特征生成

特征准则

区分性：不同类别模式在特征空间可分

不变性：同一类别模式在特征空间的变化（变化、形变、噪声）
选取区分性高、且允许一定不变性的特征




特征生成的一些方法
1 时域、频域、视频联合
相关系数、FFT、DCT、Wavelet、Gabor
2 统计、结构、混合
直方图、属性-关系图
3 底层、中层、高层
颜色、梯度（Robert、Prewitt、Sobel、差分+平滑、HOG）、纹理（类Harr、LBP）、形状、语义
4 模型
ARMA、LPC

三个实例

A SIFT
1 建立高斯金字塔 做差生成DOG（LOG）的近似
2 求取极值点，并根据导数求取优化极值点
3 根据Hessian矩阵（可以自相关函数）去掉边缘和不稳定的点
4 进行梯度描述


具体步骤参考《图像局部不变性特征与描述》及 http://underthehood.blog.51cto.com/2531780/658350 
带有SIFT注释的代码，请参考




B Bag of Words
1 聚类-构建词典
2 映射到词典，然后SVM等其他分类器进行训练分类即可


具体点有
1 Feature extraction
2 Codebook generation
3 Coding(Hard or Soft)
4 Polling(Average or Max)
5 Classify



"
现在Computer Vision中的Bag of words来表示图像的特征描述也是很流行的。大体思想是这样的，假设有5类图像，每一类中有10幅图像，这样首先对每一幅图像划分成patch（可以是刚性分割也可以是像SIFT基于关键点检测的），这样，每一个图像就由很多个patch表示，每一个patch用一个特征向量来表示，咱就假设用Sift表示的，一幅图像可能会有成百上千个patch，每一个patch特征向量的维数128。


接下来就要进行构建Bag of words模型了，假设Dictionary词典的Size为100，即有100个词。那么咱们可以用K-means算法对所有的patch进行聚类，k=100，我们知道，等k-means收敛时，我们也得到了每一个cluster最后的质心，那么这100个质心（维数128）就是词典里德100个词了，词典构建完毕。


词典构建完了怎么用呢？是这样的，先初始化一个100个bin的初始值为0的直方图h。每一幅图像不是有很多patch么？我们就再次计算这些patch和和每一个质心的距离，看看每一个patch离哪一个质心最近，那么直方图h中相对应的bin就加1，然后计算完这幅图像所有的patches之后，就得到了一个bin=100的直方图，然后进行归一化，用这个100维德向量来表示这幅图像。对所有图像计算完成之后，就可以进行分类聚类训练预测之类的了。
"


C 图像显著性
1 多尺度对比
2 中心周围直方图
3 颜色空间分布