人工智能基础及应用课件 模块二-任务三-图像特征提取

计算机视觉图像特征提取计算机视觉流程图图像的获取图像的表示图像预处理特征提取传统特征提取方法基于深度学习的特征提取方法视觉任务从“看见”到“理解”在计算机视觉任务中,预处理后的图像仍以像素矩阵的形式存在，缺乏对内容的关联性语义理解。为了让计算机能“理解”图像内容，需要从原始像素数据中提取出对任务具有代表性的信息特征，这个过程称为特征提取。1.特征提取基本概念图像特征什么是图像特征？图像特征是指能有效表征图像内容的信息元素，通常以数值形式表示，可以是颜色、边缘、角点或纹理等嗯，用于支持计算机对图像进行识别、分类、匹配和分析等任务。语义像素常见的图像特征有哪些？颜色

图像中各个像素点的颜色分布信息可以反映物体的基本外观特征，是人类视觉识别物体的重要线索之一。边缘

物体的轮廓线，显示图像中明暗或颜色变化显著的位置。角点

图像中边缘交汇或拐角的位置，通常是目标物体结构的关键区域。纹理

图像中像素灰度或颜色在空间上分布的规律性和重复性等属性，用来描述物体表面结构的细节，如光滑、粗糙、有条纹或有斑点等。1.特征提取基本概念算子为了提取这些图像特征，计算机通常使用一些数学运算工具来处理图像，这些工具称为算子。它们可在图像的局部区域内进行运算，识别出边缘、角点等有用信息。如何来提取图像特征？什么是算子？低层特征高层特征如颜色、边缘、纹理等如人脸轮廓、物体结构、语义区域等通常依靠数学方法或人工设计的算法提取，主要反映图像的局部视觉属性。通常通过深度学习模型在大量数据中自动学习获得，具有更强的语义表达能力。2.传统特征提取方法在传统计算机视觉中,特征提取主要依赖人工设计的方法,即“手工特征”。设计者根据经验挑选合适的算法和参数进行特征提取。HSV空间分析：将颜色信息从RGB转换为“色相-饱和度-明度”表示。Sobel算子：通过计算图像中水平和垂直方向的灰度差值，找出突变位置，即边缘。Canny算子：边缘检测更精细，先做平滑处理和断开边缘的连接，再检测，提高准确性。Harris角点检测：通过图像局部灰度变化分析，判断某点在水平、垂直方向是否同时存在变化，找到“稳定的拐角点”。LBP（局部二值模式）：比较一个中心点与周围区域像素的灰度差，形成一个二进制编码，反映该区域图像的纹理信息。这些特征各有优势,选择何种特征类型取决于具体的应用目标。在实际应用中，往往需要多种特征联合提取与融合分析，以弥补单一特征的不足。常见特征类型的提取方法颜色特征边缘特征角点特征纹理特征3.基于深度学习的特征提取方法随着深度学习的发展,卷积神经网络(CNN)成为目前图像特征提取的主流方法之一，通过分层计算，实现从低级边缘到高级语义特征的自动提取。卷积神经网络可以通过大量图像样本的训练，自动从数据中学习出最适合特定任务需求的图像特征。相比传统方法不再需要人工设计提取规则，提高了图像处理的效率和准确性。卷积神经网络(CNN)CNN如何来提取图像特征？CNN的核心部件“卷积核”就像一个小窗口，在图像上滑动，通过与对应区域的像素进行加权求和运算，得到一组特征值，进而生成新的特征图，这个过程就称为卷积运算。在卷积神经网络中，