特征提取的案例
計算機視覺中的傳統特征提取方法總結
t=http://blog.csdn.net/DuinoDu/article/details/51981327
Conclusion
SIFT / HOG 不同點：SIFT提取的關鍵點是角點，HOG提取的是邊緣特征。
傳統特征提取 / CNN特征提取不同點：
傳統特征提取方法的檢測算子一般是人為設計好的，是經過大量的先驗知識總結得到的；CNN特征提取相當于在訓練一個個filter（過濾器、卷積核），這些filter相當于傳統特征提取方法中的檢測算子。因此，CNN特征提取是利用神經網絡的自主學習得到的。
展開 基于Matlab的纖維圖像特征提取與自動分類程序實現
關鍵詞：Matlab；GUI界面；App Designer；圖像分類；特征提取；
背景
纖維圖像特征提取與分類是一個涉及圖像處理和模式識別的領域，它在材料科學、紡織工程、生物醫學成像以及任何需要對纖維結構進行分析的領域都有廣泛的應用。纖維可能重疊、交叉或糾纏在一起，使得分割和特征提取變得復雜。不同類型的纖維具有不同的特性，需要開發能夠適應這種多樣性的算法。自動化纖維圖像的分析過程，減少人工干預，提高效率和準確性。
圖像獲取：纖維圖像通常通過顯微鏡（如光學顯微鏡、電子顯微鏡或共聚焦顯微鏡）獲取。圖像可以是二維的，也可以是三維的，取決于顯微鏡的類型和成像技術。圖像預處理：由于實際獲取的圖像可能包含噪聲、模糊、對比度不足等問題，因此需要進行預處理以提高圖像質量。預處理步驟可能包括去噪、對比度增強、二值化、濾波等。圖像分割：圖像分割是將圖像中的纖維與背景分離的過程。可以使用閾值分割、邊緣檢測、區域生長或更高級的機器學習方法來實現。特征提取：特征提取是從分割后的纖維圖像中提取有助于分類的定量屬性。常見的特征包括纖維的長度、寬度、彎曲度、紋理、方向等。圖像分類：分類是根據提取的特征將纖維圖像分配到不同的類別中。可以使用傳統的機器學習算法（如支持向量機、決策樹、隨機森林）或深度學習方法（如卷積神經網絡）進行分類。應用領域：紡織工業，用于評估纖維的質量，如強度、柔軟度和耐久性。生物醫學，在組織工程中分析細胞外基質的纖維結構。材料科學，研究復合材料中的纖維排列和取向。法醫學，通過分析纖維來輔助犯罪現場調查。
圖1 天然纖維分類
Harris特征點檢測
Harris角點檢測算法是一種在計算機視覺中用于識別圖像角點的流行技術。角點是圖像中兩條邊緣或邊界的交點，它們在圖像分析中扮演著關鍵角色，因為它們通常標志著物體的角落或邊界的轉折點。
展開 淺析什么是數據分析的特征提取
淺析什么是數據分析的特征提取
在機械故障診斷及壽命預測中，我們都會提到設備的特征頻率提取，那么通俗的講特征提取是什么意思呢？
01
PART
機械故障診斷以及壽命預測中的特征提取是實現故障診斷和壽命預測的重要環節。不論是故障診斷還是壽命預測，都是根據一定的特征進行的判斷，而這些特征提取是指的是什么就需要先從故障以及壽命預測的基本定義上尋找源頭。
根據JISC的定義，所謂故障，即對象（系統及其零部件）喪失規定功能的狀態。
一般而言，故障包含兩種狀態：
第一、 引起對象（系統及其零部件）馬上丟失其性能的破壞性故障；
第二、 與設備性能降低有關的性能性故障。
第一種故障狀態是設備功能的丟失，即設備完全失去性能，不能用了；第二種故障狀態是指設備功能的部分喪失，或者說是功能的降低，但依然可以使用。用健康管理的常用名詞來講就是“亞健康”狀態。
綜上，第一種狀態是設備生命周期的終結，也就是設備到達壽命了。此時的壽命可能是正常壽命（大于等于預期壽命），也可能是非正常壽命（提前失效等）；
第二種故障是“病態”或者是“病而未死”的狀態，如果不處理可能就會發展到第一種狀態。
因此當我們察覺到第二種狀態，并通過這種狀態來“預測”設備未來還有“多久”達到第一種狀態，就是常說的壽命預測，而這個“多久”則是“剩（殘）余壽命”。
闡明機械故障以及壽命預測的含義，有助于了解如何提取特征。
不論是故障還是對故障的預判（壽命預測），首先都需要對設備當前的狀態進行觀察。
展開 53基于matlab的Tamura紋理特征提取 ￥44.9
基于matlab的Tamura紋理特征提取，包括粗糙度、對比度、方向度、線性度、規則度、粗糙度六種，可替換自己的數據進行特征提取。程序已調通，可直接運行。
257 基于matlab的正態云模型花卉特征提取 ￥15.9
基于matlab的正態云模型花卉特征提取，用正向正態云發生器和逆向正態云發生器來模擬花卉的部分特征提取。程序已調通，可直接運行。
轉子復合碰摩故障特征提取實驗研究
轉子復合碰摩故障特征提取實驗研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-12 22:02:04被malong評為3星級，為發貼者加分60。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
轉子復合碰摩故障特征提取實驗研究.pdf
轉子復合碰摩故障特征提取實驗研究
轉子復合碰摩故障特征提取實驗研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 07:51:02被malong評為5星級，為發貼者加分100。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
轉子復合碰摩故障特征提取實驗研究.pdf
基于高級統計量的碰摩不對中故障特征提取
基于高級統計量的碰摩不對中故障特征提取<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 15:55:00被malong評為4星級，為發貼者加分80。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
基于高級統計量的碰摩不對中故障特征提取.pdf
Abaqus中的特征值提取
在ABAQUS中tigong了三種提取特征值的求解器：AMS (Automatic Multi-level Substructuring) 求解器、Lanczos特征值求解器和子空間迭代求解器。Lanczos特征值求解器是默認的方法。
AMS特征值求解器是一種高效的，針對大規模問題的能提取大量特征值的方法，主要適用于1百萬自由度以上的模型及500階模態以上。
它包含3個求解步驟：
（1）生成子結構；
（2）獲得特征值；
（3）從縮減的向量中獲得全部特征向量。在Abaqus中采用AMS特征值求解器的句法（提取100階頻率）
*STEP
*FREQUENCY,ELGENSOLVER=AMS
,,100
對于傳統的結構，Lanczos是默認的特征值提取方法。然而對于大規模問題，相比AMS方法，Lanczos方法效率較低。使用Lanczos方法，可以指定最大頻率的提取或提取的頻率數量，也可以指定最小頻率的提取。Lanczos特征值求解器允許計算到特征值真正的誤差限制時才終止，可以滿足正常的終止原則。對于多數問題，相對誤差為1.E-12數量級，因此Lanczos求解器的計算結果精度一般要比子空間迭代法高。而子空間迭代法的終止條件是通過判斷從這一次迭代到下一次迭代過程中特征值的相對變化來實現的，如果相對變化小于1.E-5則認為已經收斂，結束計算。
abaqus中的特征值提取.pdf
展開 小波變換02（小波能量特征提取）
摘要：本文用一個實例演示小波能量特征提取。本文素材來自網絡，筆者作了稍微修改。
01小波包變換
小波包變換是比小波變換更加精細的變換。小波變換只對信號的低頻部分進行了分解，為高頻部分并未分解，忽略了信號的高頻部分（細節部分）。小波包變換彌補了這個不足之處。
經驗模式分解模糊特征提取的支持向量機混合診斷模型
摘要：為解決機械故障小樣本模式識別問題，有效地提高分類的準確率，提出了一種基于經驗模式分解
模糊特征提取的支持向量機混合診斷模型。
該模型通過對信號進行經驗模式分解，提取信號的本征模式分量并轉化為模糊特征向量!對機器故
障進行診斷，然后將模糊特征向量輸入到多分類的支持向量機中，實現了對機器不同故障類型的
識別。
將該模型應用于汽輪發電機組的!種工作狀態的識別中，測試結果表明，同原有的未經過任何特征
提取以及經過小波包模糊特征提取的#種多分類支持向量機方法相比，該模型將分類準確率從原
有的53.3%和86.67%提高到100%，有效地改善了分類的準確性。
同時，該模型還為汽輪發電機組的故障確診提供了有力依據。
請享用！
展開 
基于第二代小波變換的轉子碰摩故障特征提取方法
摘要:為了能夠提取隱含在振動信號中的故障特征,利用第二代小波對稱、緊支撐和沖擊振蕩衰減的特點,有效地
提取具有沖擊響應特性的故障特征。實驗證明,即使采用較小支撐區間的此類小波,也可獲得理想的效果。另外,
為了獲得與原始信號相同的時間分辨率,采用單支重構的方法分別對逼近信號和細節信號處理,得到了轉子碰摩
故障的時域響應特征,為故障診斷和預示提供了一種分離故障時域特征的方法。
關鍵詞:第二代小波變換;碰摩;特征提取;重構
基于第二代小波變換的轉子碰摩故障特征提取方法.pdf
展開 Ansys Workbench ACT插件，由窗口選中體單元，提取體積和表面積，計算幾何特征尺寸 ￥20
而是只需要所有選中體單元的外表面和，對與中心區域的體單元其表面積不參與特征尺寸的計算。這就進一步降低了由體單元直接獲得有效表面積的可能性。
解決方法：
筆者這里使用一種較為笨的方法進行選中體單元的特征尺寸提取方法：
1. 在Workbench界面，根據用戶在圖形窗口選定的網格體單元。由腳本程序依次提取，每個單元的角點數量和位置坐標；
2. 再由Workbench中python腳本調用ADPL經典界面，并自動運行特征值提取宏命令；
3. APDL宏命令會，根據Workbench選中單元體信息，依次由每個單元體的角點坐標，創建實體單元；
4. 再將實體單元合并，最后獲得幾何體積和表面積，并輸出。
5. 由Workbench腳本，讀取APDL宏輸出的幾何信息，并顯示。
展開 【技術】基于DTEmpower的旋轉機械故障診斷
圖1 DTEmpower平臺數據建模流程示例
DTEmpower 圍繞數據清理、特征提取、特征選擇和模型訓練等數據建模的各個環節，在工具箱中以控件的形式提供了上百種常用算法和數種先進的自研算法：包括8 種數據采樣算法、21 種數據清理算法、6 種數據聚類算法、15 種數據降維算法、6 種數據變換算法、5 種特征選擇算法、11 種線性擬合算法、22 種非線性擬合算法、以及其他搭配控件。
圖2 DTEmpower平臺提供的數據建模算法示例
作為一個開放式的數據建模平臺，DTEmpower提供了針對旋轉機械設備故障診斷場景的定制工具箱，包含數據采集、特征提取和模式分類（故障識別）三大主功能。
數據采集主要對信號進行預處理。特征提取主要對振動信號進行特征加工，挖掘出能反應故障表征的特征量。對于模型而言，特征工程決定模型效果的上限，DTEmpower針對旋轉設備診斷提供了豐富的特征提取功能。時域和頻域分析方法在平穩信號的處理方面優勢突出，而旋轉機械由于磨損和削落等故障產生的振動信號具有強非線性和非平穩特性，這類信號中表征故障特征的時域和頻域參數會隨著時間和頻率的變化而發生變化，時頻分析方法能夠分析信號局部特征的，可以對頻譜隨時間變化的特性進行有效分析。DTEmpower參考這些優秀的行業經驗，提供了包括16種時域特征（如脈沖因子、裕度因子、峭度因子、波形因子偏度和峰峰值等）、13種頻域特征（如重心頻率、均方頻率、頻率方差等）、時頻域特征（如小波能量等），其中時頻域特征可以動態擴增對模型進行改進。
模式分類針對復雜的生產環境，提供了多套模型策略方案。旋轉設備故障診斷當前遇到的最大的難點主要是現場樣本不均衡，故障樣本過少，甚至無樣本情況，數據驅動的模型難以充分挖掘故障信息。
展開 一文讀懂3D人臉識別十年發展及未來趨勢
在訓練階段，需要 3D 人臉數據來生成特征庫，面部特征通過數據預處理和特征提取模型獲得，然后保存在特征庫中；在測試階段，獲取一個探針作為目標人臉，并進行與訓練階段相同的數據預處理和特征提取過程。
人臉識別是一個匹配的過程。將目標人臉的特征向量與存儲在特征庫中的特征向量進行比較。掃描圖庫并返回匹配距離最近的人臉。如果距離小于預定義的閾值，則將目標人臉標記為已識別，否則失敗。因此，人臉識別過程包含三個核心步驟：數據預處理、特征提取和人臉匹配。所有這些都會影響識別的性能。
下表 2 列舉了基于局部特征的 3D 方法以及它們的重要細節。
基于深度學習的 3D 人臉識別
十年來，深度神經網絡已成為最流行的人臉識別技術之一。與傳統方法相比，基于深度學習的方法比圖像處理有很大的優勢。對于傳統方法，關鍵步驟是根據 3D 人臉數據的幾何信息找到穩健的特征點和描述符。與端到端的深度學習模型相比，這些方法具有良好的識別性能，但涉及檢測關鍵特征的算法操作相對復雜。而對于基于深度學習的方法，可以通過在大型數據集上訓練深度神經網絡來學習穩健的人臉表征。
下表 III 總結了社區在該領域做出的非凡努力。Spreeuwers 提出了一種用于 3D 人臉配準的固有坐標系。該系統基于通過鼻子、鼻尖和鼻子方向的垂直對稱平面。
混合 3D 人臉識別方法結合了不同類型的方法（基于局部和基于整體），并將局部和全局特征應用于人臉匹配。通過結合不同的特征提取技術，它們可以處理更多的面部差異，例如表情、姿勢和遮擋。最近的混合方法在下表 IV 中進行了比較。
展開 