根据特征索引号提取某一系列的特征值

对样本进行分类时，需要提取该样本的特征。由于AdaBoost分类器是由一系列的基于一系列单个特征的弱分类器组成的，因此只需要提取弱分类器所需要的特征即可。以前采取的方式是，提取所有的特征，分类时获得所需要的特征即可；该过程提取了大量没有使用的特征，这些没有使用的特征花费了大量的计算，是无效计算。现在需要解决这个问题。当需要某个特征时，则计算该特征；不需要该特征时，则不计算该特征。但该方法也存在重复计算问题。比如计算Gabor变换特征，需要先进行Gabor变换，然后再计算特征某特征A，或者某特征B；如果同时需要计算两个特征A和B，那么对图像进行了两次Gabor变换，其中有一次属重复计算。

现在采取折中的方式。当需要某特征时，则计算该系列的所有特征。


%


% identifySeriesFeatureByIndex


%


% 计算该特征编号所属的一个系列的特征值


%


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的绝对索引位置


%


% 2007-11-06


function [seriesFeatures,seriesIndex]=identifySeriesFeatureByIndex(image,index)


feaCntSequence=[1 12 12 12 64 176 15 64 15 21]; % 每种方法能够获取的特征数量列表


feaCntCumSequence=cumsum(feaCntSequence); % 累计特征数量


methodCnt=length(feaCntCumSequence); % 特征提取方法的种类




% 特征提取方法索引号


% 索引与方法名称对应关系为


% 1 RGB颜色空间特征值


% 2 HSI颜色空间特征值


% 3 NTSC颜色空间特征值


% 4 gabor变换提取的纹理特征


% 5 灰度共生矩阵纹理特征值


% 6 灰度-梯度共生矩阵纹理特征


% 7 灰度差分统计特征值：


% 8 灰度行程长度统计方法


% 9 不变矩特征


methodIndex=0;


if( (index<feaCntCumSequence(1)) || (index>=feaCntCumSequence(methodCnt)) )


error(['特征编号(' num2str(index) ')必须在区间[' num2str(feaCntCumSequence(1))...


' ' num2str(feaCntCumSequence(methodCnt)-1) ']中！']);


end




for cnt=1:methodCnt % 由索引号确定提取特征的方法


if( (index>=feaCntCumSequence(cnt)) && (index<feaCntCumSequence(cnt+1)) )


methodIndex=cnt;


break;


end


end




% 特征提取方法内部索引号，通过该索引求取特征提取方法的参数


% 比如，第25号特征为第三种方法(NTSC颜色)的第1个特征(Y均值)


% 故methodIndex=3,innerMethodIndex=1


% 第47号特征为第四种方法(Gabor)的第11个特征


% 此时methodIndex=4,innerMethodIndex=11


% 通过索引11计算参数：频率索引(1),频率值(0.5);方向索引(6),方向(1.9635)


% 第234号特征为灰度共生矩阵纹理第134个特征


% 此时methodIndex=4,innerMethodIndex=134


% 通过索引134可计算参数：位置算子索引(16),位置算子([5 2]),该位置算子上第2个特征


innerMethodIndex = index-feaCntCumSequence(cnt)+1;




if( methodIndex>3 || methodIndex<9 ) % 纹理特征需要针对灰度图像


grayimage=rgb2gray(image);


end


switch( methodIndex )


case 1 % RGB颜色空间特征值


[seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,'RGB',innerMethodIndex);


case 2 % HSI颜色空间特征值


[seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,'HSI',innerMethodIndex);


case 3 % NTSC颜色空间特征值


[seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,'NTSC',innerMethodIndex);


case 4 % Gabor变换提取的纹理特征


[seriesFeatures,seriesIndex]=identifyGaborFeatureByIndex(grayimage,innerMethodIndex);


case 5 % 灰度共生矩阵纹理特征值


[seriesFeatures,seriesIndex]=identifyGLCMFeatureByIndex(grayimage,innerMethodIndex);


case 6 % 灰度-梯度共生矩阵纹理特征


[seriesFeatures,seriesIndex]=identifyGGLCMFeatureByIndex(grayimage,innerMethodIndex);


case 7 % 灰度差分统计特征值


[seriesFeatures,seriesIndex]=identifyGDSFeatureByIndex(grayimage,innerMethodIndex);


case 8 % 灰度行程长度统计方法


[seriesFeatures,seriesIndex]=identifyGRLSFeatureByIndex(grayimage,innerMethodIndex);


case 9 % 不变矩特征


[seriesFeatures,seriesIndex]=identifyIMFeatureByIndex(image,innerMethodIndex);


otherwise


error('方法编号错误！');


end




seriesIndex=feaCntCumSequence(methodIndex)-1+seriesIndex; % 提取的系列特征的绝对索引位置






% 根据特征索引号确定 RGB、HSI、NTSC颜色空间特征值


% colorspacename 仅能取值'RGB','HSI','NTSC'


% index 应在1-12 之间


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的相对位置


function [seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,colorspacename,index)


featureSpaceSize=12; % 特征空间维数


[seriesFeatures]=extractColorFeature(image,colorspacename);% 提取特征


seriesIndex=1:featureSpaceSize;






% 根据特征索引号确定 Gabor变换提取的纹理特征


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的相对索引位置


function [seriesFeatures,seriesIndex]=identifyGaborFeatureByIndex(image,index)


fList=[0.5 0.25 0.125 0.1]; % Gabor变换的频率列表


thetaList=((0:7)/8).*pi; % Gabor变换方向(theta)列表


fLen=length(fList); % 频率数量


thetaLen=length(thetaList); % 方向数量


featureSpaceSize=2; % Gabor变换 特征空间大小




paramIndex=floor((index-1)/featureSpaceSize)+1;% 确定参数的索引号


fIndex=ceil(paramIndex/thetaLen); % 参数索引：频率


thetaIndex=mod(paramIndex-1,thetaLen)+1; % 参数索引：方向


[seriesFeatures]=extractGaborFeature(image,fList(fIndex),thetaList(thetaIndex));


seriesIndex=((paramIndex-1)*featureSpaceSize+1):(paramIndex*featureSpaceSize);




% 根据特征索引号确定 灰度共生矩阵纹理特征值


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的相对索引位置


function [seriesFeatures,seriesIndex]=identifyGLCMFeatureByIndex(image,index)


% 位置算子


offset=[0 1;0 5;1 0;5 0;1 1;1 -1;5 5;5 -5;2 5;2 -5;4 5;4 -5;5 2;5 -2;5 4;5 -4];


featureSpaceSize=11; % 灰度共生矩阵 特征空间大小


offsetIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：位置算子


[seriesFeatures]=extractCoOccureTextFeature(image,offset(offsetIndex,:));


seriesIndex=((offsetIndex-1)*featureSpaceSize+1):(offsetIndex*featureSpaceSize);






% 根据特征索引号确定 灰度-梯度共生矩阵纹理特征


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的相对索引位置


function [seriesFeatures,seriesIndex]=identifyGGLCMFeatureByIndex(image,index)


featureSpaceSize=15; % 灰度-梯度共生矩阵 特征空间大小


[seriesFeatures]=extractGGLCMSFeature(image);


seriesIndex=1:featureSpaceSize;




% 根据特征索引号确定 灰度差分统计特征值


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的相对索引位置


function [seriesFeatures,seriesIndex]=identifyGDSFeatureByIndex(image,index)


% 灰度差分统计的位置算子


offset=[0 1;0 3;0 5;1 0;3 0;5 0;1 1;2 2;4 4;5 5;1 3;3 1;2 4;4 2;3 5;5 3];


featureSpaceSize=4; % 灰度差分统计 特征空间维数


offsetIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：位置算子


[seriesFeatures]=extractGrayDifferStatFeature(image,offset(offsetIndex,:));


seriesIndex=((offsetIndex-1)*featureSpaceSize+1):(offsetIndex*featureSpaceSize);






% 根据特征索引号确定 灰度行程长度统计方法


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的相对索引位置


function [seriesFeatures,seriesIndex]=identifyGRLSFeatureByIndex(image,index)


thetaList=[0 pi/4 pi/2]; % 默认 行程方向


featureSpaceSize=5; % 行程长度统计 特征空间维数


thetaIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：行程方向


[seriesFeatures]=extractGRLMFeature(image,thetaList(thetaIndex));


seriesIndex=((thetaIndex-1)*featureSpaceSize+1):(thetaIndex*featureSpaceSize);






% 根据特征索引号确定 不变矩特征


% seriesFeatures 提取的包含index号特征的系列特征


% seriesIndex 该系列特征在该方法中的相对索引位置


function [seriesFeatures,seriesIndex]=identifyIMFeatureByIndex(image,index)


colorspacesize=size(image,3); % 颜色平面数量，灰度图像为1，彩色图像为3


featureSpaceSize=7; % 不变矩特征 特征维数


spaceIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：颜色平面索引


[seriesFeatures]=extractInvariantMomentFeature(image,spaceIndex);


seriesIndex=((spaceIndex-1)*featureSpaceSize+1):(spaceIndex*featureSpaceSize);







测试100幅图片，原始方法需耗时132s，现在耗时34s，只有原来的1/4。但仍然重复计算了一些没有使用的特征。

仍需要改进。

由重新组织样本，修正特征、增加特征，已经花费了接近三周。速度太慢了。

余下工作：构建 级联AdaBoost 分类器（需在11月15日前完成）

12月前完成所有基于新样本的重复试验

12月 ：prepare the paper

1月 ：write paper