功能

我们所说的特征，基本上是指图像的数值函数。也就是说，任何从图像中给出数字的方法，我都可以称之为 feature 。理想情况下，这些应该是有意义的。

我们可以将要素分为两种类型：

全球

这些都是整个图像的一个函数。

本地

这些 have a position 并且是局部图像区域的函数。

Mahotas支持这两种类型。

这个 classification tutorial 说明了特征计算的用处。

如果您只是想从图像计算要素(不需要任何进一步的处理)，您也可以使用 mahotas-features.py 脚本，它与mahotas一起安装(从1.4版开始)。

全局特征

哈拉利克特征

These are texture features, based on the adjacency matrix (the adjacency matrix stores in position (i,j) the number of times that a pixel takes the value i next to a pixel with the value j. Given different ways to define next to, you obtain slightly different variations of the features. Standard practice is to average them out across the directions to get some rotational invariance.

它们可以针对2-D或3-D图像进行计算，并可在 mahotas.features.haralick 模块。

只实现了前13个功能。最后一个(第14个)功能通常被认为是 unstable ，尽管我不清楚为什么会这样。 (See this unanswered question on Cross-validated _)。

局部二进制模式

局部二进制模式(LBP)是一组较新的功能。每个像素都是单独查看的。它的邻里关系由一个单一的数字代码进行分析和总结。图像中所有像素的归一化直方图是最终的特征集。

再说一次，这是一种捕捉纹理的尝试。LBP对方向和照明(缩放)不敏感。

阈值邻接统计信息

阈值邻接统计(TAS)也是最近的一项创新。在原始版本中，它们有固定的参数，但我们对它们进行了调整，以 parameter-free 版本(请参见 Structured Literature Image Finder: Extracting Information from Text and Images in Biomedical Literature 作者：Coelho等人。以供参考)。Mahotas支持这两种观点。

泽尼克时刻

泽尼克时刻是 not 纹理特征，而是质量如何分布的全局度量。

地方特色

SURF：加速的健壮功能

加速健壮功能(SURF)既具有 location (像素坐标)和一个 scale (自然大小)以及描述符(本地特征)。

朗读 more about SURF 。