特征參數提取方法(圖像的特征提取都算法)
1.圖像的特征提取都有哪些算法
常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關(guān)系特征。
一 顏色特征 （一）特點(diǎn)：顏色特征是一種全局特征，描述了圖像或圖像區域所對應的景物的表面性質(zhì)。一般顏色特征是基于像素點(diǎn)的特征，此時(shí)所有屬于圖像或圖像區域的像素都有各自的貢獻。
由于顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對象的局部特征。另外，僅使用顏色特征查詢(xún)時(shí)，如果數據庫很大，常會(huì )將許多不需要的圖像也檢索出來(lái)。
顏色直方圖是最常用的表達顏色特征的方法，其優(yōu)點(diǎn)是不受圖像旋轉和平移變化的影響，進(jìn)一步借助歸一化還可不受圖像尺度變化的影響，基缺點(diǎn)是沒(méi)有表達出顏色空間分布的信息。（二）常用的特征提取與匹配方法 （1） 顏色直方圖 其優(yōu)點(diǎn)在于：它能簡(jiǎn)單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動(dòng)分割的圖像和不需要考慮物體空間位置的圖像。
其缺點(diǎn)在于：它無(wú)法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無(wú)法描述圖像中的某一具體的對象或物體。最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特征匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。（2） 顏色集 顏色直方圖法是一種全局顏色特征提取與匹配方法，無(wú)法區分局部顏色信息。
顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺(jué)均衡的顏色空間（如 HSV 空間），并將顏色空間量化成若干個(gè)柄。然后，用色彩自動(dòng)分割技術(shù)將圖像分為若干區域，每個(gè)區域用量化顏色空間的某個(gè)顏色分量來(lái)索引，從而將圖像表達為一個(gè)二進(jìn)制的顏色索引集。
在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關(guān)系 （3） 顏色矩 這種方法的數學(xué)基礎在于：圖像中任何的顏色分布均可以用它的矩來(lái)表示。此外，由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。
（4） 顏色聚合向量 其核心思想是：將屬于直方圖每一個(gè)柄的像素分成兩部分，如果該柄內的某些像素所占據的連續區域的面積大于給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。（5） 顏色相關(guān)圖 二 紋理特征 （一）特點(diǎn)：紋理特征也是一種全局特征，它也描述了圖像或圖像區域所對應景物的表面性質(zhì)。
但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質(zhì)屬性，所以?xún)H僅利用紋理特征是無(wú)法獲得高層次圖像內容的。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區域中進(jìn)行統計計算。
在模式匹配中，這種區域性的特征具有較大的優(yōu)越性，不會(huì )由于局部的偏差而無(wú)法匹配成功。作為一種統計特征，紋理特征常具有旋轉不變性，并且對于噪聲有較強的抵抗能力。
但是，紋理特征也有其缺點(diǎn)，一個(gè)很明顯的缺點(diǎn)是當圖像的分辨率變化的時(shí)候，所計算出來(lái)的紋理可能會(huì )有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來(lái)的紋理不一定是3-D物體表面真實(shí)的紋理。
例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會(huì )導致紋理的變化。由于這些不是物體本身的特性，因而將紋理信息應用于檢索時(shí)，有時(shí)這些虛假的紋理會(huì )對檢索造成“誤導”。
在檢索具有粗細、疏密等方面較大差別的紋理圖像時(shí)，利用紋理特征是一種有效的方法。但當紋理之間的粗細、疏密等易于分辨的信息之間相差不大的時(shí)候，通常的紋理特征很難準確地反映出人的視覺(jué)感覺(jué)不同的紋理之間的差別。
（二）常用的特征提取與匹配方法 紋理特征描述方法分類(lèi) （1）統計方法統計方法的典型代表是一種稱(chēng)為灰度共生矩陣的紋理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特征基礎上，通過(guò)實(shí)驗，得出灰度共生矩陣的四個(gè)關(guān)鍵特征：能量、慣量、熵和相關(guān)性。統計方法中另一種典型方法，則是從圖像的自相關(guān)函數（即圖像的能量譜函數）提取紋理特征，即通過(guò)對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特征參數 （2）幾何法 所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特征分析方法。
紋理基元理論認為，復雜的紋理可以由若干簡(jiǎn)單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤(pán)格特征法和結構法。
（3）模型法 模型法以圖像的構造模型為基礎，采用模型的參數作為紋理特征。典型的方法是隨機場(chǎng)模型法，如馬爾可夫（Markov）隨機場(chǎng)（MRF）模型法和 Gibbs 隨機場(chǎng)模型法 （4）信號處理法 紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特征、自回歸紋理模型、小波變換等。
灰度共生矩陣特征提取與匹配主要依賴(lài)于能量、慣量、熵和相關(guān)性四個(gè)參數。Tamura 紋理特征基于人類(lèi)對紋理的視覺(jué)感知心理學(xué)研究，提出6種屬性，即：粗糙度、對比度、方向度、線(xiàn)像度、規整度和粗略度。
自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場(chǎng)（MRF）模型的一種。
2.特征提取的方法有哪些 信號處理
數字信號處理是把信號用數字或符號表示成序列，通過(guò)計算機或通用（專(zhuān)用）信號處理設備，用數值計算方法進(jìn)行各種處理，達到提取有用信息便于應用的目的。例如：濾波、檢測、變換、增強、估計、識別、參數提取、頻譜分析等。
一般地講，數字信號處理涉及三個(gè)步驟：
⑴模數轉換（A/D轉換）：把模擬信號變成數字信號，是一個(gè)對自變量和幅值同時(shí)進(jìn)行離散化的過(guò)程，基本的理論保證是采樣定理。
⑵數字信號處理（DSP）：包括變換域分析（如頻域變換）、數字濾波、識別、合成等。
⑶數模轉換（D/A轉換）：把經(jīng)過(guò)處理的數字信號還原為模擬信號。通常，這一步并不是必須的。 作為DSP的成功例子有很多，如醫用CT斷層成像掃描儀的發(fā)明。它是利用生物體的各個(gè)部位對X射線(xiàn)吸收率不同的現象，并利用各個(gè)方向掃描的投影數據再構造出檢測體剖面圖的儀器。這種儀器中fft（快速傅里葉變換）起到了快速計算的作用。以后相繼研制出的還有：采用正電子的CT機和基于核磁共振的CT機等儀器，它們?yōu)獒t學(xué)領(lǐng)域作出了很大的貢獻。
信號處理的目的是：削弱信號中的多余內容；濾出混雜的噪聲和干擾；或者將信號變換成容易處理、傳輸、分析與識別的形式，以便后續的其它處理。
3.遙感圖像特征抽取主要有幾種方法 掃什么條件下可以使用特征抽取方法
主要有：地物邊界跟蹤法；形狀特征描述與提取；地物空間關(guān)系特征描述與提取。
遙感圖像解譯，除了利用地物的光譜特征外，還需利用地物的形狀特征和空間關(guān)系特征，因此需要提取圖像的其他特征。
對于高分辨率遙感圖像，可以清楚地觀(guān)察到豐富的結構信息，如城市是由許多街區組成的，每個(gè)街區又由多個(gè)巨星樓房構成，其中人造地物具有明顯的形狀和結構特征，如建筑物、廠(chǎng)房、農田田埂，因此可以設法去提取這類(lèi)地物的形狀特征及其空間關(guān)系特征，以作為結構模式識別的依據
4.圖像視覺(jué)特征的提取和表達有哪些方法
(1)提取簡(jiǎn)單，時(shí)間和空間復雜度低。
(2)區分能力強，對圖像視覺(jué)內容相似的圖像其特征描述之間也應相近，反
之，對于視覺(jué)內容不相似的圖像其特征描述之間應有一定的差別。
(3)與人的視覺(jué)感知相近，對人的視覺(jué)感覺(jué)相近的圖像其特征描述之間也相
近，對人的視覺(jué)感知有差別的圖像其特征描述之間也有一定的差別。
(4)抗干擾能力強，魯棒性好，對圖像大小，方向不敏感，具有幾何平移，
旋轉不變性。
**************************************************************
如果你對這個(gè)答案有什么疑問(wèn)，請追問(wèn)，
另外如果你覺(jué)得我的回答對你有所幫助，請千萬(wàn)別忘記采納喲！
**************************************************************
5.labview設計語(yǔ)音識別系統如何提取特征參數
3.2 ECG特征點(diǎn)的提取方法 因為Peak Detection VI的輸出中已包含有相應點(diǎn)的幅值、二階導數及位置索引信息，在確定R峰點(diǎn)后，可進(jìn)一步根據ECG的特點(diǎn)確定出其它各特征點(diǎn)。完整的ECG特征點(diǎn)判別方法及步驟為： （1）幅值最大或二階導數最小（或兩者同時(shí)滿(mǎn)足）的波峰點(diǎn)判定為R峰點(diǎn)；
(2)R峰點(diǎn)之前的第一個(gè)小于零的波谷點(diǎn)（Valley）為Q點(diǎn)；
(3)R峰點(diǎn)之后第一個(gè)小于零的波谷點(diǎn)（Valley）為S點(diǎn)；
(4)Q點(diǎn)之前合理時(shí)限內的最大波峰點(diǎn)為P點(diǎn)；
(5)S點(diǎn)之后合理時(shí)限內的最大波峰點(diǎn)為T(mén)點(diǎn)。
(U波幅度較小且目前對其認識還不清楚，本文不作討論。)4、基于虛擬儀器LabVIEW8.2的編程實(shí)現 按圖2流程編制LabVIEW8.2程序，考慮到實(shí)際ECG波形中存在干擾，閾值（Threshold）不宜取零。程序中采用本周期段數據中最小波谷點(diǎn)的0.02倍作為Valley點(diǎn)閾值，最大波峰點(diǎn)的0.03倍作為Peak點(diǎn)的閾值，這樣可將基線(xiàn)附近的絕大多數高頻干擾點(diǎn)避開(kāi)，這些干擾點(diǎn)將不會(huì )出現在輸出序列中
6.如何提取特征三類(lèi)：韻律特征,音質(zhì)特征,mfcc參數
特征提取
一、low-level，主要是MFCC，以及基于MFCC并對其優(yōu)化的一些方法。 1、MFCC
2、抗噪聲較優(yōu)的方法：
WMVDR:warped minimum variance distortionless response
Multitaper MFCC：思想是用multiple windows(tapers)來(lái)代替漢明窗。
MHEC:mean Hilbert envelope coefficients.此方法對抗汽車(chē)噪聲很有用。 3、對抗回聲較優(yōu)的方法（reverberant robustness）:
FDLP: frequency domain linear prediction
4、融合MFCC的方法（fusion with MFCC）:
SCF/SCM: spectral centroid frequency/magnitude
該方法的提出，是考慮到MFCC子帶中無(wú)法體現能量分布，而FM(frequency modulation)計算量太大。
FFV: fundamental frequency variation，該方法同時(shí)考慮到了MFCC和韻律（prosodic）
信息.
HSCC: Harmonic structure cepstral coefficient，該方法體現了能量分布，實(shí)現用到了
LDA。
二、high-level，主要是基于phone ,syllable ,word 一級。 1、韻律特征（prosodic features）
目前研究的有 pitch distribution和non-uniform extraction region features(NERFs) 2、音素特征（phonetic features）
建模可以用N-gram，也可以用SVM建模。 3、語(yǔ)法特征（lexical features）
詞一級的N-gram，建模的方法有LLR(log likelihood ration)和SVM.SVM的效果應該更好一些。 4、cepstral-derived features
實(shí)現用最大似然線(xiàn)性回歸MLLR(maximum likelihood linear regression)
一些特征： MFCC
PLP 感知線(xiàn)性預測 LPC 線(xiàn)性預測系數 過(guò)零率 LSP 短時(shí)能量 子帶流量比 亮度 基頻
頻譜峰值點(diǎn) SDC CEP 線(xiàn)譜對 頻譜能量
Delt(MFCC)
