根据特征索引号提取某一系列的特征值

     对样本进行分类时，需要提取该样本的特征。由于AdaBoost分类器是由一系列的基于一系列单个特征的弱分类器组成的，因此只需要提取弱分类器所需要的特征即可。以前采取的方式是，提取所有的特征，分类时获得所需要的特征即可；该过程提取了大量没有使用的特征，这些没有使用的特征花费了大量的计算，是无效计算。现在需要解决这个问题。当需要某个特征时，则计算该特征；不需要该特征时，则不计算该特征。但该方法也存在重复计算问题。比如计算Gabor变换特征，需要先进行Gabor变换，然后再计算特征某特征A，或者某特征B；如果同时需要计算两个特征A和B，那么对图像进行了两次Gabor变换，其中有一次属重复计算。

     现在采取折中的方式。当需要某特征时，则计算该系列的所有特征。

% 
% identifySeriesFeatureByIndex
% 
% 计算该特征编号所属的一个系列的特征值
% 
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的绝对索引位置
% 
% 2007-11-06
function [seriesFeatures,seriesIndex]=identifySeriesFeatureByIndex(image,index)
feaCntSequence=[1 12 12 12 64 176 15 64 15 21];  % 每种方法能够获取的特征数量列表
feaCntCumSequence=cumsum(feaCntSequence);        % 累计特征数量
methodCnt=length(feaCntCumSequence);             % 特征提取方法的种类 

% 特征提取方法索引号
% 索引与方法名称对应关系为
% 1  RGB颜色空间特征值      
% 2  HSI颜色空间特征值     
% 3  NTSC颜色空间特征值    
% 4  gabor变换提取的纹理特征 
% 5  灰度共生矩阵纹理特征值
% 6  灰度-梯度共生矩阵纹理特征  
% 7  灰度差分统计特征值： 
% 8  灰度行程长度统计方法
% 9  不变矩特征
methodIndex=0;    
if( (index<feaCntCumSequence(1)) || (index>=feaCntCumSequence(methodCnt)) )
    error(['特征编号(' num2str(index) ')必须在区间[' num2str(feaCntCumSequence(1))...
         ' ' num2str(feaCntCumSequence(methodCnt)-1) ']中！']);
end

for cnt=1:methodCnt % 由索引号确定提取特征的方法
    if( (index>=feaCntCumSequence(cnt)) && (index<feaCntCumSequence(cnt+1)) )
        methodIndex=cnt;
        break;
    end
end

% 特征提取方法内部索引号，通过该索引求取特征提取方法的参数
% 比如，第25号特征为第三种方法(NTSC颜色)的第1个特征(Y均值)
% 故methodIndex=3,innerMethodIndex=1
% 第47号特征为第四种方法(Gabor)的第11个特征
% 此时methodIndex=4,innerMethodIndex=11
% 通过索引11计算参数：频率索引(1),频率值(0.5);方向索引(6),方向(1.9635)
% 第234号特征为灰度共生矩阵纹理第134个特征
% 此时methodIndex=4,innerMethodIndex=134
% 通过索引134可计算参数：位置算子索引(16),位置算子([5 2]),该位置算子上第2个特征
innerMethodIndex = index-feaCntCumSequence(cnt)+1;

if( methodIndex>3 || methodIndex<9 ) % 纹理特征需要针对灰度图像
    grayimage=rgb2gray(image);
end 
switch( methodIndex )
    case 1       % RGB颜色空间特征值
        [seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,'RGB',innerMethodIndex);
    case 2       % HSI颜色空间特征值
        [seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,'HSI',innerMethodIndex);
    case 3       % NTSC颜色空间特征值
        [seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,'NTSC',innerMethodIndex);        
    case 4       % Gabor变换提取的纹理特征
        [seriesFeatures,seriesIndex]=identifyGaborFeatureByIndex(grayimage,innerMethodIndex);
    case 5       % 灰度共生矩阵纹理特征值
        [seriesFeatures,seriesIndex]=identifyGLCMFeatureByIndex(grayimage,innerMethodIndex);
    case 6       % 灰度-梯度共生矩阵纹理特征
        [seriesFeatures,seriesIndex]=identifyGGLCMFeatureByIndex(grayimage,innerMethodIndex);
    case 7       % 灰度差分统计特征值
        [seriesFeatures,seriesIndex]=identifyGDSFeatureByIndex(grayimage,innerMethodIndex);
    case 8       % 灰度行程长度统计方法
        [seriesFeatures,seriesIndex]=identifyGRLSFeatureByIndex(grayimage,innerMethodIndex);
    case 9       % 不变矩特征
        [seriesFeatures,seriesIndex]=identifyIMFeatureByIndex(image,innerMethodIndex);
    otherwise
        error('方法编号错误！');
end

seriesIndex=feaCntCumSequence(methodIndex)-1+seriesIndex; % 提取的系列特征的绝对索引位置


% 根据特征索引号确定 RGB、HSI、NTSC颜色空间特征值
% colorspacename 仅能取值'RGB','HSI','NTSC'
% index 应在1-12 之间
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的相对位置
function [seriesFeatures,seriesIndex]=identifyColorFeatureByIndex(image,colorspacename,index)
featureSpaceSize=12;                    % 特征空间维数
[seriesFeatures]=extractColorFeature(image,colorspacename);% 提取特征 
seriesIndex=1:featureSpaceSize;


% 根据特征索引号确定 Gabor变换提取的纹理特征
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex]=identifyGaborFeatureByIndex(image,index)
fList=[0.5 0.25 0.125 0.1];   % Gabor变换的频率列表
thetaList=((0:7)/8).*pi;      % Gabor变换方向(theta)列表
fLen=length(fList);           % 频率数量
thetaLen=length(thetaList);   % 方向数量
featureSpaceSize=2;           % Gabor变换 特征空间大小

paramIndex=floor((index-1)/featureSpaceSize)+1;% 确定参数的索引号
fIndex=ceil(paramIndex/thetaLen);        % 参数索引：频率
thetaIndex=mod(paramIndex-1,thetaLen)+1; % 参数索引：方向
[seriesFeatures]=extractGaborFeature(image,fList(fIndex),thetaList(thetaIndex));
seriesIndex=((paramIndex-1)*featureSpaceSize+1):(paramIndex*featureSpaceSize);

% 根据特征索引号确定 灰度共生矩阵纹理特征值
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex]=identifyGLCMFeatureByIndex(image,index)
% 位置算子
offset=[0 1;0 5;1 0;5 0;1 1;1 -1;5 5;5 -5;2 5;2 -5;4 5;4 -5;5 2;5 -2;5 4;5 -4];
featureSpaceSize=11;                     % 灰度共生矩阵 特征空间大小
offsetIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：位置算子
[seriesFeatures]=extractCoOccureTextFeature(image,offset(offsetIndex,:));
seriesIndex=((offsetIndex-1)*featureSpaceSize+1):(offsetIndex*featureSpaceSize);


% 根据特征索引号确定 灰度-梯度共生矩阵纹理特征
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex]=identifyGGLCMFeatureByIndex(image,index)
featureSpaceSize=15;                     % 灰度-梯度共生矩阵 特征空间大小
[seriesFeatures]=extractGGLCMSFeature(image);
seriesIndex=1:featureSpaceSize;
 
% 根据特征索引号确定 灰度差分统计特征值
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex]=identifyGDSFeatureByIndex(image,index)
% 灰度差分统计的位置算子
offset=[0 1;0 3;0 5;1 0;3 0;5 0;1 1;2 2;4 4;5 5;1 3;3 1;2 4;4 2;3 5;5 3];
featureSpaceSize=4;                      % 灰度差分统计 特征空间维数
offsetIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：位置算子
[seriesFeatures]=extractGrayDifferStatFeature(image,offset(offsetIndex,:));
seriesIndex=((offsetIndex-1)*featureSpaceSize+1):(offsetIndex*featureSpaceSize);


% 根据特征索引号确定 灰度行程长度统计方法
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex]=identifyGRLSFeatureByIndex(image,index)
thetaList=[0 pi/4 pi/2];     % 默认 行程方向
featureSpaceSize=5;          % 行程长度统计 特征空间维数
thetaIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：行程方向
[seriesFeatures]=extractGRLMFeature(image,thetaList(thetaIndex));
seriesIndex=((thetaIndex-1)*featureSpaceSize+1):(thetaIndex*featureSpaceSize);


% 根据特征索引号确定 不变矩特征
% seriesFeatures 提取的包含index号特征的系列特征
% seriesIndex    该系列特征在该方法中的相对索引位置
function [seriesFeatures,seriesIndex]=identifyIMFeatureByIndex(image,index)
colorspacesize=size(image,3);            % 颜色平面数量，灰度图像为1，彩色图像为3           
featureSpaceSize=7;                      % 不变矩特征 特征维数
spaceIndex=floor((index-1)/featureSpaceSize)+1;% 参数索引：颜色平面索引
[seriesFeatures]=extractInvariantMomentFeature(image,spaceIndex);
seriesIndex=((spaceIndex-1)*featureSpaceSize+1):(spaceIndex*featureSpaceSize);

测试100幅图片，原始方法需耗时132s，现在耗时34s，只有原来的1/4。但仍然重复计算了一些没有使用的特征。

仍需要改进。

 

由重新组织样本，修正特征、增加特征，已经花费了接近三周。速度太慢了。

余下工作：构建 级联AdaBoost 分类器（需在11月15日前完成）

                   12月前完成所有基于新样本的重复试验

                   12月 ：prepare the paper

                    1月   ：write paper