基于多維特征的最優特征選擇方法技術

本發明專利技術公開了基于多維特征的最優特征選擇方法，涉及圖像特征選擇，包括以下步驟：獲取作為模板圖像的基本統計特征集；獲取基于自身屬性的特征點集；獲取區域定義的特征點集，所述區域定義的特征點集，包括LOG算子、Forstner算子、SIFT算子；依據基本統計特征集、基于自身屬性的特征點集、區域定義的特征點集，計算每個特征集子項的方差，并選取方差最小的6個特征，再將6個特征采用特征壓縮方法進行降維，形成3個描述特征作為圖像的特征。所述基于自身屬性的特征點集，包括邊緣點、角點、交叉點。本發明專利技術通過選擇合適的特征，能夠有效提高特征提取的穩定性、精確性及實時性。

Optimal feature selection method based on multi-dimensional features

【技術實現步驟摘要】
基于多維特征的最優特征選擇方法
本專利技術涉及一種圖像特征選擇，具體涉及基于多維特征的最優特征選擇方法。
技術介紹
圖像特征對后期的圖像處理、圖像識別、圖像復原等都具有非常重要的作用，因此特征對于圖像處理領域而言有至關重要的作用，選擇合適的特征一直是圖像處理領域的難題。
技術實現思路
本專利技術所要解決的技術問題是不同圖像的使用場景不同，需要選擇不同的圖像特征進行分析，目的在于提供基于多維特征的最優特征選擇方法，解決上述問題。基于多維特征的最優特征選擇方法，包括以下步驟：獲取作為模板圖像的基本統計特征集；獲取基于自身屬性的特征點集；獲取區域定義的特征點集，所述區域定義的特征點集，包括LOG算子、Forstner算子、SIFT算子；依據基本統計特征集、基于自身屬性的特征點集、區域定義的特征點集，計算每個特征集子項的方差，并選取方差最小的6個特征，再將6個特征采用特征壓縮方法進行降維，形成3個描述特征作為圖像的特征。進一步地，所述基于自身屬性的特征點集，包括邊緣點、角點、交叉點。進一步地，所述基本統計特征，包括亮度、重心、灰度直方圖。進一步地，所述特征壓縮方法采用最小方差排名的前6項中，排名為奇數的特征與其后一位的特征兩兩相乘，形成新的特征。本專利技術與現有技術相比，具有如下的優點和有益效果：本專利技術基于多維特征的最優特征選擇方法，通過選擇合適的特征，能夠有效提高特征提取的穩定性、精確性及實時性。具體實施方式為使本專利技術的目的、技術方案和優點更加清楚明白，下面結合實施例，對本專利技術作進一步的詳細說明，本專利技術的示意性實施方式及其說明僅用于解釋本專利技術，并不作為對本專利技術的限定。實施例本專利技術基于多維特征的最優特征選擇方法，包括以下步驟：獲取作為模板圖像的基本統計特征集；獲取基于自身屬性的特征點集；獲取區域定義的特征點集，所述區域定義的特征點集，包括LOG算子、Forstner算子、SIFT算子；依據基本統計特征集、基于自身屬性的特征點集、區域定義的特征點集，計算每個特征集子項的方差，并選取方差最小的6個特征，再將6個特征采用特征壓縮方法進行降維，形成3個描述特征作為圖像的特征。所述基于自身屬性的特征點集，包括邊緣點、角點、交叉點。所述基本統計特征，包括亮度、重心、灰度直方圖。所述特征壓縮方法采用最小方差排名的前6項中，排名為奇數的特征與其后一位的特征兩兩相乘，形成新的特征。以上所述的具體實施方式，對本專利技術的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本專利技術的具體實施方式而已，并不用于限定本專利技術的保護范圍，凡在本專利技術的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本專利技術的保護范圍之內。本文檔來自技高網...

【技術保護點】
1.基于多維特征的最優特征選擇方法，其特征在于，包括以下步驟：獲取作為模板圖像的基本統計特征集；獲取基于自身屬性的特征點集；獲取區域定義的特征點集，所述區域定義的特征點集，包括LOG算子、Forstner算子、SIFT算子；依據基本統計特征集、基于自身屬性的特征點集、區域定義的特征點集，計算每個特征集子項的方差，并選取方差最小的6個特征，再將6個特征采用特征壓縮方法進行降維，形成3個描述特征作為圖像的特征。

【技術特征摘要】
1.基于多維特征的最優特征選擇方法，其特征在于，包括以下步驟：獲取作為模板圖像的基本統計特征集；獲取基于自身屬性的特征點集；獲取區域定義的特征點集，所述區域定義的特征點集，包括LOG算子、Forstner算子、SIFT算子；依據基本統計特征集、基于自身屬性的特征點集、區域定義的特征點集，計算每個特征集子項的方差，并選取方差最小的6個特征，再將6個特征采用特征壓縮方法進行降維，形成3個描述特征作為圖像的特...

【專利技術屬性】
技術研發人員：袁士林，
申請(專利權)人：袁士林，
類型：發明
國別省市：四川,51