特徵提取
 |
在機器學習、模式識別和圖像處理中，特徵提取從初始的一組測量數據開始，並建立旨在提供信息和非冗餘的派生值（特徵），從而促進後續的學習和泛化步驟，並且在某些情況下帶來更好的可解釋性。特徵提取與降維有關。特徵的好壞對泛化能力有至關重要的影響。
目錄
簡介
至今為止特徵沒有萬能和精確的定義。特徵的精確定義往往由問題或者應用類型決定。特徵是一個數字圖像中「有趣」的部分，它是許多計算機圖像分析算法的起點。因此一個算法是否成功往往由它使用和定義的特徵決定。因此特徵提取最重要的一個特性是「可重複性」：同一場景的不同圖像所提取的特徵應該是相同的。
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算法的一部分，那麼這個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。 有時，假如特徵提取需要許多的計算時間，而可以使用的時間有限制，一個高層次算法可以用來控制特徵提取階層，這樣僅圖像的部分被用來尋找特徵。 由於許多計算機圖像算法使用特徵提取作為其初級計算步驟，因此有大量特徵提取算法被發展，其提取的特徵各種各樣，它們的計算複雜性和可重複性也非常不同。
評價
對某一模式的組測量值進行變換，以突出該模式具有代表性特徵的一種方法。通過影像分析和變換，以提取所需特徵的方法。 特徵提取是指使用計算機提取圖像中屬於特徵性的信息的方法及過程。 特徵提取和特徵選擇都是從原始特徵中找出最有效（同類樣本的不變性、不同樣本的鑑別性、對噪聲的魯棒性）的特徵 特徵提取：將原始特徵轉換為一組具有明顯物理意義（Gabor、幾何特徵[角點、不變量]、紋理[LBP HOG]）或者統計意義或核的特徵 特徵選擇：從特徵集合中挑選一組最具統計意義的特徵，達到降維 兩者作用： 1 減少數據存儲和輸入數據帶寬； 2 減少冗餘； 3 低緯上分類性往往會提高； 4 能發現更有意義的潛在的變量，幫助對數據產生更深入的了解。
視頻
特徵提取-SIFT