3) abstract feature image
抽象特征图像
4) image feature extraction
图像特征提取
1.
he application for the fractal dimension theory in image feature extraction is studied.
研究了分维数理论在图像特征提取上的应用,在分析图像分维数计算原理的基础上,提出了一种计算分维数及其辅助特征的方法,并进而研究噪声、遮挡及图像灰度对比度对分维数值的影响。
2.
We will combination with genetic algorithm, wavelet neural networks and image feature extraction, make real-time system to be able to extract image features more quickly, at the same time wavelet image compression and KL compression for compression ratio is higher.
该文利用单层有限神经元的遗传算法和小波神经网络相结合,以小波网络的速度得到提高;同时注意到K-L的降维、压缩等先进性,遗传算法的鲁棒性,进而将遗传算法、小波神经网络、图像特征提取三者有机结合,促使实时系统能够更快速提取图像特征,同时对图像进行小波压缩和K-L压缩,使压缩率更高。
5) Image Character-Extracted
图像特征值提取
6) Feature image extraction
特征图像提取
补充资料:特征抽取
对输入模式的原始测量数据(信号)所进行的一组变换,以便在比原始信号维数较低的特征空间对模式进行有效的描述或分类(见统计模式识别)。特征抽取可以用一级或多级变换实现,在多级的情况下,上一级的输出就成为下一级的输入。较低维的输出信号可以是较高维输入信号的某种线性或非线性组合,也可以仅仅是输入信号的一个子集。在后一情况下,这种变换也叫作特征选择。根据识别系统的实际要求,通过特征抽取可以从原始信号中得到为产生或表示模式所必需的关键特征,例如可从景物的原始灰度图像中抽取出目标的轮廓和形状,也可以抽取那些只对分类有效的鉴别特征。通常原始信号所组成的测量空间具有很高的维数,如摄像机获取的灰度图像,其维数可以达到256×256以上。直接用它进行分类一方面计算量很大,更重要的是不同的测量条件,如摄像机位置的微小移动、照明强弱的变化等,都可能使在测量空间中表示同一模式的向量发生极大的变化。因此在很多情况下直接在测量空间中进行分类有很大的困难。在实际问题中,原始数据经常包含一些多余的或重复的信息,为了减少整个识别系统获取测量数据的费用和相应的计算工作量以及改善识别系统的性能,也有必要通过特征抽取和选择把模式变换到较低维数的特征空间中去。可以认为特征抽取是模式识别的关键步骤。设模式在测量空间中用D维向量x表示,在特征空间中用d 维向量y表示,线性特征抽取器就是把x变换为y 的d×D阶的一个矩阵A,即y=Ax。
特征抽取和选择的主要方法有:①以K.勒维展开式为基础进行的线性变换。②给定一个变换类,在规定的准则(例如某个与错分概率上界有关的准则函数)下在变换类中选择一个最优变换A。 ③从测量得到的特征集或已经经过前级变换的特征集中在某个准则下用搜索算法、或从上到下、或从下向上算法求出一个最优的或次优的子集,以达到特征选择的目的。④非线性映射方法,例如多维定标法和参数映射法。
在实现一个具体的模式识别系统时,通过特征抽取所求得的特征向量,在极大程度上决定了识别系统的性能。因此一方面要对识别对象的各个方面进行深入的分析,尽可能从物理上确定某些对识别有效的特征;另一方面要与分类器的设计结合起来,反复进行试验,借以得到满意的结果。
特征抽取和选择的主要方法有:①以K.勒维展开式为基础进行的线性变换。②给定一个变换类,在规定的准则(例如某个与错分概率上界有关的准则函数)下在变换类中选择一个最优变换A。 ③从测量得到的特征集或已经经过前级变换的特征集中在某个准则下用搜索算法、或从上到下、或从下向上算法求出一个最优的或次优的子集,以达到特征选择的目的。④非线性映射方法,例如多维定标法和参数映射法。
在实现一个具体的模式识别系统时,通过特征抽取所求得的特征向量,在极大程度上决定了识别系统的性能。因此一方面要对识别对象的各个方面进行深入的分析,尽可能从物理上确定某些对识别有效的特征;另一方面要与分类器的设计结合起来,反复进行试验,借以得到满意的结果。
说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条