【问题标题】：Regarding the number of features extracted from an image for training关于从图像中提取的用于训练的特征数量
【发布时间】：2015-06-24 07:59:07
【问题描述】：
我正在构建一个软件，用于根据显微镜拍摄的图像对细胞进行分类。
我有一个细胞图像数据集用作训练数据集 - 我已经使用 ORB 从每个图像中提取了关键点 - 这是我的问题 - 一些图像产生很多关键点和一些关键点。因此产生的描述符向量是不同的lentgh。因此，当我尝试从它们构建训练矩阵时，我必须“标准化”从每个图像中选择的关键点的数量，以便描述符向量的长度相同。
我应该选择多少个关键点，哪个？如何选择“最佳”关键点？ （当我想对要分类的对象进行预测时，也会出现这个问题）是否有已知的方法来解决这个问题？
问候。
【问题讨论】：
标签：
image-processing
machine-learning
computer-vision
feature-extraction
【解决方案1】：
您可以使用词袋方法对图像进行分类。您首先必须收集所有关键点描述符并将它们聚集到一定数量的组中。每个组（集群）都是你的话。一个描述符对应一个词。现在，对于每个图像，您可以通过计算单词的出现来构建直方图。然后，您可以对直方图进行归一化，以消除不同图像中不同数量的关键点的影响。
使用空间金字塔匹配可能是另一种解决方案。
【解决方案2】：
如 Ajay 所述，最简单的方法是将关键点聚类到 N 个簇中，然后定义 N 个二元特征，这样对于给定的样本，特征 i 如果样本显示集群 i 中的关键点，则为 1，否则为 0。
另一种方法是使用内核分类器，例如支持向量机 (SVM)，并使用接受可变长度向量的内核（例如 Fisher 内核）。