Image processing 利用图像特征捕捉宏观和微观几何图形
我正在提取图像特征进行纹理识别。我想从Image processing 利用图像特征捕捉宏观和微观几何图形,image-processing,sift,pattern-recognition,glcm,lbph-algorithm,Image Processing,Sift,Pattern Recognition,Glcm,Lbph Algorithm,我正在提取图像特征进行纹理识别。我想从2D图像中提取图像特征。这些功能应捕获图像的微观和宏观几何体。我试图找到一些算法,可以给我上述结果。我尝试了SIFT,但它只捕获宏几何体、形状和边缘细节的细节。另一方面,我尝试过各种版本的LBP(如CS-LBP、LNBP等),但它们只能捕获像素差异,而不能捕获整体方案。我尝试的另一种技术是使用具有不同距离和方向值的GLCM。但仍然存在一个问题,即生成的直方图太大,比较所需的时间太长。此外,结果也不是很好。支持向量机的分类率仅为48%。 有谁能指导我找到一种可
2D图像中提取图像特征。这些功能应捕获图像的微观
和宏观几何体
。我试图找到一些算法,可以给我上述结果。我尝试了SIFT
,但它只捕获宏几何体、形状和边缘细节的细节。另一方面,我尝试过各种版本的LBP(如CS-LBP、LNBP等),但它们只能捕获像素差异,而不能捕获整体方案。我尝试的另一种技术是使用具有不同距离和方向值的GLCM。但仍然存在一个问题,即生成的直方图太大,比较所需的时间太长。此外,结果也不是很好。支持向量机的分类率仅为48%。
有谁能指导我找到一种可以捕捉像素级差异和整体纹理图案的通用算法。为什么需要通用算法?你有:
局部非参数特征(如LBP)用于捕捉微观
宏观特征(如角点检测器、筛分)
整体几何不变统计(如直方图、傅立叶变换等)
只需计算所有特征,将它们连接在一个向量中,这个向量就是您想要的结果。你不需要一个单一的智能算法。成功的关键是许多“简单”算法的组合(串联)
如果你有速度问题(你的特征向量太长),试着在你的SVM之前使用。它将减少向量的大小,从而减少“最少的信息量”。PCA可以很容易地将向量的长度减少10倍。
PCA运行时间相对较快(仅乘以2D矩阵)
如果你仍然有低识别率,即使你确定你使用了好的功能,尝试。ITML在PCA之后使用,也是2D矩阵的乘法。ITML是一种“规范化每个特征的影响并消除特征的非常大或非常小的值范围的影响”的方法
通常,如果您使用良好的功能,运行PCA、ITML和SVM,那么即使在困难的计算机视觉任务中,您也会获得良好的结果