如何在分类中提取的 3D 特征中进行标记？答案

【问题标题】：How to perform labelling in the 3D extracted features in classification?如何在分类中提取的 3D 特征中进行标记？
【发布时间】：2014-05-29 20:45:52
【问题描述】：

我从许多 3D 图像中提取了特征。那么提取特征的形式（例如）：

 Image 1 --> 10 x 12 x 30
 Image 2 --> 15 x 10 x 30
 Image 3 --> 13 x 12 x 30
 Image 4 --> 14 x 19 x 30
 .
 .
 So on

其中，第一维和第二维一直在变化，但第三维不变（特征的维数）。

要进行分类，我需要用标签标记从每个图像中提取的每个特征。为了方便起见，我必须将这些特征（来自每张图像）保持在一行中。

所以我将特征重塑为

  feat_reshape= reshape(feature,[size(feature,1)*size(feature,2) size(feature,3)]);

在这种情况下，我将有 2D 特征矩阵。
但是，我仍然需要它是一维的。

我已经尝试使用“imhist”并将每行中每个图像的每个特征保留在矩阵中。但仍然没有给出好的结果。可能是因为有很多0值。

然后我尝试连接每个特征的每一列（每个图像），所以变成 1 行。但问题在于连接矩阵中列的大小不同（每行中的元素）。

例如：

  Image 1 --> 10 x 12 x 30 = 3600 elements
  Image 2 --> 15 x 10 x 30 = 4500 elements

任何建议，我如何存储我提取的 3D 特征，然后标记它以在 LibSVM MATLAB 中使用？

【问题讨论】：

【解决方案1】：

如果要将标签分配给每张图像，您将需要一些方法来聚合或汇集每张图像的密集特征。简单直方图是一种方法。替代品是

只需调整原始 3D 图像的大小以适应固定大小，然后计算特征。
bag-of-words：首先对每个像素的特征进行聚类，并通过其对应的聚类索引（视觉词）表示每个像素。然后按直方图汇总图像。
spatial-pyramid：不是整个图像的直方图，而是将图像分割成具有不同分辨率（1x1、2x2 等）的网格，通过直方图（或其他池化）汇总每个单元格中的特征，然后将它们连接起来。池化是一种简单的统计数据，例如最小值、最大值、平均值等。

如果没有一个效果很好，请怀疑您的功能设计。也尝试通过交叉验证找到 SVM 的最佳训练参数（查看 LibSVM 文档）。

【讨论】：