應用中潛在的功用與PCA技術大部分是一致的。

劉建貴（1999）在分析K-L變換性質的基礎上，根據高光譜數據用於城市目標物識別提取的特點，提出了面向分類的特徵提取的CA改進方法。選擇適當的變換矩陣，同時考慮類內與類間距離的CA方法，設法使原特徵空間的各類的樣本點在光譜維上的投影能使類間距離與類內距離的比值達到最大。這種比值稱為廣義瑞利商。根據這一原則來決定變換矩陣的選擇。劉建貴（1999）用這種改進的方法實施對北京市沙河鎮城市地物特徵的提取。具體處理過程：①對原始高光譜圖像進行預處理，得到相對反射率圖像；②選擇最終成分光譜，即需要分類的類別數，最終成分光譜根據圖像及地面調查的情況進行，共找出11個類別；③對每一類統計出均值向量和協方差陣；④求出每兩個類別對之間的類間和類內距離，利用CA變換方法求出變換特徵；⑤求出該兩個類別對應於每個原始波段的巴氏距、載入系數（劉建貴，1999）以及變換域每個特徵的巴氏距、每個特徵度量維上的類間類內距離比，載入系數可通過CA變換成分與波段間的相關性求算；⑥找出最優特徵。實驗結果表明這種特徵提取方法非常有效。採用這種方法，提取的特徵能夠增加樣本的類內凝聚度和擴大類間距離，同時消除波段問的相關性，因而能改善分類性能。

『陸』 攝影中特徵提取技術是怎麼提取的

特徵提取是圖象處理中的一個初級運算，也就是說它是對一個圖像進行的第一個運算處理。它檢查每個像素來確定該像素是否代表一個特徵。假如它是一個更大的演算法的一部分，那麼這個演算法一般只檢查圖像的特徵區域。作為特徵提取的一個前提運算，輸入圖像一般通過高斯模糊核在尺度空間中被平滑。此後通過局部導數運算來計算圖像的一個或多個特徵。

『柒』 圖像的特徵提取都有哪些演算法

圖像的特徵可分為兩個層次，包括低層視覺特徵，和高級語義特徵。低層視覺特徵包括紋理、顏色、形狀三方面。語義特徵是事物與事物之間的關系。紋理特徵提取演算法有：灰度共生矩陣法，傅里葉功率譜法顏色特徵提取演算法有：直方圖法，累計直方圖法，顏色聚類法等等。形狀特徵提取演算法有：空間矩特徵等等高級語義提取：語義網路、數理邏輯、框架等方法

『捌』 圖像之間的特徵差別不是很大，應該怎麼提取其特徵

圖像特徵特點及常用的特徵提取與匹法
常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。
一 顏色特徵
（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。
（二）常用的特徵提取與匹法
（1）
顏色直方圖
其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。
最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特徵匹法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。
（2） 顏色集
顏色直方圖法是一種全局顏色特徵提取與匹法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系。

『玖』 集和幾種常用的特徵提取方法，常用的分類演算法

競爭性自適應重加權演算法（CARS）是通過自適應重加權采樣（ARS）技術選擇出PLS模型中回歸系數絕對值大的波長點，去掉權重小的波長點，利用交互驗證選出RMSECV指最低的子集，可有效尋出最優變數組合。

『拾』 簡要說明深度學習特徵提取具體是怎麼實現的

常用的方法有兩大類：
1.inverted index：將特徵向量聚類成codewords，相當於把浮點向量離散化到一維或者多維的格子里，每個格子對應一個codewords，查找時離散化到格子里再更精細地查找。
2.哈希：哈希成二進制比特串之後用multi-index的數據結構來做漢明空間內的最近鄰搜索，或者直接窮舉地查找。