Image processing 分类用词包-特征与像素

我正在使用文字袋模型对医学图像进行分类。 我执行了以下操作来提取特征向量：

从小的图像块中提取特征，然后在 这些特征 从小图像块中提取像素值，然后对这些像素值应用蝴蝶结 在特征提取之后，我尝试了PCA、特征选择、改变KMeans的聚类数等方法来提高精度。但在我的例子中，在像素值1上学习的弓比在功能2上学习的弓高出90%。我的特征很好，当我使用这些特征使用其他框架对图像进行分类时，我能够获得95%以上的准确率

我的问题是，为什么在像素上学习的弓比在特征上学习的弓性能更好

正常-异常结肠镜图像分类

    Figure 1: a normal colon image
    Figure 2: an image with polyp

---

我对从图像块中提取特征的两种方法的理解如下

特征选择=运行PCA、k-means或选择一些像素子集，并构造这些提取值的向量

像素值=从图像的RGB值创建向量

事实上，为了从弓形特征中获得好的结果，人们通常使用相对复杂的算法来获得单个特征

在参考文献1的论文项目中，作者从图像块和分割中提取弓形特征。对于图像块，它们提取SIFT特征，对于每个片段，它们采用形状、颜色、位置和纹理特征（参见第2.1节），并遵循参考以更好地描述它们使用的特征

将场景分解为几何和语义一致的区域。Gould等人通过训练增强的逻辑回归分类器、Potts模型和高斯混合模型等方法导出形状、颜色、边缘等特征

您可能不需要如此密集的技术来提取优于像素向量的特征，但您肯定应该浏览相关文献，看看什么是有效的

---

用于提取纹理响应的筛选功能、颜色直方图和过滤器似乎工作得很好，并且有合理数量的软件库支持。

如果可能的话，您可以展示一些图像，并说出您想要识别的类别吗？这是正常和异常结肠镜图像分类。对不起，但我不知道那会是什么样子。请看我现在上传的数据。你在提取什么功能？谢谢你提供的信息。我尝试了2:1提取特征纹理、颜色、边缘等，2只提取颜色。提取特征后，我尝试对提取的特征/强度值进行PCA/特征选择。我在一些论文中发现，对于强度值，有几百个簇就足够了，但对于特征，我们应该有数千个簇。所以目前我正在尝试许多集群，希望它能给我带来好的结果。我将很快更新结果。