图像特征类型及表达方式

多媒体数据大多是非结构化和半结构化的，在没有文本标注的情况下，不能直接用于数据分析和检索。特征提取是对多媒体数据进行结构化处理的第一步，也是构建多媒体数据表达模型的重要依据。

从广义上讲，图像的特征包括非视觉特征和视觉特征两种类型，前者是指在图像的采集环境中，图像周围的文字、注释、链接等信息，可以用于辅助理解图像所蕴含的语义；后者是指颜色、纹理、形状等底层视觉特征，以及其他一些领域相关的视觉特征，所谓领域相关是指建立在某些先验知识(或假设)的基础上，与具体的应用背景紧密相关。例如:人脸识别研究中的面部特征、生物信息验证中的指纹特征和虹膜特征，等等，这类研究大多属于模式识别的范畴。非视觉特征和视觉特征被广泛地应用于数字图像分析和检索。

具体而言，在CBIR研究中，底层视觉特征的提取和表达一直是一个研究重点，也是计算机视觉领域的研究热点。如图3-2所示，在CBIR系统中，通常将数据库中的图像通过特征提取和降维技术，映射到一个低维的子空间中，计算出每幅图像在子空间中的坐标，作为图像的向量化表达。(www.xing528.com)

图3-2　CBIR常用的图像表达方式

本章以下内容主要从底层视觉特征的角度，详细介绍一些经典的图像特征提取方法，以及代表性的线性和非线性的特征降维方法。需要说明的是，对于某种特定的图像特征，通常有不同的表达方式，又由于人们在对视觉信息的认识上具有一定的主观性，因此，对于某种特征并不存在所谓最佳的表达模式。