Canny 算法是否足以创建特征描述符图像并为 SVM 提供？答案

【问题标题】：Canny algorithm is enough for creating a feature descriptor image and giving for SVM?Canny 算法是否足以创建特征描述符图像并为 SVM 提供？
【发布时间】：2012-12-24 21:25:59
【问题描述】：

我使用精明算法从图像中检索轮廓。有一个描述符图像并放入SVM并找到相似之处就足够了吗？或者我需要其他特征，如伸长率、周长、面积？我之所以谈论这个，是因为受到这个例子的启发：http://scikit-learn.org/dev/auto_examples/plot_digits_classification.html我首先给出我的灰度图像，其次是精明算法风格，在这两种情况下，我的混淆矩阵都是很多 0，比如精度、召回率、f1 分数、支持度量

【问题讨论】：

AFAIK 这种适用于任务的功能确实是针对特定问题的，我怀疑如果不在线提供您的数据集 + 实验的完整脚本，没有人能够回答这个问题。 StackOverflow 可能不是讨论计算机视觉的最佳场所。此外，SO 是关于编程问题，而不是理论问题，因此这可能是题外话。
此外，如果您在 scikit-learn 中使用内核 SVM，您应该始终网格搜索 C 和 gamma 的最佳值。在不进行网格搜索的情况下测量 f1 分数一文不值：检查此scikit-learn.org/dev/auto_examples/grid_search_digits.html 至于您问题的理论部分：哪些功能/算法最适合哪种任务/数据，请在此处提问：dsp.stackexchange.com/questions/tagged/computer-vision跨度>
无意不尊重，问题表明您可能需要提高您对SVM分类整个过程如何工作的理解。除非您能以 100% 的召回率和准确率对“整个群体”进行分类，否则没有任何单一特征或特征集仅仅是“足够”的。根据您的样本，从精明算法派生的特征可能会给您在 SVM 中的一些分离。是否足够取决于您对应用程序中的这种分离的满意程度。

标签： svm contour scikit-learn descriptor feature-extraction

【解决方案1】：

我的建议是：

除非您的数据库中的图像数量很少和/或识别将非常具体（例如，不是随机的事情），否则我强烈建议您应用一个或多个特征提取器，例如 SIFT， Fourier Descriptors、Haralick's Features、Hough Transform 提取更多细节，这些细节可以总结在一个短向量中。

然后您可以在所有这些之后应用 SVM 以获得更高的准确性。

【讨论】：