创建特征向量来对空中图像中的片段进行分类。

Question

我正在做一个项目，对空气图像进行分割，并对每个片段进行分类。由于图像很大，面积也很大，所以我决定采用分割和合并算法进行分割。

​

​

(左边是原始图像，右边是分段图像，每个片段用其RGB平均值多亏了这个答案表示)

对于分类，我想使用一个SVM分类器(我以前在两个项目中经常使用它)和一个特征向量。一开始，我只想使用五个类:水、植被、积木面积、沙丘和异常--现在我在想，我可以在这个特征向量中加入什么：

• 分段的平均RGB值
• 纹理特征(但我可以用一个值表示段的纹理吗？)
• 源图像中的位置(可能带有一个表示左、右或中间的值？)
• 分段的大小(水段应该比建筑面积大得多)
• 段的第四个邻域的平均RGB值。

有没有人做过这样的事情，并能给我一些建议，我可以把哪些有用的东西放在特征向量中呢？有人能给我一个建议，我怎样才能正确地表示片段中的纹理？

谢谢你的帮助。

Answer 1

与拆分和合并算法不同，您还可以使用超像素。有几种快速易用的超像素算法可用(有些甚至在最近的OpenCV版本实现)。仅举一个视图的例子：

• 小型流域(见此处：ICPR.pdf)
• preSLIC和SLIC (见此处：ICPR.pdf和Superpixels.pdf)
• 种子(见此处：https://arxiv.org/abs/1309.3848)
• ERGC (见此处：https://sites.google.com/site/pierrebuyssens/code/ergc)

考虑到超像素分割，您可以计算大量的特征，以便对它们进行分类：

• 在自动照片弹出表1，Hoiem等人。考虑以下特征:平均RGB颜色，平均HSV颜色，颜色直方图，饱和度直方图，文本，面向差异的高斯导数滤波器，平均x和y位置，面积，.
• 载于从单个图像中恢复遮挡边界，Hoiem等人。请考虑表1中上述列表中的一些附加特性。
• 载于SuperParsing:具有超像素的可伸缩非参数图像解析，Tighe等人。此外，考虑SIFT直方图，掩模减少了8x8的图像，赏金框形状，和颜色缩略图。
• 载于基于超像素邻域的类分割和对象定位，Fulkerson等人。还可以考虑邻近超像素的特征。

基于超级像素，您仍然可以应用一个简单的合并方案，以减少超像素的数量。按颜色直方图进行简单合并对您的任务可能已经很有用了。否则，您还可以在超像素之间使用边缘信息进行合并。

Answer 2

你不需要把自己限制在一个特征向量上。您可以尝试多个特征向量(从您已经拥有的列表中)，并将它们提供给基于多内核学习(MKL)的分类器。MKL已经证明了通过一种单一的特性方法来提高性能，我最喜欢的MKL技术之一是VBpMKL。

如果您有时间，我建议您尝试以下一个或多个特性，这些功能可以捕捉到感兴趣的特性：

• Haralick纹理特征
• 面向直方图的梯度特征
• Gabor滤波器
• 筛
• 贴片RGB意味着