图像特征提取与分析讲义1
图像特征提取与分析复习资料
图像分割概念：图像分割就是把图像分成各特性的区域并提取出感兴趣目标的技术和过程。
这些区域互相不交叉，每一个区域都满足特定区域的一致性。
医学图像的特点:成像设备的局限性、组织的蠕动-----伪影和噪声局部体效应------组织边缘模糊 病变组织---------病变边缘不明确 不均匀的组织器官-------灰度不均匀 模糊、不均匀、个体差异、复杂多样 医学图像分割方法的特点1、分割算法一般面向具体的分割任务，没有通用的方法2、重视多种分割算法的有效结合3、需要利用医学中大量领域的知识4、交互式分割方法受到日益重视 图像分割算法基于区域的分割方法 基于边缘的分割方法基于数学形态学的分割方法灰度阈值法:灰度值域法是把图像的灰度分成不同的等级,然后用设置灰度阈值的方法确定有意义的区域或分割物体的边界.阈值的选取:1直方图法（极小值点阈值） 2 最小误差阈值 3 迭代阈值分割 4 最大方差阈值分割边缘检测（Edge Detection ）:基本思想是先检测图像中的边缘点，再按照某种策略将边缘沿点连接成轮廓，从而构成分割区域。
边缘：指图像局部亮度变化显著的部分.边缘的检测方法:最简单的边缘检测方法是并行微分算子法。
利用相邻区域的像素值不连续的性质，采用一阶或二阶导数来检测边缘点。
一阶导数求极值点，二阶导数求过零点。
一阶 梯度算子:Roberts 交叉算子 Sobel 算子 Priwitt 算子 二阶 拉普拉斯算子:在此基础上LoG 算子 Canny 算子 :推导了最优边缘检测算子 区域生长(region growing)基本思想：将具有相似性质的像素集合起来构成区域。
具体步骤：先对每个需要分割的区域找一个种子象素作为生长的起点，然后将种子象素周围邻域中与种子象素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子象素所在的区域中。
将这些新象素当作新的种子象素继续进行上面的过程，直到在没有满足条件的像素可被包括进来。
数字影像的特征提取与定位课件
实验一：小波变换特征提取实验
小波变换理论
小波变换是一种信号分析方法， 能够将时域信号转换为频域信号
，适用于分析图像的特征。
实验步骤
在小波变换理论的基础上，通过 MATLAB软件实现小波变换特征 提取实验，包括图像的多尺度分 解、小波系数计算、特征提取等
步骤。
实验结果
通过对比不同尺度下的小波系数 和提取的特征，可以观察到图像 在不同尺度下的细节和特征表现
。
实验二：傅里叶变换特征提取实验
傅里叶变换理论
傅里叶变换是一种将时域信号转换为频域信号的方法，适用于分析 图像的特征。
实验步骤
在傅里叶变换理论的基础上，通过MATLAB软件实现傅里叶变换特 征提取实验，包括图像的傅里叶变换、滤波处理、特征提取等步骤 。
实验结果
通过对比滤波处理后的傅里叶频谱和提取的特征，可以观察到图像在 不同频率下的特征表现。
实验三：机器学习特征提取实验
机器学习理论
机器学习是一种通过训练数据自动提取特征的方法，适用于分类 、回归等任务。
实验步骤
在机器学习理论的基础上，通过Python软件实现机器学习特征提 取实验，包括数据预处理、模型训练、特征提取等步骤。
实验结果
通过对比不同模型下的特征提取结果，可以观察到机器学习模型对 图像特征的提取能力。
方法
常见的图像配准方法包括 基于灰度、基于特征、基 于变换域等。
基于特征匹配的定位技术
定义
特征匹配是一种通过提取 图像中的特征信息，然后 在另一幅图像中寻找相同 或相似特征的匹配过程。
过程
特征匹配通常包括特征提 取、特征匹配、变换模型 估计、图像变换与重采样 等步骤。
图像特征提取与分析
➢ 彩色图像变这换里，成m灰ax=度255。图像的公式为：
可编辑ppt
10
8.3 形状特征描述
➢ 形状特征描述是在提取图像中的各目标形状特征 基础上，对其进行表示。它是进行图像识别和理 解的基础。
➢ 图像经过边缘提取和图像分割等操作，就会得到 景物的边缘和区域，也就获得了景物的形状。
➢ 任何一个景物形状特征均可由其集合属性（如长 短、面积、距离、凹凸等）和统计属性（连通、 欧拉数）来进行描述。
邻域与邻接
互为4-邻域的两像素叫4-邻接。
互为8-邻域的两像素叫8-邻接。
可编辑ppt
13
像素的连接
对于图像中具有相同值的两个像素A和B，如果所有和A、B具有相
同值的像素序列
存在，并且 和 互为4-邻
接或8-邻接，那么像素和叫做4-连接或8-连接，以上的像素序列叫4-路
径或8-路径。
像素的可编连辑p接pt
➢ 凸图形的凸闭包就是它本身。从凸闭包除去原始图形的部分后，所产生 的图形的位置和形状将成为形状特征分析的重要线索。凹形面积可将凸 封闭包减去凹形得到。
对区域内提取形状特征。 1.欧拉数
✓ 图像的欧拉数是图像的拓扑特性之—，它表明了图像的连通性。下图 (a)的图形有一个连接成分和一个孔，所以它的欧拉数为0，而下图（b） 有一个连接成分和两个孔，所以它的欧拉数为-1。
✓ 可见通过欧拉数可用于目标识别。
可编辑ppt
17
具有欧拉数为0和-1的图形
✓ 用线段表示的区域，可根据欧拉数来描述。如下图中的多边形网，把这
14
连接成分
在图像中，把互相连接的像素的集合汇集为一组，于是具有若干个0值 的像素和具有若干个l值的像素的组就产生了。把这些组叫做连接成分， 也称作连通成分。
图像特征提取与分析PPT文档52页
▪
29、勇猛、大胆和坚定的决心能够抵得上武器的精良。——达·芬奇
▪
30、意志是一个强壮的盲人，倚靠在明眼的跛子肩上。——叔本华
谢谢！
52
图像特征提取与分析
1、战鼓一响，法律无声。——英国 2、任何法律的根本；不，不成文法本 身就是 讲道理 ……法 律，也 ----即 明示道 理。— —爱·科 克
3、法律是最保险的头盔。——爱·科 克 4、一个国家如果纲纪不正，其国风一 定颓败 。—— 塞内加 5、法律不能使人人平等，但是在法律 面前人 人是平 等的。 ——波 洛克
▪
26、要使整个人生都过得舒适、愉快，这是不可能的，因为人类必须具备一种能应付逆境的态度。——卢梭
▪
27、只有把抱怨环境的心情，化为上进的力量，才是成功的保证。——罗者不如乐之者。——孔子
8. 图像特征提取与分析
8.2 边界特征的表征——链码
• 决定链码的几个因素
1）起点： 为保持其旋转不变性，通常要选择一个与图像位置和旋转角 度无关的确定方法，例如到目标质心距离最远的点。 2）行进方向 顺时针，或者逆时针。 3）尺度 目标的尺度决定了链码的长度，可以通过降采样的方法来实 现链码的尺度不变性。
8.2 边界特征的表征——链码
1）确定阶数n 2）构造边界B的基本矩形S(B) 3）构造一个阶数为n且其离心率与S(B)最为相似的矩形栅格阵列，使其包 含边界B 4）在此矩形栅格阵列中对B进行降采样，计算其阶数nd。若nd<n，则减小 n，重复步骤3)~4)，直至nd=n。 5）计算最终降采样结果的形状数。
8.3 边界特征的描述——形状数
8.3 边界特征的描述——傅里叶描述子
8.3 边界特征的描述——傅里叶描述子
• 傅里叶描述子的不变性
变换 原函数 旋转 平移 尺度 起点 边界 傅里叶描述子
s(k)
a(u)
sr(k) = s(k)ejµ st(k) = s(k)+ ± xy ss(k) = ® s(k)
sp (k) = s(k ¡ k0 )
• 标记图是一种将边界二维坐标转换为一维函数的方法，最常 用的算法是将边界点到目标质心的距离作为对应角度的函数。
8.2 边界特征的表征——标记图
• 标记图的不变性：
• 平移不变性：标记图函数生成总是以目标的质心为原点； • 尺度不变性：标记图函数归一化（方差归一化或线性压缩置 区间[0 1]）将产生尺度不变性； • 旋转不变性：选择从质心到具有某种特性的起点的射线方向 作为0度角方向，可以产生旋转不变性。
第八章 图像特征提取与分析
• • • • • 8.1 基本概念 8.2 边界特征的表征 8.3 边界特征的描述 8.4 区域特征的表征与描述 8.5 子空间方法
最新视频图像处理第十讲特征提取01幻灯片课件
形状描绘子
b
3
c 4
2
1a
0
5
7 6
0
ef
d
g
边界链码
2 0 6 4 2
0a b c d e f g p
边界链码包括起始点的坐标，以及确定走向 的编码顺序。
25
图像特征的提取
形状描绘子
生成边界链码，需要用边界跟踪技术。 用边界链码存储物体的形状特征，只用一个 起始点的坐标和每个边界点的3比特信息。 大大节省了存储空间。适合目标识别。
6
图像几何特征的提取
几何测量
计算面积：
—统计边界内部 （包括边界上）
的像元数。
2Δ Δ
多边形 的周长
—各顶点与内部 任意一点的连 线组成的全部 三角形的面积 之和。
N
A=0.5 (xiyi+1 - xi+1yi) i=1
7
图像几何特征的提取
几何测量
根据Green定理: 在x,y平面中的一个闭合曲线 包围的面积A由其轮廓积分给定：
y c
a
d
b x
L = ab W = cd
9
图像几何特征的提取
几何测量
实际目标轮廓并不容易计算，通常是计算 物体二值化后在水平和垂直两个方向的跨 度。
y
yc
yd xa
L = xaxb W = ycyd
x
xb
10
图像几何特征的提取
几何测量
4.1.3 形心、质心（重心、矩心）
把目标图像看成一块密度均匀的薄板，求出的 重心叫做目标图像的形心。
0 01 1 0 0 00 0 0
对于更复杂的形体G比C的分辨力更强。
19
图像特征提取及描述算法分析
图像特征提取及描述算法分析图像特征提取及描述算法是计算机视觉领域的核心内容之一，其在图像处理、模式识别和计算机视觉任务中扮演着重要的角色。
本文将分析一些常用的图像特征提取及描述算法，包括边缘检测、角点检测、尺度不变特征变换（SIFT）和高级表观算子（HOG），以及它们在实际应用中的优缺点。
边缘检测是图像处理中常用的特征提取方法之一。
边缘是图像中灰度变化最明显的地方，通常包含了物体的轮廓和纹理信息。
常用的边缘检测算法有Sobel算子、Prewitt算子和Canny边缘检测算法。
Sobel算子和Prewitt算子是基于局部差分的算法，通过计算像素点邻域内灰度值的差异来检测边缘。
Canny边缘检测算法在Sobel算子的基础上添加了非最大抑制和双阈值处理，能够在减少噪声的同时保留重要的边缘信息。
边缘检测算法在许多图像处理和计算机视觉任务中都有广泛的应用，例如目标检测、图像分割和图像识别等。
角点检测是另一种常用的图像特征提取算法，它主要用于寻找图像中的角点或感兴趣点。
角点是图像中两条或多条边缘相交的地方，通常具有良好的鲁棒性和唯一性。
常用的角点检测算法有SIFT算法、Harris角点检测算法和FAST角点检测算法。
SIFT算法通过在不同尺度空间上进行高斯模糊和建立尺度空间极值点来寻找图像中的关键点。
Harris角点检测算法基于图像灰度的变化率来检测角点，通过计算图像的梯度和结构矩阵的特征值来判断像素点是否为角点。
FAST角点检测算法则是通过快速的像素比较来寻找图像中的角点。
角点检测算法在图像配准、目标跟踪和三维重建等领域有广泛的应用。
尺度不变特征变换（SIFT）是一种用于图像特征提取和描述的经典算法。
SIFT 算法通过在不同尺度空间上构建高斯金字塔和相对梯度直方图来提取图像的局部不变特征。
SIFT特征具有旋转不变性和尺度不变性，能够在不同角度和尺度下描述同一物体的特征。
SIFT算法在目标识别、图像匹配和三维重建等领域有广泛的应用。
图像处理中的特征提取与分析方法
图像处理中的特征提取与分析方法图像处理是一门涉及计算机视觉、模式识别等领域的重要学科，其目的是通过对图像进行各种处理和分析，从而获得图像中的有用信息。
在图像处理的过程中，特征提取与分析方法是非常关键的步骤。
本文将介绍图像处理中常用的特征提取与分析方法。
特征提取是将原始图像数据转换为能够更好地表示目标对象或区分不同对象的特征向量的过程。
常用的特征包括颜色、纹理、形状等。
下面将依次介绍这些特征的提取方法。
首先是颜色特征的提取。
颜色是图像中最直观的特征之一，可以用来区分不同的物体或区域。
常用的颜色特征提取方法包括颜色直方图、颜色矩和颜色统计。
颜色直方图统计图像中每个像素在不同颜色通道上的出现次数，可以用来描述图像的颜色分布特征。
颜色矩是对颜色直方图的高阶统计，可以更准确地描述图像的颜色分布。
颜色统计则是对颜色在图像上的分布进行统计，可以反映出不同颜色区域的相对比例。
其次是纹理特征的提取。
纹理是由一定的形状、大小和排列方式组成的，可以用来描述物体的表面属性。
常用的纹理特征提取方法包括灰度共生矩阵、小波变换和局部二值模式。
灰度共生矩阵统计了图像中不同像素灰度级别相邻纹理特征的分布情况，可以用来描述图像的纹理信息。
小波变换是一种多尺度分析方法，可以将图像分解成不同频率和方向的子图像，从而提取出具有不同纹理特征的子图像。
局部二值模式则是通过比较像素点与其邻域像素点之间的灰度差异来描述图像的纹理特征。
最后是形状特征的提取。
形状是物体在图像中的几何结构，可以用来描述物体的轮廓和边界。
常用的形状特征提取方法包括边缘检测、轮廓提取和形状描述子。
边缘检测可以将物体与背景之间的边界提取出来，常用的边缘检测算法包括Canny边缘检测和Sobel边缘检测。
轮廓提取可以通过将图像二值化后，提取出物体的轮廓信息，常用的轮廓提取算法包括边缘追踪和形态学操作。
形状描述子则是对物体轮廓进行数学描述，常用的形状描述子包括傅里叶描述子和Zernike描述子。
图像特征提取完整版
图像特征提取HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】图像特征提取方法特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征，其结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
常用的图像特征有颜色特征、纹理特征、形状特征和空间关系特征。
图1.图像特征分类及其方法一、颜色特征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。
常用的特征提取与匹配方法有5种：颜色矩、颜色直方图、颜色集、颜色聚合向量、颜色相关图。
（1）颜色矩颜色矩是一种简单而有效的颜色特征，其数学基础是图像中的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，与颜色直方图相比，该方法的另一个好处是无须对特征进行量化。
一阶矩：二阶矩：三阶矩：一阶：颜色分量的平均强度；二、三阶：方差和偏移度。
图像的颜色矩一共有九个分量，每个颜色通道均有三个低阶矩。
颜色矩仅仅使用少数几个矩，从而导致过多的虚警，因此颜色矩常和其他特征结合使用。
（2）颜色直方图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。
但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。
直方图中的数值都是统计而来，描述了该图像中关于颜色的数量特征，可以反映图像颜色的统计分布和基本色调。
颜色直方图可以分为三类，分别为：全局直方图、累加直方图、主色调直方图。
医学影像数据的特征提取与分析
医学影像数据的特征提取与分析近年来，随着医学成像技术的不断进步，医学影像数据已成为医学领域中最重要的信息来源之一。
医学影像数据包含了大量的患者的生理学信息和疾病病理学信息，如何从这些数据中有效地提取特征和分析数据已成为医学影像处理中的重要研究方向。
医学影像数据的特征提取是一个关键问题。
特征提取是指从原始数据中提取出具有代表性和区分性的特征数据，并将其转化为可用于分类、诊断等任务的信息。
目前，常用的医学影像特征包括形态学、灰度共生矩阵、小波变换、纹理特征等。
这些特征提取方法可以使医生从众多影像数据中提取出关键信息，弥补了医生繁琐而易错的手动测量。
形态学特征是根据医学影像数据的形状和位置信息来提取的。
例如，肿瘤的大小、形状和位置等特征对于诊断和治疗有很大的意义。
常用的形态学特征包括面积、周长、长宽比、偏心率等。
形态学特征对于结构准确的轮廓边缘特别敏感，因此对于分割不准确的影像数据使用需要谨慎。
灰度共生矩阵是根据灰度运动规律来提取特征的。
灰度共生矩阵是一种数学工具，它可以描述像素之间的关系。
常用的灰度共生矩阵特征包括对比度、角度、能量和熵等。
灰度共生矩阵特征可以反映出医学影像的灰度分布情况，因此对于灰度分布特征明显的医学影像数据有重要意义。
小波变换是一种数学工具，它可以将信号分解成不同尺度的分量。
小波变换可以在时间、频率和空间域中提取特征。
小波变换不仅可以用于图像处理，也可以用于信号处理、数据压缩等领域。
小波变换特征可用于同步瞬态检测、分析图像和声音的边缘等。
小波变换在医学影像处理中的应用主要集中在图像滤波和分割。
纹理特征是根据医学影像的纹理来提取特征的。
通常，影像的纹理是由多个尺度的细节组成。
纹理特征可以用于描述影像的纹理特性，如平滑，草叶，斑块等。
常用的纹理特征包括灰度共生矩阵、灰度共生权重等。
纹理特征提取通常需要大量的计算量，因此通常需要配合分步计算和并行处理。
医学影像数据的特征分析是指从提取出的特征数据中获取有用的信息并进行定量分析。
- 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)。
图像特征提取
HOG特征提取实现过程
HOG特征提取方法就是将一个图片（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）， 归一化； 2）计算图像每个像素的梯度（包括大小和方向）； 3）将图像划分成小cells（例如6x6像素/cell）； 4）统计每个cell的梯度直方图（不同梯度的个数），即 可形成每个cell的描述特征； 5）将每几个cell组成一个block（例如3x3个cell/block）， 一个block内所有cell的特征串联起来便得到该block的HO G特征。 6）将图像内的所有block的HOG特征串联起来就可以得 到该image（你要检测的目标）的HOG特征了。这个就是 最终的可供分类使用的特征向量了。
LBP码
图像特征提取
LBP主要思想
以某一点与其邻域像素的相对灰度作为响应，正是这种相对机制使 LBP算子对于单调的灰度变化 具有不变性。 人脸图像常常会受到光照因素的影响而产生灰度变化，但在一个局部区域内，这种变化常常可以 被视为是单调的，因此LBP在光照不均的人脸识别应用中也取得了很好的效果。
图像特征提取
LBP的改进版本：
（1）圆形LBP算子 基本的 LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同 尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，并达到灰度和旋转不变性的要求，研究 人员用圆形邻域代替了正方形邻域，改进后的 LBP 算子允许在半径为 R 的圆形邻域内有P个采样 点。不在像素中心位置的点通过双线性插值确定其值。
图像特征提取与分析讲义
图像特征提取
计算机不认识图像，只认识数字
12 11 10 9 23 … 8 28 34 93 12
9 20 13 35 2 … 9 23 53 29 10
11 13 17 9 23 … 11 80 23 23 12
……………………………
11 11 10 9 23 … 8 27 23 13 12
图像特征提取
LBP（Local Binary Patterns, 局部二值模式）
原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其 进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3 邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到 该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。如下图所示：
HOG特征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。 （1）主要思想：
在一副图像中，局部目标的表象和形状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）实现方法：
原图
初始LBP算子 圆形LBP算子
图像特征提取
LBP的改进版本：
（2）LBP旋转不变模式 从 LBP 的定义可以看出，LBP 算子是灰度不变的，但却不是旋转不变的。图像的旋转就会得到不 同的 LBP值。 研究人员又将 LBP算子进行了扩展，提出了具有旋转不变性的 LBP 算子，即不断旋转圆形邻域得 到一系列初始定义的 LBP值，取其最小值作为该邻域的 LBP 值。
（1， 1， 1）
耳朵 胡须 爪子
（1， 0， 1）
图像特征提取
常见图像底层特征提取算法
基于颜色特征：如颜色直方图、颜色集、颜色矩、颜色聚合向量等； 基于纹理特征：如Tamura纹理特征、自回归纹理模型、Gabor变换、小波变换、MPEG7边缘直方图等； 基于形状特征：如傅立叶形状描述符、不变矩、小 53 27 15
R
12 11 10 9 23 … 95 23 23 33 11
G
B
提取有用的数据或信息，得到图像的 “非图像” 的表示或描述
数值、向量和符号等
图像特征提取
图像特征的定义
图像特征可以定义为某一张或一类图像区别于 其他图像的相应本质特点或特性的表示及描述， 以及这些描述的集合。
图像特征提取
计算图像梯度
图像特征提取
构建梯度直方图
构建梯度直方图的目的是为局部图像区域提供一个编码，同时能够保持对图像中对象的姿势和外 观的弱敏感性。 我们将图像分成若干个“单元格cell”（例如6x6像素/cell）。假设我们采用9个bin的直方图来统计这 6x6个像素的梯度信息。也就是将cell的梯度方向360度分成9个方向块，如图所示：如果这个像素 的梯度方向是20-40度，直方图第2个bin的计数就加对应梯度大小的权值，这样，对cell内每个像 素映射到固定的角度范围，就可以得到这个cell的梯度方向直方图了，就是该cell对应的9维特征向 量（因为有9个bin）。
颜色直方图
《数字图像处理》 拉斐尔C.冈萨雷斯，理查德 E.伍兹 Gonzalez R C, Woods R E. Digital image processing[J]. 2012.
图像特征提取
常见图像应用特征提取算法 LBP（Local Binary Patterns, 局部二值模式） 纹理分类、人脸分析 HOG（Histogram of Oriented Gradient, 方向梯度直方图） 行人检测、DPM（目标检测算法） Haar-like 特征 人脸表示、人脸识别
特征提取的一般原则
为了识别出某图像所属的类别，选取的特征不仅要能 够很好地描述图像， 更重要的是还要能够很好地区分不 同类别的图像。我们希望选择那些在同类图像之间差异较 小（较小的类内距），在不同类别的图像之间差异较大 （较大的类间距）的图像特征。
耳朵 胡须 爪子
（1， 1， 1）
耳朵 胡须 爪子
图中算子下方的数字表示该算子对应 的 LBP值，图中所示的 8 种 LBP模式， 经过旋转不变的处理，最终得到的具 有旋转不变性的 LBP值为 15。也就是 说，图中的 8种 LBP 模式对应的旋转 不变的 LBP模式都是00001111
图像特征提取
HOG（Histogram of Oriented Gradient, 方向梯度直方图）