02图像特征的提取

　　机器学习最主要就是特征提取和特征分类。提取的特征的好坏，直接影响这分类的结果判断，所以在整个系统中占有很重要的位置。所提取的特征要在能表征物体特征的基础上，尽量做到维数少，易于计算和存储。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征等。
（1）颜色特征

　　特点：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。
(2) 纹理特征

　　特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从二维图像中反映出来的纹理不一定是三维物体表面真实的纹理。
（3）形状特征

　　特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。

本文主要对常见的几种图像纹理特征进行简述：
　　研究纹理特征时需要解决的最主要问题是，如何用相对较低的计算复杂度来提取一个适合用于分类的纹理特征。由于旋转角度、物体尺度、光照条件以及同类物体纹理的类内方差等因素，图像纹理存在着各式各样的变化。因此，理想中的纹理特征应该具备旋转无关，物体尺度无关以及光照无关的特点。

1. 灰度值共变异矩阵（Gray-Level Co-occurrence Matrices， GLCM）