特征參數(shù)提取方法(圖像的特征提取都算法)
1.圖像的特征提取都有哪些算法
常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關(guān)系特征。
一 顏色特征 （一）特點(diǎn)：顏色特征是一種全局特征，描述了圖像或圖像區(qū)域所對(duì)應(yīng)的景物的表面性質(zhì)。一般顏色特征是基于像素點(diǎn)的特征，此時(shí)所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻(xiàn)。
由于顏色對(duì)圖像或圖像區(qū)域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對(duì)象的局部特征。另外，僅使用顏色特征查詢時(shí)，如果數(shù)據(jù)庫很大，常會(huì)將許多不需要的圖像也檢索出來。
顏色直方圖是最常用的表達(dá)顏色特征的方法，其優(yōu)點(diǎn)是不受圖像旋轉(zhuǎn)和平移變化的影響，進(jìn)一步借助歸一化還可不受圖像尺度變化的影響，基缺點(diǎn)是沒有表達(dá)出顏色空間分布的信息。（二）常用的特征提取與匹配方法 （1） 顏色直方圖 其優(yōu)點(diǎn)在于：它能簡(jiǎn)單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動(dòng)分割的圖像和不需要考慮物體空間位置的圖像。
其缺點(diǎn)在于：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對(duì)象或物體。最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特征匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。（2） 顏色集 顏色直方圖法是一種全局顏色特征提取與匹配方法，無法區(qū)分局部顏色信息。
顏色集是對(duì)顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉(zhuǎn)化成視覺均衡的顏色空間（如 HSV 空間），并將顏色空間量化成若干個(gè)柄。然后，用色彩自動(dòng)分割技術(shù)將圖像分為若干區(qū)域，每個(gè)區(qū)域用量化顏色空間的某個(gè)顏色分量來索引，從而將圖像表達(dá)為一個(gè)二進(jìn)制的顏色索引集。
在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區(qū)域的空間關(guān)系 （3） 顏色矩 這種方法的數(shù)學(xué)基礎(chǔ)在于：圖像中任何的顏色分布均可以用它的矩來表示。此外，由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達(dá)圖像的顏色分布。
（4） 顏色聚合向量 其核心思想是：將屬于直方圖每一個(gè)柄的像素分成兩部分，如果該柄內(nèi)的某些像素所占據(jù)的連續(xù)區(qū)域的面積大于給定的閾值，則該區(qū)域內(nèi)的像素作為聚合像素，否則作為非聚合像素。（5） 顏色相關(guān)圖 二 紋理特征 （一）特點(diǎn)：紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性質(zhì)。
但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質(zhì)屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內(nèi)容的。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算。
在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差而無法匹配成功。作為一種統(tǒng)計(jì)特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對(duì)于噪聲有較強(qiáng)的抵抗能力。
但是，紋理特征也有其缺點(diǎn)，一個(gè)很明顯的缺點(diǎn)是當(dāng)圖像的分辨率變化的時(shí)候，所計(jì)算出來的紋理可能會(huì)有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實(shí)的紋理。
例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會(huì)導(dǎo)致紋理的變化。由于這些不是物體本身的特性，因而將紋理信息應(yīng)用于檢索時(shí)，有時(shí)這些虛假的紋理會(huì)對(duì)檢索造成“誤導(dǎo)”。
在檢索具有粗細(xì)、疏密等方面較大差別的紋理圖像時(shí)，利用紋理特征是一種有效的方法。但當(dāng)紋理之間的粗細(xì)、疏密等易于分辨的信息之間相差不大的時(shí)候，通常的紋理特征很難準(zhǔn)確地反映出人的視覺感覺不同的紋理之間的差別。
（二）常用的特征提取與匹配方法 紋理特征描述方法分類 （1）統(tǒng)計(jì)方法統(tǒng)計(jì)方法的典型代表是一種稱為灰度共生矩陣的紋理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統(tǒng)計(jì)特征基礎(chǔ)上，通過實(shí)驗(yàn)，得出灰度共生矩陣的四個(gè)關(guān)鍵特征：能量、慣量、熵和相關(guān)性。統(tǒng)計(jì)方法中另一種典型方法，則是從圖像的自相關(guān)函數(shù)（即圖像的能量譜函數(shù)）提取紋理特征，即通過對(duì)圖像的能量譜函數(shù)的計(jì)算，提取紋理的粗細(xì)度及方向性等特征參數(shù) （2）幾何法 所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎(chǔ)上的一種紋理特征分析方法。
紋理基元理論認(rèn)為，復(fù)雜的紋理可以由若干簡(jiǎn)單的紋理基元以一定的有規(guī)律的形式重復(fù)排列構(gòu)成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤格特征法和結(jié)構(gòu)法。
（3）模型法 模型法以圖像的構(gòu)造模型為基礎(chǔ)，采用模型的參數(shù)作為紋理特征。典型的方法是隨機(jī)場(chǎng)模型法，如馬爾可夫（Markov）隨機(jī)場(chǎng)（MRF）模型法和 Gibbs 隨機(jī)場(chǎng)模型法 （4）信號(hào)處理法 紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特征、自回歸紋理模型、小波變換等。
灰度共生矩陣特征提取與匹配主要依賴于能量、慣量、熵和相關(guān)性四個(gè)參數(shù)。Tamura 紋理特征基于人類對(duì)紋理的視覺感知心理學(xué)研究，提出6種屬性，即：粗糙度、對(duì)比度、方向度、線像度、規(guī)整度和粗略度。
自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機(jī)場(chǎng)（MRF）模型的一種。
2.特征提取的方法有哪些 信號(hào)處理
數(shù)字信號(hào)處理是把信號(hào)用數(shù)字或符號(hào)表示成序列，通過計(jì)算機(jī)或通用（專用）信號(hào)處理設(shè)備，用數(shù)值計(jì)算方法進(jìn)行各種處理，達(dá)到提取有用信息便于應(yīng)用的目的。例如：濾波、檢測(cè)、變換、增強(qiáng)、估計(jì)、識(shí)別、參數(shù)提取、頻譜分析等。
一般地講，數(shù)字信號(hào)處理涉及三個(gè)步驟：
⑴模數(shù)轉(zhuǎn)換（A/D轉(zhuǎn)換）：把模擬信號(hào)變成數(shù)字信號(hào)，是一個(gè)對(duì)自變量和幅值同時(shí)進(jìn)行離散化的過程，基本的理論保證是采樣定理。
⑵數(shù)字信號(hào)處理（DSP）：包括變換域分析（如頻域變換）、數(shù)字濾波、識(shí)別、合成等。
⑶數(shù)模轉(zhuǎn)換（D/A轉(zhuǎn)換）：把經(jīng)過處理的數(shù)字信號(hào)還原為模擬信號(hào)。通常，這一步并不是必須的。 作為DSP的成功例子有很多，如醫(yī)用CT斷層成像掃描儀的發(fā)明。它是利用生物體的各個(gè)部位對(duì)X射線吸收率不同的現(xiàn)象，并利用各個(gè)方向掃描的投影數(shù)據(jù)再構(gòu)造出檢測(cè)體剖面圖的儀器。這種儀器中fft（快速傅里葉變換）起到了快速計(jì)算的作用。以后相繼研制出的還有：采用正電子的CT機(jī)和基于核磁共振的CT機(jī)等儀器，它們?yōu)獒t(yī)學(xué)領(lǐng)域作出了很大的貢獻(xiàn)。
信號(hào)處理的目的是：削弱信號(hào)中的多余內(nèi)容；濾出混雜的噪聲和干擾；或者將信號(hào)變換成容易處理、傳輸、分析與識(shí)別的形式，以便后續(xù)的其它處理。
3.遙感圖像特征抽取主要有幾種方法 掃什么條件下可以使用特征抽取方法
主要有：地物邊界跟蹤法；形狀特征描述與提?。坏匚锟臻g關(guān)系特征描述與提取。
遙感圖像解譯，除了利用地物的光譜特征外，還需利用地物的形狀特征和空間關(guān)系特征，因此需要提取圖像的其他特征。
對(duì)于高分辨率遙感圖像，可以清楚地觀察到豐富的結(jié)構(gòu)信息，如城市是由許多街區(qū)組成的，每個(gè)街區(qū)又由多個(gè)巨星樓房構(gòu)成，其中人造地物具有明顯的形狀和結(jié)構(gòu)特征，如建筑物、廠房、農(nóng)田田埂，因此可以設(shè)法去提取這類地物的形狀特征及其空間關(guān)系特征，以作為結(jié)構(gòu)模式識(shí)別的依據(jù)
4.圖像視覺特征的提取和表達(dá)有哪些方法
(1)提取簡(jiǎn)單，時(shí)間和空間復(fù)雜度低。
(2)區(qū)分能力強(qiáng)，對(duì)圖像視覺內(nèi)容相似的圖像其特征描述之間也應(yīng)相近，反
之，對(duì)于視覺內(nèi)容不相似的圖像其特征描述之間應(yīng)有一定的差別。
(3)與人的視覺感知相近，對(duì)人的視覺感覺相近的圖像其特征描述之間也相
近，對(duì)人的視覺感知有差別的圖像其特征描述之間也有一定的差別。
(4)抗干擾能力強(qiáng)，魯棒性好，對(duì)圖像大小，方向不敏感，具有幾何平移，
旋轉(zhuǎn)不變性。
**************************************************************
如果你對(duì)這個(gè)答案有什么疑問，請(qǐng)追問，
另外如果你覺得我的回答對(duì)你有所幫助，請(qǐng)千萬別忘記采納喲！
**************************************************************
5.labview設(shè)計(jì)語音識(shí)別系統(tǒng)如何提取特征參數(shù)
3.2 ECG特征點(diǎn)的提取方法 因?yàn)镻eak Detection VI的輸出中已包含有相應(yīng)點(diǎn)的幅值、二階導(dǎo)數(shù)及位置索引信息，在確定R峰點(diǎn)后，可進(jìn)一步根據(jù)ECG的特點(diǎn)確定出其它各特征點(diǎn)。完整的ECG特征點(diǎn)判別方法及步驟為： （1）幅值最大或二階導(dǎo)數(shù)最?。ɑ騼烧咄瑫r(shí)滿足）的波峰點(diǎn)判定為R峰點(diǎn)；
(2)R峰點(diǎn)之前的第一個(gè)小于零的波谷點(diǎn)（Valley）為Q點(diǎn)；
(3)R峰點(diǎn)之后第一個(gè)小于零的波谷點(diǎn)（Valley）為S點(diǎn)；
(4)Q點(diǎn)之前合理時(shí)限內(nèi)的最大波峰點(diǎn)為P點(diǎn)；
(5)S點(diǎn)之后合理時(shí)限內(nèi)的最大波峰點(diǎn)為T點(diǎn)。
(U波幅度較小且目前對(duì)其認(rèn)識(shí)還不清楚，本文不作討論。)4、基于虛擬儀器LabVIEW8.2的編程實(shí)現(xiàn) 按圖2流程編制LabVIEW8.2程序，考慮到實(shí)際ECG波形中存在干擾，閾值（Threshold）不宜取零。程序中采用本周期段數(shù)據(jù)中最小波谷點(diǎn)的0.02倍作為Valley點(diǎn)閾值，最大波峰點(diǎn)的0.03倍作為Peak點(diǎn)的閾值，這樣可將基線附近的絕大多數(shù)高頻干擾點(diǎn)避開，這些干擾點(diǎn)將不會(huì)出現(xiàn)在輸出序列中
6.如何提取特征三類：韻律特征,音質(zhì)特征,mfcc參數(shù)
特征提取
一、low-level，主要是MFCC，以及基于MFCC并對(duì)其優(yōu)化的一些方法。 1、MFCC
2、抗噪聲較優(yōu)的方法：
WMVDR:warped minimum variance distortionless response
Multitaper MFCC：思想是用multiple windows(tapers)來代替漢明窗。
MHEC:mean Hilbert envelope coefficients.此方法對(duì)抗汽車噪聲很有用。 3、對(duì)抗回聲較優(yōu)的方法（reverberant robustness）:
FDLP: frequency domain linear prediction
4、融合MFCC的方法（fusion with MFCC）:
SCF/SCM: spectral centroid frequency/magnitude
該方法的提出，是考慮到MFCC子帶中無法體現(xiàn)能量分布，而FM(frequency modulation)計(jì)算量太大。
FFV: fundamental frequency variation，該方法同時(shí)考慮到了MFCC和韻律（prosodic）
信息.
HSCC: Harmonic structure cepstral coefficient，該方法體現(xiàn)了能量分布，實(shí)現(xiàn)用到了
LDA。
二、high-level，主要是基于phone ,syllable ,word 一級(jí)。 1、韻律特征（prosodic features）
目前研究的有 pitch distribution和non-uniform extraction region features(NERFs) 2、音素特征（phonetic features）
建?？梢杂肗-gram，也可以用SVM建模。 3、語法特征（lexical features）
詞一級(jí)的N-gram，建模的方法有LLR(log likelihood ration)和SVM.SVM的效果應(yīng)該更好一些。 4、cepstral-derived features
實(shí)現(xiàn)用最大似然線性回歸MLLR(maximum likelihood linear regression)
一些特征： MFCC
PLP 感知線性預(yù)測(cè) LPC 線性預(yù)測(cè)系數(shù) 過零率 LSP 短時(shí)能量 子帶流量比 亮度 基頻
頻譜峰值點(diǎn) SDC CEP 線譜對(duì) 頻譜能量
Delt(MFCC)
