㈠ 圖像特徵提取方法=特徵選擇與描述
(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.
㈡ 光譜特徵分析與提取
6.1.1 基於光譜重排的光譜特徵提取方法
首先，針對光譜吸收特徵受雜訊影響較大的問題，對數據進行最小雜訊分量正變換，消除雜訊後，再將最小雜訊分量特徵空間的數據變換回原數據空間，即最小雜訊分量反變換；然後針對單個吸收不穩定、光照等對光譜幅值影響較大等問題，提出在連續去除的基礎上，利用所有吸收特徵並將光譜吸收特徵按吸收深度由強至弱重排，從而實現穩定、可靠的光譜特徵提取。
（1）最小雜訊分量變換
在實際應用中，地物光譜吸收特徵對雜訊敏感，因此，在進行特徵提取之前，研究中引入了最小雜訊分量變換（Minimum Noise Fraction，MNF），去除雜訊對特徵提取影響的同時去除數據相關性。
MNF變換是Green等人在主成分分析理論的基礎上改進得到的。通常被用來去除數據中的雜訊成分，同時確定高光譜數據的本徵維數，從而減少後續處理的運算量。
該方法以雜訊協方差的估計矩陣為基礎，調整雜訊的取值並去除其波段間的相關性。在結果數據中雜訊的方差為1，並且在波段間無相關性。假設高光譜數據X＝［x1，x2，…，xm］T可以表示為
X ＝ Z ＋ N （6.1）
式中：矩陣Z，N分別是理想信號和雜訊矩陣，且彼此不相關；第i 波段的雜訊分量定義為NFi ＝
∑X，∑Z和∑N分別為可觀測信號、理想信號及雜訊的協方差矩陣，並且有
∑X ＝∑XZ ＋∑N （6.2）
假設F為∑N的白化矩陣，∑N的特徵值矩陣為
高光譜遙感技術原理及礦產與能源勘查應用
高光譜遙感技術原理及礦產與能源勘查應用
式中：I為單位矩陣，矩陣
假設∑w＝F T∑X F為雜訊白化之後的觀測數據的協方差矩陣，∑w矩陣特徵值組成的對角矩陣為
高光譜遙感技術原理及礦產與能源勘查應用
於是得到最小雜訊分量變換矩陣：
高光譜遙感技術原理及礦產與能源勘查應用
由式（6.6）得觀測信號最小雜訊分量變換後的矩陣為
T ＝ MTX （6.7）
經過式（6.7）變換之後，可觀測信號各個波段間彼此不相關，且各個波段按信噪比由大到小排列
（2）光譜重排
不同地物的光譜信息是不相同的，因此，高光譜遙感提供的地物精細的光譜信息可以直接作為特徵提取與目標識別的依據，比如利用紅邊、綠峰、NDVI等特徵可以提取植被。但當不同地物之間的光譜在形狀、幅值、變化趨勢等指標大致相同的時候（即光譜特徵相似），提取區分不同地物顯著特徵是非常困難的，即地物之間的不相關性均勻地分布在各個波段；此外，由於單個光譜吸收特徵容易受到光照條件、大氣等影響使得提取的光譜特徵參量不穩定。因此，針對以上問題，研究中提出了基於光譜重排的特徵提取方法，根據光譜吸收深度的由強到弱排列，剩餘的沒有吸收特徵波段則按波長由小到大排列。
光譜重排的實現過程如下：
1）通過不同階數的微分值確定的光譜彎曲點、最大最小光譜反射率及其波長位置，計算連續統去除後目標光譜的吸收位置λM 及其反射率值ρM、吸收深度H、吸收左右肩（ρL，ρR）及其反射值（λL，λR），並且吸收深度H的計算公式如下：
H ＝ d × ρL ＋（1-d）× ρR-ρM （6.8）
d ＝（λL-λM）/（λR-λL） （6.9）
2）將目標光譜按照吸收深度H由強至弱進行排列，若無吸收特徵，則按波長由小到大進行排列；
3）以目標光譜為基譜，將圖像數據光譜按照目標光譜重排後的波長進行排序。
該方法有效地利用了高光譜遙感數據提供的地物所有吸收特徵，增加了特徵提取的穩定性和可靠性；並且通過大量的實驗發現，任何兩種不同地物的光譜通過光譜重排之後，區分不同地物的顯著特徵更加明顯，增加了類別間的可分性。
（3）演算法實現
基於光譜重排的抗雜訊光譜特徵提取方法的實現流程如圖6.1所示。該方法中為了消除雜訊對光譜吸收特徵參數提取的影響，引入了MNF變換；為了有效抑制由於光照條件、感測器等因素產生的光譜幅值變化對光譜特徵提取的影響，引入了連續統去除操作；為了克服單一特徵不穩定、不同地物光譜特徵相似等問題，提出了光譜重排的方法。
（4）實驗分析
為了驗證上述研究中方法的有效性和可行性，採用AVIRIS航空高光譜數據進行實驗分析，並利用光譜之間的光譜角進行可分性的定量化分析。
實驗數據為1995年7月在美國內華達州Cuprite礦區AVIRIS航空高光譜數據，並且使用ATREM方法校正得到了地表反射率，波段范圍為1990～2480nm，空間解析度20m，光譜解析度10nm，數據大小為255 × 350 × 50。
圖6.1 光譜特徵提取方法實現流程
該研究區域的礦物分布圖如圖6.2（a）所示，從數據中提取高嶺石光譜曲線如圖6.2（b）所示，光譜重排後的光譜如圖6.2（c）所示。高嶺石、明礬石、布丁石及熱液硅石特徵提取前的光譜比較如圖6.3（a）所示，以高嶺石光譜為基譜，光譜重排後四種礦物的光譜特徵如圖6.3（b）（圖中的光譜曲線縱坐標做了平移處理）所示。利用光譜角的方法進行四種礦物光譜重排前後可分性的比較，結果如表6.1和表6.2所示。
圖6.2 高嶺石礦物光譜比較
圖6.3 四種礦物光譜比較
表6.1 原始光譜數據四種礦物的可分性
表6.2 重排後光譜數據四種礦物的可分性
由圖6.2和圖6.3可以看出，經光譜重排後，高嶺石礦物光譜吸收特徵按吸收深度的強弱進行了重新排列，較好的顯現了高光譜所有吸收特徵及主次吸收特徵的變化；並且明礬石與高嶺石礦物在2200 nm的光譜特徵由於吸收寬度等不同而能將二者較好的區分。由圖6.3與表6.2可以看出，經過光譜重排後，高嶺石與其他三種礦物的可分性均存在不同程度的增大，特別是，高嶺石與明礬石的可分性從0.1978增加為0.225；為後續礦物識別與分類等處理奠定了良好的基礎。
圖6.4 SAM方法礦物識別結果
為了進一步驗證該方法的性能，進行了利用該方法以及基於SAM方法的礦物識別結果比對分析。利用原始光譜進行光譜角匹配識別的結果如圖6.4所示。利用基於光譜重排的抗雜訊特徵提取方法得到的數據進行礦物識別，結果如圖6.5 所示。可以看出，兩種方法均能實現四種主要蝕變礦物的識別，但是，採用原始光譜進行識別的結果中存在著一定程度的礦物混淆，並且布丁石的識別結果混淆尤其明顯；而在研究方法中進行特徵提取基礎上得到的礦物識別結果礦物混淆明顯降低，取得了較好的識別結果，證明了上述研究中提出的方法的優越性能。
圖6.5 基於光譜重排特徵提取方法礦物識別結果
6.1.2 吸收波長加權匹配方法
光譜曲線往往包含了許多由雜訊引入的無效特徵，利用同類地物光譜特徵求交，實現了有效吸收波長、吸收深度的提取；常用的SAFP匹配方法中，只有參考光譜和測試光譜的特徵在相同的波長位置時，兩條光譜才被判為相同，匹配准則比較苛刻，導致由於雜訊等因素影響光譜特徵而無法匹配，吸收波長加權匹配法利用偏移加權矩陣實現了吸收波長的容偏匹配，大大增加了匹配的准確性，降低了外界因素對吸收參量特徵的影響。
對同類地物光譜曲線特徵求交，得出識別地物的有效特徵；地物光譜的診斷吸收特徵總是出現在特定的波段上，在某些情況下會有局部的偏移；對吸收特徵的中心波長進行匹配，並容許一定程度的波段偏移，容許程度用偏移加權矩陣來度量，能夠對地物光譜實現精確的識別。考慮到實際應用雜訊及系統誤差引入的干擾，用吸收深度對單個中心波長進行加權，吸收深度小的吸收特徵對整體相似度的貢獻小，吸收深度大的吸收特徵對整體相似度的貢獻大，這樣一定程度上抑制了無法去除的非有效特徵的影響。
（1）吸收波長加權匹配的實現
有效吸收特徵的精確提取和容偏匹配實現流程如圖6.6所示，具體包含以下幾個步驟：
1）對參考光譜連續統去除。利用導數法確定各吸收特徵的中心位置和左右肩對應的波長後，利用下列公式提取吸收特徵中心波長和吸收深度：
高光譜遙感技術原理及礦產與能源勘查應用
式中：
沒有標准參考光譜時，參考光譜通過訓練樣本得到。通過上述方法提取各條參考光譜的吸收中心波長和吸收深度後，對所有訓練樣本的吸收特徵參數求交，方法如下：
光譜A和B的所有吸收特徵為feature_a，feature_b，A的第i個波段上存在特徵，對feature_b計算：
judge ＝ Weight·feature_b（［i-BandOffset：i ＋ BandOffset］） （6.11）
如果，judge＞0 ，則光譜A的第i個波段上的特徵為有效特徵。
得到參考光譜共有的有效特徵，此處需要記錄的是有效特徵的位置和吸收深度的大小，保存在向量EffFeatureIndex和Depth中。
2）提取未知光譜所有吸收位置和對應的吸收深度特徵，記錄在FeaturePos和FeatureDepth；
圖6.6 中心波長加權匹配流程圖
未知光譜特徵與參考光譜有效特徵按位匹配，匹配方法包含兩個參數，容許波段偏移數BandOffset和偏移加權矩陣Weight。
3）找到參考光譜第i個特徵位置，生成特徵檢驗區間：
TestIndex ＝（i-BandOffset）：（i ＋ BandOffset） （6.12）
計算特徵檢驗值：
TestValue ＝ Weight·FeatureDepth（TestIndex） （6.13）
TestValue不為0 ，則說明未知光譜對應位置存在有效特徵，反之則不存在，未知光譜中的識別特徵所在波段記錄在向量EffIndex中。
4）重復3）的過程，直到對未知光譜的所有有效特徵進行了檢測，未知光譜中識別特徵存在的波段記錄在向量EffIndex中。
5）對吸收位置用吸收深度加權匹配，匹配度的計算公式如下：
高光譜遙感技術原理及礦產與能源勘查應用
6）根據匹配度degree的值判斷未知光譜與參考光譜的近似程度，閾值Thresh手動選擇，根據經驗，在用吸收深度加權的匹配方法中，Thresh＝0.8就能獲得較高的識別率。
用吸收深度加權對吸收特徵中心波長進行容偏匹配的關鍵在於：有效吸收特徵的准確提取和偏移加權矩陣Weight或容許波段偏移數目BandOffset的選擇，反射率曲線所有吸收特徵的精確提取是前提，偏移加權矩陣的確定需要根據對像光譜的采樣間隔來確定，Weight的分量的個數為2 × BandOffset＋1；並且有效特徵提取和特徵識別過程使用的偏移加權矩陣Weight可以不同，光譜采樣間隔較大時，可以選擇Weight的各個分量服從高斯分布。
（2）基於USGS光譜庫數據的實驗與結果分析
圖6.7（a）為USGS礦物光譜庫中六條綠泥石連續統去除後反射率曲線；波段偏移參數BandOffset＝1，對應的容偏矩陣Weight＝［1，1，1］；即兩條光譜的特徵相差一個波段以下認為該特徵為有效特徵；綠泥石的有效特徵見圖6.7（b），用方框標記出了吸收谷的波長位置；圖6.7（c）給出了利用吸收波長加權匹配方法得到的綠泥石有效特徵；圖6.7（d）給出了綠泥石和陽起石反射率光譜。
圖6.7 有效特徵提取
匹配加權矩陣Weight＝［1，1，1］表示容許兩端偏移，Weight＝［0.1，1，0.1］表示不容許偏移；兩情況對應的相似度見表6.3和表6.4。對比表6.3和表6.4的相似度值可以看出，容許波段偏移後，綠泥石光譜間的相似度明顯變大。利用圖6.7（c）的有效特徵對圖6.7（d）所示的陽起石和綠泥石光譜進行Weight＝［1，1，1］匹配，近似度見表6.5，用綠泥石的有效光譜能有效的識別出綠泥石光譜與陽起石光譜的差異。
表6.3 綠泥石光譜識別Weight＝［1，1，1］
表6.4 綠泥石光譜識別Weight＝［0.1，1，0.1］
表6.5 陽起石和綠泥石識別Weight＝［1，1，1］
（3）基於AVIRIS數據的實驗與結果分析
利用內華達州Cuprite礦區的AVIRIS數據進行基於吸收波長加權提取方法實現礦物匹配識別研究。利用的礦物端元光譜如圖6.8所示，識別結果如圖6.9所示。
從地質圖6.2（a）與結果圖6.9比較可以看出，該方法對具有明顯光譜吸收特徵的明礬石和高嶺石礦物具有較高精度的識別效果，但是對於吸收特徵較寬、較淺的白雲母和布丁石的識別效果則較差。
圖6.8 演算法中用到的端元光譜
圖6.9 基於吸收波長加權特徵提取的礦物匹配識別結果
㈢ 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…，xn｝ 映射到維數降低了的特徵空間y中去，y=｛y1，y2…，ym｝，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。
㈣ 去噪方法和信號特徵提取的方法，除了小波還有什麼可以用的
用matlab做圖像去噪，axes1顯示原始圖像，axes2顯示雜訊圖像，雜訊圖像用bm定義了全局變數，在進行小波去噪前，先將雜訊圖像轉換成mat格式再載入，現在我用
global
bm
;
save
lena.mat;
控制項的屬性變成可執行，或者執行順序。
㈤ 什麼是特徵提取為什麼要進行特徵提取
你說的是OCR嗎？如果是的話,就是先有一個字元庫，然後將圖像中的字元和庫中的字元做比較，匹配率達到多少就認為是這個字了（一般會先做二值化再進行比較）。也就是圖像處理中常用的模式識別。個人認為OCR的難點不是怎麼識別，而是怎麼把一個個的字元從圖像中提取出來。
㈥ 圖像處理特徵提取
你這個問題至少應該說明:
- 你要處理什麼圖像, 是靜態的單幀圖呢，還是動態的視頻?
- 處理的目的是什麼，是做圖像測量，還是對象識別？或者是運動檢測？
- 為了實現目標，需要提取的特徵，以及各個特徵的精度要求。
就象tokushimajp說的，圖像特徵太多了，你最好先找本基本的數字圖像處理的書，把基本概念看明白了再提問，這樣別人也好幫你解決問題。推薦你看北理工賈雲得的機器視覺這本書，網上很好下載。
論文和程序實例我都有，不過看你這樣慌不擇路的，給你也是害了你。
㈦ 特徵選擇方法比較
特徵選擇是特徵工程中的重要問題（另一個重要的問題是特徵提取），坊間常說：數據和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。由此可見，特徵工程尤其是特徵選擇在機器學習中佔有相當重要的地位。
通常而言，特徵選擇是指選擇獲得相應模型和演算法最好性能的特徵集，工程上常用的方法有以下：
1. 計算每一個特徵與響應變數的相關性：工程上常用的手段有計算皮爾遜系數和互信息系數，皮爾遜系數只能衡量線性相關性而互信息系數能夠很好地度量各種相關性，但是計算相對復雜一些，好在很多toolkit里邊都包含了這個工具（如sklearn的MINE），得到相關性之後就可以排序選擇特徵了；
2. 構建單個特徵的模型，通過模型的准確性為特徵排序，藉此來選擇特徵，另外，記得JMLR'03上有一篇論文介紹了一種基於決策樹的特徵選擇方法，本質上是等價的。當選擇到了目標特徵之後，再用來訓練最終的模型；
3. 通過L1正則項來選擇特徵：L1正則方法具有稀疏解的特性，因此天然具備特徵選擇的特性，但是要注意，L1沒有選到的特徵不代表不重要，原因是兩個具有高相關性的特徵可能只保留了一個，如果要確定哪個特徵重要應再通過L2正則方法交叉檢驗；
4. 訓練能夠對特徵打分的預選模型：RandomForest和Logistic Regression等都能對模型的特徵打分，通過打分獲得相關性後再訓練最終模型；
5. 通過特徵組合後再來選擇特徵：如對用戶id和用戶特徵最組合來獲得較大的特徵集再來選擇特徵，這種做法在推薦系統和廣告系統中比較常見，這也是所謂億級甚至十億級特徵的主要來源，原因是用戶數據比較稀疏，組合特徵能夠同時兼顧全局模型和個性化模型，這個問題有機會可以展開講。
6. 通過深度學習來進行特徵選擇：目前這種手段正在隨著深度學習的流行而成為一種手段，尤其是在計算機視覺領域，原因是深度學習具有自動學習特徵的能力，這也是深度學習又叫unsupervised feature learning的原因。從深度學習模型中選擇某一神經層的特徵後就可以用來進行最終目標模型的訓練了。
整體上來說，特徵選擇是一個既有學術價值又有工程價值的問題，目前在研究領域也比較熱，值得所有做機器學習的朋友重視。
㈧ 對一張圖片進行特徵提取的具體演算法和程序。越具體越好。感謝，例如算出圖像的形狀長寬高之類的。
對一張圖片進行特徵提取的具體演算法和程序，越具體越好，感謝例如算出圖像的形狀，長寬之類的，我覺得對圖片特徵提取的體術法並沒有什麼具體演算法，因為每個相機照出來的圖片，它的放大縮小都是不一樣的，不可能從一個圖片算出一個圖像的長寬高，只能夠算出一個大概的長寬高，如果要算出非常准確的茶膏，只能用一些紅外測距儀，還有某些特定的儀器才能構測量出，一些建築物的長寬高不能夠從一個圖片上面去算出一個建築物的長寬高的是根本沒法算出來的。
㈨ 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。
㈩ 為什麼要做特徵選擇，列舉一些常用的特徵選擇方法
特徵提取：是從某些（事物）中提取本質性的功能、應用、優勢等等這類是從特徵中提取出的。 特徵選擇：是從提取中的東西中選擇你所需要的，從這個層面進行闡述就好的很多。 二者是直接關聯的關系。