Python图像处理与机器视觉入门 课件 第17章 图像特征提取（中文）

图像处理技术与应用李钦深圳信息职业技术学院软件学院科技楼1703D室1295254769@图像处理技术与应用第17章

图像特征提取本章大纲1-1主元分析（PCA）1-2线性分辨分析（LDA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。

1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从3维降到2维的情况。

1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。

1-1主元分析（PCA）（2）PCA降维的步骤：

1-1主元分析（PCA）数据的类别：类别2该类别下的索引：类别2下的第一个数据（2）PCA降维的步骤：第1步：对识别目标进行向量表达。下面有4个2维向量，可以理解为4副两个像素的图像，也可理解为实际的值，例如4个人的身高和体重。

1-1主元分析（PCA）（2）PCA降维的步骤：第1步：对识别目标进行向量表达。

1-1主元分析（PCA）第2步：计算数据中心。

1-1主元分析（PCA）

1-1主元分析（PCA）第2步：计算数据中心。第3步：计算总体散度矩阵

1-1主元分析（PCA）第3步：计算总体散度矩阵

1-1主元分析（PCA）第4步：计算特征值与特征向量

1-1主元分析（PCA）第4步：计算特征值与特征向量

1-1主元分析（PCA）第4步：计算特征值与特征向量

1-1主元分析（PCA）第5步：特征向量重要性分析

1-1主元分析（PCA）第6步：投影

1-1主元分析（PCA）练习1，对下面4个向量进行PCA降维

1-1主元分析（PCA）图像特征提取指的是从图像中提取有用的数据或信息，得到图像的“非图像”的表示或描述，如数值、向量等。提取出来的这些“非图像”的表示或描述就是特征。有了这些数值或向量形式的特征，我们就可以实现图像的匹配，使得计算机具备图像识别的功能。两幅数字图像进行匹配时，通常需要先转换成向量的形式。向量可以理解为一个1维数组，该数组可由原始图像简单拼接构成，数组中元素的个数一般称为向量的维度。例如，一个100×100像素的图像可转换为一个1万维的向量。两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，仅保留有效的特征

1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。

1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从3维降到2维的情况。

1-1主元分析（PCA）（1）降维：两个向量如果纬度过高（1万，100万），则匹配误差会增高、匹配速度会降低，需要对象量进行降维，即是说删除一些对识别无用的维度，下图展示了向量从2维降到1维的情况。

1-1主元分析（PCA）（2）PCA降维的步骤：

1-1主元分析（PCA）数据的类别：类别2该类别下的索引：类别2下的第一个数据（2）PCA降维的步骤：第1步：对识别目标进行向量表达。下面有4个2维向量，可以理解为4副两个像素的图像，也可理解为实际的值，例如4个人的身高和体重。

1-1主元分析（PCA）（2）PCA降维的步骤：第1步：对识别目标进行向量表达。

1-1主元分析（PCA）第2步：计算数据中心。

1-1主元分析（PCA）

1-1主元分析（PCA）第2步：计算数据中心。第3步：计算总体散度矩阵

1-1主元分析（PCA）第3步：计算总体散度矩阵

1-1主元分析（PCA）第4步：计算特征值与特征向量

1-1主元分析（PCA）第4步：计算特征值与特征向量

1-1主元分析（PCA）第4步：计算特征值与特征向量

1-1主元分析（PCA）第5步：特征向量重要性分析

1-1主元分析（PCA）第6步：投影

1-1主元分析（PCA）练习1，对下面4个向量进行PCA降维

1-1主元分析（PCA）（2）使用PCA进行人脸识别2.1读取人脸图像，转换为向量；2.2使用人脸图像对PCA模型进行训练，得到特征向量（学习）计算特征值与特征向量分析特征值保存特征向量2.3读取特征向量，进行投影，实现图像降维（提取特征）2.4计算两个投影后的向量间的距离，距离足够小时，判定为同一个人的两幅人脸图像

1-1主元分析（PCA）练习2，使用PCA和SVM进行人脸识别

1-1主元分析（PCA）PCA的优化目标为：投影后总体散度最大LDA的优化目标为：投影后类内散度最小且类间散度最大

1-2线性辨析分析（LDA）一元线性回归-最小二乘法1一元线性回归一元线性回归-梯度下降

1一元线性回归將b、W的求解转换为求J的极小值。一元线性回归-梯度下降从曲面中的任意一点开始，沿着梯度的反方向一步步的下降，直到下降到曲面的最低点。1一元线性回归练习3：编码实现一元梯度下降

1一元线性回归多元线性回归

2多元线性回归逻辑回归-神经元

3神经元神经网络-NN-回归

4神经网络神经网络-NN-分类

4神经网络深度学习-卷积神经网络：全连接网络指的是输入层的所有单元与隐藏层的所有单元相连。在图像处理中，更常用的是卷积神经网络（ConvolutionalNeuralNetwork,CNN）。卷积神经网络在神经网络中加入了一个或多个卷积层，卷积层中有一个或多个滤波器，输入数据和滤波器卷积后，卷积结果和隐藏层相连，从而有效利用了图像的局部信息，并且对训练参数做了大幅精简，

5卷积神经网络6图像特征提取与分类Resnet506图像特征提取与