方向像素特征-04
hog特征的原理
hog特征的原理HOG特征是一种常用的图像特征提取方法，它可以用来描述图像中的形状和纹理信息。
HOG特征全称为Histogram of Oriented Gradients，即梯度方向直方图。
它是通过计算图像中每个像素点的梯度方向，并统计每个方向上的梯度强度来得到的。
HOG特征的原理是基于人类视觉系统的一种假设，即人类视觉系统对边缘和纹理的感知较为敏感。
因此，通过提取图像中的边缘和纹理信息，可以较好地描述图像的特征。
HOG特征的计算过程如下：1. 图像预处理：首先，需要对图像进行预处理，包括图像的灰度化、归一化等操作。
这是为了简化计算，并降低光照、阴影等因素对特征提取的影响。
2. 计算梯度：接下来，需要计算图像中每个像素点的梯度信息。
一般使用Sobel算子或Laplacian算子来计算图像的梯度。
梯度的大小表示了像素点的强度，梯度的方向表示了像素点的纹理信息。
3. 划分图像区域：将图像划分为若干个小的局部区域，称为细胞单元。
每个细胞单元内包含了多个像素点的梯度信息。
4. 构建梯度直方图：对于每个细胞单元，统计其内部像素点的梯度方向，并将其划分到相应的方向区间中。
可以选择8个或12个方向区间，分别表示0度到180度或0度到360度。
5. 归一化梯度直方图：为了降低光照、阴影等因素对特征提取的影响，需要对梯度直方图进行归一化处理。
常用的方法是对每个细胞单元内的梯度直方图进行L2范数归一化。
6. 连接细胞单元：将相邻的细胞单元连接起来，形成一个大的特征向量。
这样可以更好地描述整个图像的纹理和形状信息。
7. 特征分类：最后，可以将提取到的HOG特征用于图像分类、目标检测等任务中。
常用的分类器包括支持向量机（SVM）、神经网络等。
HOG特征的优点在于它对图像的光照、阴影等因素不敏感，可以较好地描述图像中的纹理和形状信息。
同时，HOG特征的计算相对简单，计算速度较快，适用于实时处理的场景。
然而，HOG特征也存在一些缺点。
海康威视摄像机命名规则
海康威视摄像机命名规则1 命名1.1 产品的型号应采用大写英文字母及阿拉伯数字表示。
型号中各个部分的具体表示方法按图1所示。
1.2 色彩类型代号采用一位大写英文字母表示，其中：“B”表示黑白，“C”或空表示彩色。
1.3 结构类型代号采用一位大写英文字母表示，其中：“C”表示模拟摄像机，“H”表示快球，“Z”表示一体机，“M”表示一体机机芯，“D”表示数字摄像机。
1.4 摄像机类型代号采用一位阿拉伯数字表示，见表1。
代号定义1普通型摄像机2一体化摄像机5球型摄像机7IP球型摄像机8IP枪型摄像机0，3，4，6，9其他类型摄像机1.5 特征代号采用两位阿拉伯数字表示，见表2、表3。
a).第一位特征代号：表2 特征代号代号定义0低解析度1高解析度2经济型摄像机3一体机时代表22X光学变倍4预留5200万解析度6130万解析度7500万解析度8预留9超高解析度b).第二位特征代号：外观形态表3 特征代号代号定义0经济型时代表外观11枪型时代表枪机4 拨码开关型摄像机，球形时代表半球4 拨码开关型摄像机2枪型时代表枪机1 普通型摄像机3枪型时代表枪机4 OSD摄像机，球形时代表半球3 拨码开关型摄像机4枪型时代表枪机3 OSD摄像机5枪型时代表枪机4超低照度摄像机6经济型时代表外观27枪型时代表枪机4超宽动态摄像机8预留9预留c).第三位特征代码：表4 特征代号代号定义0预留1预留2预留3预留4预留5预留6预留7预留8预留9预留1.6 电荷藕合器类型代号采用一位大写英文字母表示，见表5。
表5 电荷藕合器类型代号代号定义缺省Sony 1/3英寸S Sony 1/4英寸X Sharp 1/3英寸Y Sharp 1/4英寸其他字母预留1.7 制式代号采用一位大写英文字母表示，其中：缺省表示PAL制，“N”表示NTSC制1.8 存储代号采用一位大写英文字母表示，其中：“F”表示支持SD卡，缺省表示不支持。
1.9 -XXX附加信息代码见表6。
遥感图像纹理特征提取与分类分析研究
遥感图像纹理特征提取与分类分析研究遥感技术的应用日益广泛，其成像质量比传统的图像获取方式更高，并且可以获取超大范围的地表图像。
遥感图像的纹理特征可以帮助我们更好地理解地表特征，因此提取和分类遥感图像的纹理特征变得越来越重要。
纹理特征是指图像中局部区域的像素分布情况，通过计算这些分布的统计特征，如平均灰度、标准差、方差、对比度、能量等，可以描述该局部区域的纹理特征。
提取出一幅遥感图像中的纹理特征信息，可以帮助我们分析该图像中各个区域的地物类型和地貌特征。
在遥感图像处理中，纹理特征提取方法主要包括局部二值模式（LBP）、灰度共生矩阵（GLCM）、边缘方向直方图（EOH）等方法。
这些方法都是通过将图像划分为小的局部区域，然后计算每个区域的纹理特征，来描述整幅图像的纹理特征。
其中，局部二值模式是比较常用的方法，它可以通过将每个像素与其周围的像素比较，判断像素之间的灰度差异性来计算纹理特征。
而灰度共生矩阵则是通过计算不同灰度级别之间的出现次数来计算纹理特征，例如灰度共生矩阵可以被用来描述图像边缘的粗糙度和方向等信息。
纹理特征的分类分析通常利用机器学习方法。
机器学习是一个基于大量数据，自动分析和提取出数据特征、模式、规律的过程，其中深度学习是机器学习的一种方法，其特点是利用多层神经网络来建模并学习数据的复杂特征。
在遥感图像处理中，通常使用监督学习和无监督学习两种机器学习方法来进行遥感图像的分类分析。
在监督学习中，我们首先需要为每个像素标注其所属类别，这可以由人工标注或其他分类方法得到。
然后使用这些已知类别的像素和对应的纹理特征训练一个分类器，例如支持向量机（SVM）、决策树、随机森林等。
分类器可以根据训练数据学习到各个类别的纹理特征，然后利用这些特征对未知区域进行分类。
无监督学习则不需要对每个像素进行标注，而是采用聚类分析的方法，将具有相似纹理特征的像素划分为同一类别，例如k-means聚类算法。
在遥感图像处理中，通常将多个纹理特征用于分类分析。
基于轮廓方向特征的脱机手写中文笔迹鉴别
（ ｅａｔ ｎ ｆ Ｃ ｍ ｕｅ ｃ ｎｅａｄ Ｔｃｎｌ ｙ ａｔＣ ｉａ Ｎ ｒａ ｎｖｒｉ，Ｓ ａｇ ａ ２０ ４ ，Ｃ ｉ ） Ｄ ｐ ｒ ｔｏ ｏ ｐ ｔ Ｓｉ ｃ ｎ ｅｈｏｏ ，Ｅ ｓ ｈｎ ｏｍ ｌＵ ｉ ｓｙ ｈ ｎ ｈ ｉ ０２ １ ｈｎ ｍｅ ｒ ｅ ｇ ｅ ｔ ａ
使 用 带权 卡方距 离计算特 征 向量 的相似度 。分别 以信封地 址 图像 库 中２ 个 书写人 的信 封地 址 图像和 Ｈ Ｔ ＭＷ 库 中３ ０ 书写 ５ Ｉ— ９个 人 的手写 中文笔迹 图像 为实验对 象。 最佳 Ｔ ｐ １ 别结果达 到 了９ ．２ ｏ一 鉴 ５ ％的正确 率。 ０
等的。
３ ３ １ ３ ２ ７ ０ ６ ３ ｇ ５ ｌ
提 取 边 缘 像 素 点 的 位 置 信 息 。本 文 的 特 征 与 ｃｎ ｏ． ｔ ｒｈｎｅ ｏ — ｉｇ 的差 别在 于本文不 仅仅考 虑两个 相连 的轮廓 ｕ 边缘上 的水平方 向夹角信息 ， 而是这个像 素点周 围所 有 其他像素点 的水平方 向上 的夹角信息 。不 同于 网格微结
可 以当作 一个特 征 向量 来 区分 不 同的书写者 ， 过聚类 通
同的字符进行 比较 ， 而文 本独立 是统计大 量笔迹 图像 中
出现 的与字符无关 的特征 ， 例如纹理 、 轮廓 等作为 比较两
个笔迹 图像 的依 据 。因为 中文有 成千上万 的不 同字 符 ，
而大部 分情况下 ， 需要 比较 的笔迹 图像只 出现 了几 百个
刘 海 ， 岳 吕
（ 东师范大学 计 算机科 学技术 系， 海 ２ ０ ４ ） 华 上 ０ ２ １ 【 摘
一
要 】提 出 了一种 基于 轮廓方 向特征 的脱机 手 写 中文笔迹 鉴别 方法 。轮廓 方 向特征 是在 笔迹 轮廓 上 的每 一个像 素点周 围
hog函数
hog函数一、什么是hog函数1.1 hog函数的定义Hog函数是指方向梯度直方图（Histogram of Oriented Gradients）函数，它是一种在计算机视觉领域常用的特征描述算法。
Hog函数通过计算图像中每个像素的方向梯度直方图来提取有效的图像特征。
Hog函数可以用于目标检测、行人识别、人脸识别等各种视觉任务。
1.2 hog函数的原理Hog函数的原理基于以下两个假设： - 图像中的局部目标通常通过边缘和角点来表示。
- 目标的外观和形状可以通过局部区域的梯度方向直方图来描述。
Hog函数的计算步骤如下： 1. 图像预处理：将彩色图像转换为灰度图像，消除光照的干扰。
2. 计算梯度：使用Sobel算子计算图像的水平和垂直梯度。
3. 划分图像：将图像划分为小的局部区域（Cell），每个区域包含若干个像素。
4. 计算局部梯度直方图：对每个局部区域内的像素，根据其梯度方向统计直方图。
5. 归一化：对每个区域内的直方图进行归一化，去除光照等干扰。
6. 拼接：将所有局部区域的直方图拼接成一个特征向量。
7. 使用特征向量进行目标检测或识别。
二、hog函数在目标检测中的应用2.1 hog函数在行人检测中的应用行人检测是计算机视觉中的一个重要任务，而hog函数在行人检测中得到了广泛的应用。
在行人检测中，hog函数可以通过学习样本图像中的行人特征，构建行人模型进行检测。
hog函数通过提取图像中的梯度特征，能够有效地对行人的形状和外观进行描述，从而实现行人检测任务。
2.2 hog函数在目标检测中的优势相比于其他特征描述算法，如SIFT、SURF等，hog函数具有以下优势： - 不受光照变化的影响：hog函数在计算特征时对光照的变化具有较好的鲁棒性，能够有效地去除光照的影响。
- 不受尺度变化的影响：hog函数在计算特征时可以通过在不同尺度上进行图像金字塔操作来适应不同大小的目标。
- 较低的计算复杂度：hog函数的计算过程相对简单，可以高效地提取图像的特征。
图像的三大特征（转）
图像的三⼤特征（转）原⽂（⼀）HOG特征1、HOG特征：⽅向梯度直⽅图（Histogram of Oriented Gradient, HOG）特征是⼀种在计算机视觉和图像处理中⽤来进⾏物体检测的特征描述⼦。
它通过计算和统计图像局部区域的梯度⽅向直⽅图来构成特征。
Hog特征结合 SVM分类器已经被⼴泛应⽤于图像识别中，尤其在⾏⼈检测中获得了极⼤的成功。
需要提醒的是，HOG+SVM进⾏⾏⼈检测的⽅法是法国研究⼈员Dalal 在2005的CVPR上提出的，⽽如今虽然有很多⾏⼈检测算法不断提出，但基本都是以HOG+SVM的思路为主。
（1）主要思想：在⼀副图像中，局部⽬标的表象和形状（appearance and shape）能够被梯度或边缘的⽅向密度分布很好地描述。
（本质：梯度的统计信息，⽽梯度主要存在于边缘的地⽅）。
（2）具体的实现⽅法是：⾸先将图像分成⼩的连通区域，我们把它叫细胞单元。
然后采集细胞单元中各像素点的梯度的或边缘的⽅向直⽅图。
最后把这些直⽅图组合起来就可以构成特征描述器。
（3）提⾼性能：把这些局部直⽅图在图像的更⼤的范围内（我们把它叫区间或block）进⾏对⽐度归⼀化（contrast-normalized），所采⽤的⽅法是：先计算各直⽅图在这个区间（block）中的密度，然后根据这个密度对区间中的各个细胞单元做归⼀化。
通过这个归⼀化后，能对光照变化和阴影获得更好的效果。
（4）优点：与其他的特征描述⽅法相⽐，HOG有很多优点。
⾸先，由于HOG是在图像的局部⽅格单元上操作，所以它对图像⼏何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更⼤的空间领域上。
其次，在粗的空域抽样、精细的⽅向抽样以及较强的局部光学归⼀化等条件下，只要⾏⼈⼤体上能够保持直⽴的姿势，可以容许⾏⼈有⼀些细微的肢体动作，这些细微的动作可以被忽略⽽不影响检测效果。
因此HOG特征是特别适合于做图像中的⼈体检测的。
2、HOG特征提取算法的实现过程：⼤概过程：HOG特征提取⽅法就是将⼀个image（你要检测的⽬标或者扫描窗⼝）：1）灰度化（将图像看做⼀个x,y,z（灰度）的三维图像）；2）采⽤Gamma校正法对输⼊图像进⾏颜⾊空间的标准化（归⼀化）；⽬的是调节图像的对⽐度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪⾳的⼲扰；3）计算图像每个像素的梯度（包括⼤⼩和⽅向）；主要是为了捕获轮廓信息，同时进⼀步弱化光照的⼲扰。
人脸识别专题教育课件
图像增强是为了改善人脸图像旳质量，在视觉上愈加清楚图像，使图像更利于辨认。
➢ 归一化
归一化工作旳目旳是取得尺寸一致，灰度取值范围相同旳原则化人脸图像。
2 灰度化
将彩色图像转化为灰度图像旳过程是图像旳灰度化处理。 彩色图像中旳每个像素旳颜色由R，G，B三个分量决定，而每个分量中可取值0-255，像素 点旳颜色变化范围太大。而灰度图像是R，G，B三个分量相同旳一种特殊旳彩色图像，会大 大降低后续旳计算量。
02
人脸图像 . 预处理
预处理是人脸辨认过程中旳一种主要环节。输入图像因为采集环境旳不同， 可能收到光照，遮挡旳影响得到旳样图是有缺陷旳。
2 图像预处理
➢ 灰度化
将彩色图像转换为灰度图，其中有三种措施：最大值法、平均值法、以及加权平均法。
➢ 几何变换
经过平移、转置、镜像、旋转、缩放等几何变换对采集旳图像进行处理，用于改正图像采集系统旳系统误差。
人脸辨认
Artificial Intelligence && Face Recognition
定义
人脸辨认是基于计算机图像处理技术和生物特征辨认技术，提取图像或视频中旳人像特征信息， 并将其与已知人脸进行比对，从而辨认每个人旳身份。它集成了人工智能、机器学习、模型理论、视 频图像处理等多样专业技术。
01 人脸辨认 . 应用
1 应用场景
身份证查验，证据留存
目前主要是经过扫描或者复印身份证信 息，人工比对身份证照片。扫描或复印身份 证只是作为备案，并不能有效核实身份证真 伪。要确保是采用真实身份证办理业务，必 须有某种技术手段对办事人提供旳身份证进 行查验。
学校宿舍，刷脸进门 电商网站，刷脸支付
4 人脸辨认
8方向特征提取
8方向特征提取8方向特征提取是一种常见的图像处理技术，用于从图像中提取特定方向的特征信息。
这种技术通常用于图像识别、目标检测和特征匹配等应用领域。
本文将介绍8方向特征提取的原理和常用方法，并提供一些相关参考内容。
1. 原理：8方向特征提取的基本原理是将图像分解为8个不同方向的特征子图，通过计算每个子图的像素值或梯度信息来表示特定方向的特征。
这样可以有效地捕捉到图像中的边缘、纹理和形状等信息，从而为后续的图像处理和分析提供便利。
2. 方法：2.1. 像素值法：该方法基于图像的原始像素值进行特征提取。
首先将图像转换为灰度图像，然后将图像分割为8个相等大小的子图。
对于每个子图，可以简单地计算其平均灰度值或灰度直方图来表示该方向上的特征。
2.2. 梯度法：梯度法是指利用图像梯度信息来提取特征。
最常用的方法是使用Sobel算子或Prewitt算子计算图像的水平和垂直梯度，然后根据梯度的方向对图像进行划分。
对于每个方向的子图，可以进一步提取其梯度幅值、梯度方向直方图等特征。
3. 相关参考内容：3.1. 文章：- "A Survey of Image Feature Extraction Techniques"，文章综述了常用的图像特征提取方法，包括8方向特征提取等多种方法，并对它们的原理和应用进行了详细介绍。
- "Texture feature extraction techniques for image recognition", 该文详细介绍了多种基于纹理特征的图像识别方法，其中包括使用8方向特征提取的技术，并对其性能进行了实验评估。
3.2. 书籍：- "Digital Image Processing"，该书是图像处理领域的经典教材之一，对图像特征提取的方法和算法进行了详细说明，其中包括了8方向特征提取的原理和实现步骤。
- "Computer Vision: Algorithms and Applications", 该书为计算机视觉领域的权威著作，对图像处理和特征提取的技术进行了深入讲解，其中包括了8方向特征提取的详细介绍和应用案例。
dso特征点选取
dso特征点选取DSO（Direct Sparse Odometry）特征点选取是一种用于视觉里程计（Visual Odometry）中的算法，它能够从图像中选取出最具有代表性的特征点，用于实现相机的定位和姿态估计。
DSO特征点选取算法的核心思想是通过对图像进行稀疏采样，选取具有高信息量和区分度的特征点，从而实现高效且准确的视觉定位。
DSO特征点选取算法首先对输入的图像进行预处理，包括去畸变、灰度化、降噪等步骤，以提高特征点的检测效果。
然后，算法从图像中提取特征点，并根据这些特征点的质量和区分度进行排序，选取最具有代表性的特征点。
在特征点的选取过程中，DSO算法通常会考虑以下几个因素：1. 角点检测：DSO算法中常用的角点检测算法有Harris角点检测和FAST角点检测等。
这些算法通过计算图像中每个像素点的角点响应值，选取具有较高响应值的像素点作为初始的特征点候选集。
2. 尺度不变性：为了保证特征点在不同尺度下的稳定性，DSO算法通常会使用尺度不变特征变换（Scale-invariant feature transform，SIFT）算法或速度鲁棒特征（Speeded Up Robust Features，SURF）算法等，对特征点进行尺度不变描述。
3. 旋转不变性：为了保证特征点在图像旋转发生变化时的稳定性，DSO算法通常会使用旋转不变特征变换（Rotation-invariantfeature transform，RIFT）算法或方向梯度直方图（Histogram of Oriented Gradients，HOG）算法等，对特征点进行旋转不变描述。
4. 稀疏采样：为了保证特征点的数量适中，DSO算法通常会对图像进行稀疏采样，只选取图像中稀疏分布的像素点作为特征点。
5. 区分度评估：为了保证特征点具有良好的区分度，DSO算法通常会计算特征点的描述子，通过描述子之间的相似度来评估特征点的区分度，从而选取最具有代表性的特征点。
尺度理论及图像特征
1.1 尺度转换分类
方法 (彭晓鹃[5]）（按转换基础）：
1.1 尺度转换方法
方法 (彭晓鹃[5]）（按转换基础）： 基于像元（简单易行）：统计方式、融合转换以及分类转换 像元包括数据的空间分辨率、时间分辨率、光谱分辨率等信息 缺点：只考虑了地物的光谱信息,无法兼顾地物的空间结构形态特征,难以解决同谱异物和同物异谱问题,致使难以得到稳定的转换效果。 而地物类别的空间结构形态是根据类别的属性差异呈聚集状分布,因此遥感影像中的地物类别特性不仅表现在单纯的光谱信息上,还表现在形状、纹理等特征上。 基于对象：对遥感影像纹理特征的提取及合理分割 以对象为基本单元,在高空间分辨率影像上利用影像多尺度分割技术,构建不同尺度的影像信息等级结构,实现遥感影像信息在不同尺度层之间的传递。
01
融合(周觅[4]，彭晓鹃[5] ） ：
1.1 融合转换
融合 (周觅[4]，彭晓鹃[5] ）： 尺度收缩的方法：基于空间域和基于变换域。 (周觅[4]）
基于空间域的融合：针对影像的像素灰度值直接进行运算的方法，算法简单、易于实现，但是细节表现力达不到要求；
基于变换域的融合：先将原始图像进行变换，然后在变换域中进行信息融合，最后进行逆变换得到融合后影像的方法，细节表现力强，但是算法相对复杂。 目前常用的主要有彩色模型变换方法、直方变差图、主成分分析法、高通滤波、小波分析。 (彭晓鹃[5] ）
4
3
特点：
1.1.1 颜色特征
颜色直方图、颜色集、颜色矩、颜色聚合向量、颜色相关图
颜色特征表达：
01
优点：能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。 缺点：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。
图像特征与描述子（直方图，聚类，边缘检测，兴趣点关键点，Harris角点，斑点（Blob）。。。
图像特征与描述⼦（直⽅图，聚类，边缘检测，兴趣点关键点，Harris⾓点，斑点（Blob）。
1.直⽅图⽤于计算图⽚特征，表达，使得数据具有总结性，颜⾊直⽅图对数据空间进⾏量化，好⽐10个bin2. 聚类类内对象的相关性⾼类间对象的相关性差常⽤算法：kmeans， EM算法， meanshift，谱聚类（密度聚类），层次聚类kmeans聚类选取k个类中⼼，随机选取计算每个点跟k个类中⼼的位置把数据点分配给距离最近的⼀个类中⼼计算新的类中⼼-对该类中的所有点取均值类中⼼数K的选取K类平均质⼼的距离加权平均值，当k=5时的斜率发⽣变化，我们可以选取5作为分类的个数kmeans ++ 半随机（初始点的选取）第⼀类中⼼ - 随机选取记D（x）为数据点x距离最近的聚类中⼼的距离选取下⼀个聚类中⼼，选取的概率正⽐于D(x) ^ 2以此类推，到第k个量化颜⾊直⽅图聚类颜⾊直⽅图：使⽤聚类算法对像素点颜⾊向量进⾏聚类，单元由聚类中⼼代表3. 边缘检测像素明显变化的区域，具有丰富的语义信息⽤途：物体识别，⼏何视⾓变化定义：像素函数快速变化的区域，⼀阶导数的极值区域，⼆阶导数的0点位置步骤：先⾼斯去噪，再使⽤⼀阶导数获取极值公式：对x⽅向进⾏求导 б 表⽰的是标准差对y⽅向进⾏求导梯度幅值/强度hx（x，y）^ 2 + hy(x, y) ^ 2梯度（增加最快）⽅向arctan（hy（x, y）/ hx（x, y）)4. 兴趣点/关键点稳定局部特点：可重复性，显著性抗图⽚变化外貌变化（亮度，光照）⼏何变化（平移，选择，尺度）5.Harris⾓点⼀种显著点：在任何⽅向上移动⼩观察窗，导致⼤的像素变动 Ｅ(u, v) = ΣW(x, y)[I(x+u, y+v)-I(x, y)] ^2W(x, y)是⾼斯函数进⾏加权的， x，y表⽰当前位置， u和v表⽰移动了的位置6.斑点（Blob）拉普拉斯梯度：⼀阶导数极值点 - ⼆阶导数零点梯度/边缘可以通过查找：⼆阶导数接近零，⼀阶导数⾜够⼤对噪声很敏感，需要先做⾼斯平滑公式： Δf = δ2f / δ2x + δ2f / δ2y 对x求⼆阶导，对y⽅向求⼆阶导斑点是找拉普拉斯的极值边缘是找拉普拉斯的零值7.SIFTSIFT特征计算计算⾼斯差分（DoG）尺度空间，获取极值点特征点处理：位置插值，去除低对⽐度点，去除边缘点⽅向估计： 2*2⽹格， 8个⽅向，获得最⾼值为关键点的主⽅向，特征点⽅向归⼀化，即所有⽅向为同⼀⽅向描述⼦提取: 在旋转坐标上采样16*16的像素窗， 4*4⽹格，8⽅向直⽅图，总共178维8.纹理特征HOG（⽅向梯度直⽅图）梯度幅值，⽅向 s = sqrt（sx^2 + sy^2）Block 拆分16*16的block 步长是8，包含2*2个cell，每个cell8*8， 9个⽅向积累梯度幅值，使⽤位置⾼斯加权，使⽤相邻bin线性插值64&128的维度图：7*15 * （2*2） * 9 = 3780LBP(局部⼆值模式)将每个像素点与周围点⼤⼩半径⽐较，半径R的圆上，均匀采样P个点，根据赫值⼤⼩，量化为0或1。
HOG（方向梯度直方图）与特征识别
HOG（⽅向梯度直⽅图）与特征识别结合这周看的论⽂,我对这周研究的Histogram of oriented gradients(HOG)谈谈⾃⼰的理解：HOG descriptors 是应⽤在计算机视觉和图像处理领域，⽤于⽬标检测的特征描述器。
这项技术是⽤来计算局部图像梯度的⽅向信息的统计值。
这种⽅法跟边缘⽅向直⽅图（edge orientation histograms）、尺度不变特征变换（scale-invariant feature transform descriptors）以及形状上下⽂⽅法（ shape contexts）有很多相似之处，但与它们的不同点是：HOG描述器是在⼀个⽹格密集的⼤⼩统⼀的细胞单元（dense grid of uniformly spaced cells）上计算，⽽且为了提⾼性能，还采⽤了重叠的局部对⽐度归⼀化（overlapping local contrast normalization）技术。
这篇⽂章的作者Navneet Dalal和Bill Triggs是法国国家计算机技术和控制研究所French National Institute for Research in Computer Science and Control (INRIA)的研究员。
他们在这篇⽂章中⾸次提出了HOG⽅法。
这篇⽂章被发表在2005年的CVPR上。
他们主要是将这种⽅法应⽤在静态图像中的⾏⼈检测上，但在后来，他们也将其应⽤在电影和视频中的⾏⼈检测，以及静态图像中的车辆和常见动物的检测。
HOG描述器最重要的思想是：在⼀副图像中，局部⽬标的表象和形状（appearance and shape）能够被梯度或边缘的⽅向密度分布很好地描述。
具体的实现⽅法是：⾸先将图像分成⼩的连通区域，我们把它叫细胞单元。
然后采集细胞单元中各像素点的梯度的或边缘的⽅向直⽅图。
最后把这些直⽅图组合起来就可以构成特征描述器。
常用的图像特征
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
一颜色特征（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。
一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。
由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。
另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。
颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。
（二）常用的特征提取与匹配方法（1）颜色直方图其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。
其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。
最常用的颜色空间：RGB颜色空间、HSV颜色空间。
颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。
（2）颜色集颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。
颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。
然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。
在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系。
（3）颜色矩这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。
此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。
机器学习中的图像特征提取技术介绍
机器学习中的图像特征提取技术介绍机器学习中的图像特征提取技术是计算机视觉和模式识别领域中的重要研究方向。
它的目标是从图像中提取出能够表示图像内容的关键信息，从而为机器学习算法提供有效的输入。
图像特征提取的任务是将高维的图像数据转化为低维的特征向量，以便于机器学习算法进行进一步的处理和分析。
本文将介绍几种常用的图像特征提取技术。
1. 像素级特征提取像素级特征提取是指从图像的像素级别提取出有用的信息作为特征。
最简单的方法是提取每个像素的亮度或颜色值作为特征向量的元素。
然而，这种方法忽略了像素之间的空间关系，导致提取的特征不具备位置信息。
为了解决这个问题，可以使用局部二值模式（Local Binary Patterns，LBP）或方向梯度直方图（Histogram of Oriented Gradients，HOG）等方法，将像素的局部纹理和边缘信息作为特征。
2. 基于频域的特征提取基于频域的特征提取方法将图像从空域转换到频域，从而提取图像的频域信息。
常用的方法包括傅里叶变换和小波变换。
傅里叶变换将图像从时域转换到频域，得到图像的频谱信息，可以用于提取图像的频率特征。
小波变换能够同时提取图像的时域和频域信息，因此在一些需要同时考虑时域和频域特征的任务中应用较广泛。
3. 深度学习中的特征提取深度学习在图像特征提取中取得了重要的突破，特别是卷积神经网络（Convolutional Neural Networks，CNN）。
CNN能够自动从图像中学习到具有代表性的特征，其内部的卷积层可以提取图像的局部特征，而池化层可以减少特征的维度并保留重要的信息。
由于CNN具有强大的表达能力，它已被广泛应用于图像分类、目标检测和图像分割等任务中。
4. SIFT和SURF尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）和加速稳健特征（Speeded Up Robust Features，SURF）是两种经典的局部特征提取算法。
8方向特征提取
8方向特征提取
1. 什么是8方向特征提取？
8方向特征提取是一种图像处理技术，它可以将图像中的每个像素点的周围8个方向的像素值进行提取和分析，以获得更加精细的图像特征。
这种技术通常用于图像识别、目标跟踪、人脸识别等领域。
2. 8方向特征提取的原理是什么？
8方向特征提取的原理是基于图像中每个像素点的周围8个方向的像素值进行提取和分析。
具体而言，它会将每个像素点周围的像素值分为8个方向，然后计算每个方向上的像素值差异，从而得到一个8维向量。
这个向量可以用来表示这个像素点的特征，从而实现图像的特征提取。
3. 8方向特征提取的应用有哪些？
8方向特征提取可以用于图像识别、目标跟踪、人脸识别等领域。
在图像识别中，它可以用来提取图像的纹理特征，从而实现图像分类和识别。
在目标跟踪中，它可以用来提取目标的特征，从而实现目标的跟踪和定位。
在人脸识别中，它可以用来提取人脸的特征，从而实现人脸的识别和验证。
4. 8方向特征提取的优缺点是什么？
8方向特征提取的优点是可以提取出图像中每个像素点的周围8个方向的像素值，从而得到更加精细的图像特征。
它的缺点是计算量较大，需要耗费较多的计算资源。
此外，它对图像的旋转和缩放比较敏感，需要进行额外的处理才能得到更加鲁棒的特征。
5. 8方向特征提取和其他特征提取方法相比有什么优势？
与其他特征提取方法相比，8方向特征提取可以提取出更加精细的图像特征，从而实现更加准确的图像识别和目标跟踪。
此外，它的计算量相对较小，可以在较短的时间内完成特征提取。
但是，它对图像的旋转和缩放比较敏感，需要进行额外的处理才能得到更加鲁棒的特征。
灰度共生矩阵14个特征
灰度共生矩阵14个特征介绍在图像处理领域中，灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）是一种常用的纹理分析方法。
通过计算图像中像素间的灰度级别共生关系，可以得到一系列的纹理特征。
其中最常用的是14个基本特征，它们能够提供关于图像纹理、对比度、同质性和方向的信息。
本文将对这14个特征进行详细介绍和解释。
纹理和灰度共生矩阵纹理的概念纹理是指物体在外观和触觉上的质地和模式。
具体来说，纹理是由于某些属性（如颗粒、花纹、斑点等）在物体表面上的规则或不规则分布而形成的。
纹理包含了很多信息，可以用于图像分析和理解。
灰度共生矩阵的定义灰度共生矩阵是一种描述图像纹理的统计特征。
它通过计算图像中像素间的灰度级别的共生关系，得到一个二维矩阵，矩阵的每一个元素代表了相邻像素对出现的频率。
灰度共生矩阵14个特征的介绍和解释对比度（Contrast）对比度反映了图像中相邻像素的灰度级别之间的差异程度。
对比度越大，图像中的纹理就越明显。
同质性（Homogeneity）同质性反映了图像中相邻像素灰度级别一致性的程度。
同质性越大，图像中的纹理越均匀。
熵（Entropy）熵反映了图像中像素灰度级别的不确定性。
熵越大，图像中的纹理越复杂，信息量越大。
能量（Energy）能量是灰度共生矩阵中元素的平方和，反映了图像中相邻像素之间的灰度级别变化强度。
能量越大，图像中的纹理越丰富。
自相关（Autocorrelation）自相关表示了图像中相邻像素之间的灰度级别相关程度。
自相关越大，相邻像素之间的相关性越强。
相关度（Correlation）相关度反映了图像中相邻像素之间的线性相关关系。
相关度越大，相邻像素之间的关联度越强。
对质心的距离（Dissimilarity）对质心的距离表示了图像中相邻像素之间的灰度级别差异。
对质心的距离越大，相邻像素之间的差异越明显。
能量的逆（Inverse Difference Moment）能量的逆是灰度共生矩阵中元素的倒数和，反映了图像中相邻像素灰度级别之间的变化平缓程度。
像素点的对角邻域坐标
像素点的对角邻域坐标像素点的对角邻域坐标是指在图像处理中，一个像素点周围的八个相邻像素点，包括水平、垂直和对角线方向上的像素。
这个概念在图像处理算法中经常用于实现各种滤波、边缘检测和特征提取等操作。
以下是对像素点对角邻域坐标的详细解释。
1. 像素点和邻域在数字图像中，图像被分割成一个个小方块，每个小方块称为像素（pixel）。
一个像素代表图像上的一个点，具有特定的坐标和颜色值。
邻域是指一个像素周围的一组像素。
2. 对角邻域坐标的定义像素点的对角邻域包括了水平、垂直和对角线方向上的八个相邻像素点。
考虑一个中心像素点的坐标为(x,y)(x, y)(x,y)，其对角邻域的坐标可以表示为：•左上角：(x−1,y−1)(x - 1, y - 1)(x−1,y−1)•上方：(x,y−1)(x, y - 1)(x,y−1)•右上角：(x+1,y−1)(x + 1, y - 1)(x+1,y−1)•左侧：(x−1,y)(x - 1, y)(x−1,y)•右侧：(x+1,y)(x + 1, y)(x+1,y)•左下角：(x−1,y+1)(x - 1, y + 1)(x−1,y+1)•下方：(x,y+1)(x, y + 1)(x,y+1)•右下角：(x+1,y+1)(x + 1, y + 1)(x+1,y+1)这八个点分别位于中心像素点的水平、垂直和对角线方向上，构成了对角邻域。
3. 应用场景对角邻域坐标在图像处理的许多算法中都有广泛应用，其中一些典型的应用包括：3.1 滤波在图像滤波中，常用邻域内的像素值进行平均、中值、高斯加权等处理，从而实现图像的模糊、锐化等效果。
对角邻域的使用可以更全面地考虑像素点的周围信息。
3.2 边缘检测在边缘检测中，对角邻域可以帮助检测图像中的斜向边缘，使得算法对图像中各种方向的边缘都具有敏感性。
3.3 特征提取在一些特征提取算法中，对角邻域的像素点被用来计算纹理、形状等特征，以更全面地描述图像中的信息。
gee纹理特征
gee纹理特征介绍在地球引擎（Google Earth Engine，简称GEE）中，纹理特征是一种用于描述图像或地理空间数据的重要属性。
纹理特征可以帮助我们理解图像中的空间结构和模式，从而对地表进行分类、监测和分析。
本文将深入探讨gee纹理特征的定义、计算方法以及在地表研究中的应用。
纹理特征的定义纹理特征是指图像或地理空间数据中的局部空间结构和模式。
它描述了图像中像素之间的空间关系、颜色变化和形状等信息。
纹理特征可以用于衡量图像的复杂度、细节和视觉质量。
在地表研究中，纹理特征还可以用于区分不同地物类型、监测地表变化和评估生态环境。
纹理特征的计算方法计算纹理特征的方法有很多种，常见的包括灰度共生矩阵（Gray Level Co-occurrence Matrix，简称GLCM）、局部二值模式（Local Binary Patterns，简称LBP）和方向性梯度直方图（Histogram of Oriented Gradients，简称HOG）等。
灰度共生矩阵（GLCM）灰度共生矩阵是一种用于描述图像纹理特征的统计方法。
它通过计算图像中像素灰度级之间的统计关系来描述纹理特征。
常用的GLCM特征包括对比度、相关性、能量和熵等。
1.对比度（Contrast）：衡量图像中不同灰度级像素之间的差异程度。
2.相关性（Correlation）：衡量图像中像素之间的线性相关性。
3.能量（Energy）：衡量图像中像素灰度级分布的均匀程度。
4.熵（Entropy）：衡量图像中像素灰度级分布的不确定性。
局部二值模式（LBP）局部二值模式是一种用于描述图像纹理特征的方法，它通过对图像中每个像素及其周围像素进行二值编码来表示纹理特征。
常用的LBP特征包括LBP直方图和LBP模式等。
1.LBP直方图（LBP Histogram）：将图像中每个像素的LBP值统计到直方图中，用于表示图像的纹理特征。
2.LBP模式（LBP Pattern）：将图像中每个像素的LBP值组合成一个二进制模式，用于表示图像的纹理特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
藏文的字体较多，同一字符在不同字体中差异很大。在
计算机自动识别时，无法把不同字体的同一字符用一个参考
字符来表示。所以，多字体藏文字符识别所需的参考字符模
板数是远大于藏文字符集容量的。在这种情况下，对分类器
的要求是简单、分类速度快。在实际问题中，由于种种因素
的限制，大字符集字符识别时往往选用最小距离分类器[1]，
proposed algorithm. 【Key words】Tibetan character recognition; Directional line element feature; Euclidean distance with deviation
藏文是一种优秀、成熟的文字，藏文字符识别研究具有 极高的理论价值和广阔的应用前景，但目前国内外的研究工 作基本上还处于空白[3]。尽快开展藏文字符识别的研究、满 足中文多文种信息系统发展的需要是当务之急。
+
x (B) j
+
x ( C) j
+
x (D) j
= 4 x j(D) + 3(x j(C ) − x j(D ) )
+ 2(x j(B) − x j(C ) ) + (x j( A) − x j(B) )
(1)
其中j = 0, 1, 2, 3,
x ( A) j
、
x (B) j
、
x
j
(C )
、
x (D) j
—19—
—20—
第30卷 第13期 Vol.30 № 13 ·基金项目论文·
计 算 机 工 程 Computer Engineering
文章编号：1000—3428(2004)13 —0018—03
文献标识码：A
2004年7月 July 2004
中图分类号：TP39
一种多字体印刷藏文字符识别方法
王 华，丁晓青
（清华大学电子工程系，北京 100084） 摘 要：提出了一种完整的多字体印刷藏文字符识别方法：先提取输入字符的方向线素特征组成特征向量，然后采用两级分类策略判定字符 类别。该方法在训练集和测试集上的识别率分别达到99.73%和99.44%，证明了其有效性。 关 键 词 ： 藏文字符识别；方向线素特征；带偏差欧氏距离
4 实验结果
按照本文的方法，我们设计了多字体多字号印刷体现代 藏文的识别核心。实验是在收集到的1200套样本上进行的， 这些样本大部分采自当今主要的印刷藏文出版系统（方正、 华光），也有少量用Windows TureType字体直接打印形成。 字体不仅有最常用的白体、黑体和通用体，还包括圆体、长 体、竹体，字号从六号到初号。样本质量不等，正常、断 裂、粘连字符的比例约为2：1：1。随机抽出900套组成训 练集，其余300套留作测试样本。识别字典包含3552个 模 板，每个字丁对应6个不同模板。
如，某个待识别字符与Q 个簇之间的最小距离为 MinD ，则
可选择所有与该待识字符之间 距 离 小 于 MinD + α 或
β ∗ MinD ( α 、 β 均为正常数) 的簇中的特征节点组成候
选集。 3.2 细分类
欧氏距离分类器具有许多不足之处，它只使用了特征的 一阶统计量，刻画模式在特征空间中分布的能力很有限，只 有当各模式类别在特征空间都聚成球状并且等方差分布的情 况下才能获得良好的分类效果。如果能适当利用特征的二阶 统计特性，那么既可以保留其设计简单、计算开销小的优 点，又可以提高分类能力。为此，我们提出了一种带偏差欧 氏距离EDD (Euclidean Distance with Deviation)分类器。
其中， σ k 是该类别字符特征向量的第 k 个分量的均方差，
θ 是一个常数。式 (2) 的一个最重要的特性是在欧氏距离中 引入了字符特征的二阶统计量，对特征的每一维，凡是在数
值上小于θ ⋅σ k 的都被忽略了，使得分类器对特征在空间的
分布具有一定的刻画能力。实验结果也证明了这种带偏差的 欧氏距离比简单的欧氏距离分类器具有更好的性能，无论在 训练集合还是在测试集上，误识率都有相当程度的下降。
2 特征抽取
方向线素作为一种行之有效的汉字特征而被广泛运用于 各类汉字识别中，取得了良好的效果。究其原因，汉字是由 十几种不同的笔划组成的，而构成笔划的基本单元是横、 竖、撇、捺，汉字可由这些基本单元的类别、数量及其在空 间的相对位置唯一确定。方向线素特征很好地描述了一个汉 字在它所占的空间的不同位置横、竖、撇、捺4种基本单元 的数量关系，从而全面、准确、稳定地代表了该汉字的组成 信息[4]。
定，它至少可以使得受污损部分的外边缘得以保留。
(a)输入字符 (b)归一化后的字符 (c)字符轮廓 图2 字符轮廓的提取
(2) 分块和特征矢量的构成[2] 对于字符轮廓点阵中的每一个黑像素，根据它与直接相 邻的另外两个黑像素的位置关系，赋予它 0 ° 、90 ° 、 45°、135°（分别对应于汉字的横、竖、撇、捺）4种方 向线素。若此3个黑像素在同一直线上，则只给中心像素分 配一种线素特征并赋值为2；若3个黑像素不在同一直线上， 则给中心像素同时分配两种线素特征且均赋值为1。依此法 对字符轮廓中的各黑像素进行线素特征的分配。 完成上述工作以后，将48×96的点阵分成6×12 个16 × 16的子区域，每个子区域跟相邻的子区域之间有8个像素的 重合。然后，将每个子区域划分成互相嵌套的、大小分别为 16×16、12×12、8×8、4×4的A、B、C、D4个方块，如 图3所示。
本文借鉴汉字识别的方法和技术[1]，将方向线素特征引 入藏文字符识别中，设计了一种多字体多字号的印刷体现代 藏文字符识别方法，在训练集和测试集上都取得了很好的识 别结果，表明了该方法的有效性。
1 藏文字符简介
藏文是一种以辅音字母为主要部件组成的拼音文字，左 右拼写、上下叠加，既不同于西文，也有别于汉字。藏文以 音节为构词单位，音节拼写的每一个横向基本单位称为一个 字丁，图1为一个4字丁音节。虽然现代藏文的字母数并不多 (30个辅音字母和4个元音字母)，但由于音节的拼写同时具 有横向性和纵向性，从字丁中分离字母非常困难。所以，藏 文字符识别无法以其它拼音文字识别中常用的单个字母为单 位，而应以字丁为基本的识别单位。现代藏文共有592个字 丁，远多于一般拼音文字的字符数量。常用印刷藏文字体有 5~6种，不同字体的同一字丁的笔划粗细、长短、位置及姿 态都有相当的差异，各部件的大小、比例、位置也各有不 同。藏文中的相似字比例比汉字更高，在592个字丁中，仅 元音部分略有差异，其余部分完全相同的字丁共有100 对[3] , 因其它情况导致字丁相似的现象也很普遍。字丁数量大、字 型结构复杂、字体种类多、相似字比例高是藏文识别的难点 所在。
input character. The recognition rates on training set and test set reach 99.73% and 99.44%, respectively. The experimental results show the validity of
表1给出了训练集和测试集上的识别结果，为了比较 性能，同时也给出了简单欧氏距离分类器的识别结果。从表 中可以看出，本文提出的基于方向线素特征的藏文字符识别 方法取得了很好的识别性能，在测试集和训练集上的识别率 分别达到99.73%和99.44%。另外，就训练集和测试集上的 误识率而言，使用带偏差的欧氏距离分类器比简单欧氏距离 分类器分别降低了37%和33%，表明了前者的分类能力较后 者有很大增强。
下面分两个步骤来抽取藏文字符的方向线素特征。 (1) 提取字符轮廓 输入字符首先被归一化为48×96的点阵，然后提取字 符的轮廓线。方法是扫描整个字符点阵对于某个位置的黑像 素，如果它的8 邻域中黑像素的个数大于2 ，则保留该黑像 素，否则将字符点阵在该位置的值改为0。图2是一个字符轮 廓的示例。 特征矢量也可以从字符的骨架中提取，这需要对字符点 阵做细化[5]。但输入字符中包含相当多受各种噪声干扰产生 的局部断裂、粘连等情况，对它们提取骨架往往会失去这些 受污损部位的重要信息。而在方向的线素数量。从上式可见，越是靠 近子区域中心部分的像素的特征在整个子区域特征中所占的
分量越大，这样有利于减少由于图像中像素位置的变化带来
的负面影响。从每个子区域都可得到一个4维特征向量，将 所有子区域的特征向量按顺序排列在一起组成的288(6×12 ×4)维特征向量，就得到表示该字符的方向线素特征。
藏文是拼音文字，没有汉字中的各种部首、笔划的称 谓。但藏文字丁是由辅音字母或辅音字母与元音字母叠加而 成的组合体，字母就是构成字丁的部件。而部件则是由笔划 组成的，各部件中笔划之间的连接关系是固定不变的。因 此，每个藏文字丁都有特定的结构，并且这种结构特征可以 从层次、局部和细节3个方面反映出来[3]，而方向线素正是 刻画这些结构特征的有效手段。
extracted from the normalized input character to formulate feature vector. Then two-stage classification strategy is adopted to determine the category of
而欧氏距离是常用的距离度量，在字符识别中得到了广泛的
应用。所以，我们采用多模板欧氏距离分类器来对藏文字符
进行分类。同时为了减少识别时间，采取粗、细两级分类的 识别策略。 3.1 粗分类
将训练生成的特征节点用K-均值方法聚类成数量比较少 的 Q个簇，使各簇中所含的节点数基本上相等，簇的特征用 它所包含的节点特征的均值向量来表示。采用欧氏距离分类 器，选出合适的L(0 <L≤ Q ）个簇，将这些簇中的特征节 点组成候选字符集，送入下一级分类器。L 的值并不固定， 而是根据待识别字符特征与类别特征之间的关系确定。例
—18—