一、特征提取
概念：特征是某一类对象区别于其他类对象的特点，通过测量或者处理取得的数据
通常将多个特征组合到一起，形成一个向量。一个N维的特征就是N维空间中的一个点

常用的特征：
1、区域描述子
周长、面积、紧致性（C = 1-4*pi*a/p^2）、灰度均值、灰度方差

2、形状特征
傅里叶描述子 ：基本思想是将形状曲线建模为一维序列，然后进行傅里叶变换，从而得到傅里叶描述子

3、纹理特征
概念：纹理是由灰度分布在空间位置上反复出现形成的。
常用：灰度共生矩阵
局部二值模式（LBP）:
原理：使用中心像素点的灰度值对邻域像素点的灰度值进行阈值处理
将阈值结果表达为二进制数，使用二进制数表示的码值作为中心像素点的
 LBP值。当所有点被表示为LBP值后，计算LBP值的直方图作为图像的特征。
 
二、特征优化
概念；包括特征选择和特征抽取
特征选择：选择全部特征的一个子集作为特征向量
特征抽取：通过已有的特征组合建立一个新的特征子集
常用：
1、主成分分析(Principle Component Analysis, PCA)
降维后数据之间的方差最大。
变换后产生的新的分量正交或不相关。

三、分类器设计
概念：根据训练集的特征与类别信息，按照某种准则，得到特征矢量与输出类别的函数表达式
函数表达式成为训练好的分类器。

训练集：训练样本，类别信息已知。
测试集：测试样本，类别信息未知。

分类：
1、K折交叉验证
将数据样本随机切割成K等份较小子集，先在部分子集上做训练，然后在其他
子集上进行验证的方法。
2、K近邻分类器（KNN）
对于测试图像，计算训练图像中与其距离最近的K个样本。如果K个样本的大多数
属于一个类别，则该测试图像属于这一类。

四、评价准则
图像分割评价准则
1、面积重合率
2、Hausdorff距离dH：检测到的目标边缘点Ealg与真实目标边缘点Erad的相似度。

图像分类评价准则：
1、分类正确率：正确数量与不正确数量之比
2、混淆矩阵
3、受试者工作特征曲线（ROC曲线）