Textural Features for Image Classification
2014-04-01 20:25
295 查看
这几天看了HARALICK在1973年写的这篇论文,学到了挺多知识。
这篇文章对于物体纹理特征提取是奠基性的,非常赞!!
我觉得最主要学到了两个方面知识。
第一,是提取纹理。
文中介绍了(中文大家都叫灰度共生矩阵),比如下面是我的4*4图片,有且只有4种灰度
那么,我就可以提取出灰度共生矩阵,注意,灰度共生矩阵是个方阵,长宽是灰度的种类。
那么我就有4个方向的灰度共生矩阵,(很好理解)分别是水平,垂直,45度和90度。
比如下面是我的水平方向灰度共生矩阵
发现没有,这是一个对称矩阵!
那么上面的数字是怎么来的呢?比如第2行第1列我们用(1,0)表示,这里不写成(2,1)因为灰度是0-3. (1,0)的值为什么是2,代表什么呢?
(1,0)代表左边是灰度1,右边是灰度0的这样的有几种,看原图,数一下是不是2个?在第一行第三列和第三行第一列。
那么(0,0),(1,1)为什么是4呢?先看(0,0),好像只有2个,要记住,这是对称矩阵,(0,0),(1,1),(2,2)这种还要乘2的,
所以,对角线是2的倍数。
我再画出90度的帮助理解~~
提取灰度共生矩阵是非常简单的事情~~
哦,对了,我们上面的例子都是灰度相邻,作者在文中还定义了一个d,不过一般都取1。那么d代表什么呢?
如果d取2,角度是0度,那么(1,2)就表示灰度1在灰度2左边,并且距离为2这样一种灰度共生矩阵提取方法。
好了,我们现在有了灰度共生矩阵,下面就可以提取纹理了。
作者在文中一共定义了28种纹理,其实也可以当作14种。
我在这里随便举一种吧,处理前,我们要先对灰度共生矩阵作归一化。原矩阵为M(i,j),归一化后为P(i,j),原矩阵所有数字之和为sum.
P(i,j) = M(i,j)/sum
我们所有的计算都是基于P矩阵的。
有一种纹理叫二阶角矩
计算方法是f = SUM(P(i)(j)^2),这是最好计算的一种,然后我们有4个方向的值,平均一下,就提取出一种特征了,另外的特征计算方法在论文种都有。
假设我们有天空,绿地,沙滩三种分类,还有training set 和 data set.
下面我们就先作训练,我们已经有了训练集了,接下来要怎么办呢?
我也是最近刚接触,会的就是logistic回归模型和Fisher分类算法,他们一开始都是基于两类分类的,当然也都能作用于多类。
如果大家不会logistic,可以看下斯坦福的机器学习课程,Fisher分类是1936年提出来的,需要对矩阵比较熟悉。
如果有不懂的地方,大家可以一起探讨^^
我再多说一点,如果用logistic作多类,可以这样做。
假如我们有A,B,C三类,分别拿 A,BC B,AC C,AB去做。
比如A,BC 那么我们就把A设为1,BC类别为0,这样我们就有h1(x),同理有h2(x),h3(x)
新的一个物体a过来时,分别算一算h1,h2,h3 哪个值高就算哪个分类
这篇文章对于物体纹理特征提取是奠基性的,非常赞!!
我觉得最主要学到了两个方面知识。
第一,是提取纹理。
文中介绍了(中文大家都叫灰度共生矩阵),比如下面是我的4*4图片,有且只有4种灰度
0 | 0 | 1 | 1 |
0 | 0 | 1 | 1 |
0 | 2 | 2 | 2 |
2 | 2 | 3 | 3 |
那么我就有4个方向的灰度共生矩阵,(很好理解)分别是水平,垂直,45度和90度。
比如下面是我的水平方向灰度共生矩阵
4 | 2 | 1 | 0 |
2 | 4 | 0 | 0 |
1 | 0 | 6 | 1 |
0 | 0 | 1 | 2 |
那么上面的数字是怎么来的呢?比如第2行第1列我们用(1,0)表示,这里不写成(2,1)因为灰度是0-3. (1,0)的值为什么是2,代表什么呢?
(1,0)代表左边是灰度1,右边是灰度0的这样的有几种,看原图,数一下是不是2个?在第一行第三列和第三行第一列。
那么(0,0),(1,1)为什么是4呢?先看(0,0),好像只有2个,要记住,这是对称矩阵,(0,0),(1,1),(2,2)这种还要乘2的,
所以,对角线是2的倍数。
我再画出90度的帮助理解~~
6 | 0 | 2 | 0 |
0 | 4 | 2 | 0 |
2 | 2 | 2 | 2 |
0 | 0 | 2 | 0 |
哦,对了,我们上面的例子都是灰度相邻,作者在文中还定义了一个d,不过一般都取1。那么d代表什么呢?
如果d取2,角度是0度,那么(1,2)就表示灰度1在灰度2左边,并且距离为2这样一种灰度共生矩阵提取方法。
好了,我们现在有了灰度共生矩阵,下面就可以提取纹理了。
作者在文中一共定义了28种纹理,其实也可以当作14种。
我在这里随便举一种吧,处理前,我们要先对灰度共生矩阵作归一化。原矩阵为M(i,j),归一化后为P(i,j),原矩阵所有数字之和为sum.
P(i,j) = M(i,j)/sum
我们所有的计算都是基于P矩阵的。
有一种纹理叫二阶角矩
计算方法是f = SUM(P(i)(j)^2),这是最好计算的一种,然后我们有4个方向的值,平均一下,就提取出一种特征了,另外的特征计算方法在论文种都有。
假设我们有天空,绿地,沙滩三种分类,还有training set 和 data set.
下面我们就先作训练,我们已经有了训练集了,接下来要怎么办呢?
我也是最近刚接触,会的就是logistic回归模型和Fisher分类算法,他们一开始都是基于两类分类的,当然也都能作用于多类。
如果大家不会logistic,可以看下斯坦福的机器学习课程,Fisher分类是1936年提出来的,需要对矩阵比较熟悉。
如果有不懂的地方,大家可以一起探讨^^
我再多说一点,如果用logistic作多类,可以这样做。
假如我们有A,B,C三类,分别拿 A,BC B,AC C,AB去做。
比如A,BC 那么我们就把A设为1,BC类别为0,这样我们就有h1(x),同理有h2(x),h3(x)
新的一个物体a过来时,分别算一算h1,h2,h3 哪个值高就算哪个分类
相关文章推荐
- 论文笔记:Deep convolutional activation features for large scale histopathology image classification
- 图像分类之特征学习ECCV-2010 Tutorial: Feature Learning for Image Classification
- Multi-column deep neural networks for image classification阅读
- 《PCANet: A Simple Deep Learning Baseline for Image Classification》精读笔记
- Learning Spatial Regularization with Image-level Supervisions for Multi-label Image Classification
- Linear Spatial Pyramid Matching Using Sparse Coding for Image Classification代码解
- Andrew Ng 深度学习课程Deeplearning.ai 编程作业——deep Neural network for image classification(1-4.2)
- Deep convolutional activation features for large scale Brain Tumor histopathology image classificati
- HD-CNN: HIERARCHICAL DEEP CONVOLUTIONAL NEURAL NETWORK FOR IMAGE CLASSIFICATION(泛读)
- 笔记:harvesting discriminative meta objects with deep CNN features for scene classification
- Multi-column deep neural networks for image classification阅读
- 《PCANet: A Simple Deep Learning Baseline for Image Classification》中文翻译总结
- 论文阅读理解 - Learning Spatial Regularization for Multi-label Image Classification
- 阅读笔记(paper+code):Residual Attention Network for Image Classification
- 吴恩达 深度学习 1-4 课后作业2 Deep Neural Network for Image Classification: Application
- Geometric Lp-norm Feature Pooling for Image Classification
- PCANet: A Simple Deep Learning Baseline for Image Classification?(精读)
- kernel learning for extrinsic classification of manifold features+CVPR13
- 多柱深度神经网络——Multi-column Deep Neural Networks for Image Classification
- 【论文笔记】Active Convolution: Learning the Shape of Convolution for Image Classification