用什么网络提取图像纹理特征比较好？

Question

用什么网络提取图像纹理特征比较好？可以包含lbp等预处理。我准备提取图像纹理特征用来分类，之前我是直接将图像进行局部二值模式变化，然后用于分类，结果效果很不好。还有什么好的方法提取图像纹理特征，用神经网络也行

Answer 1

你好，我仔细看了一下你的问题和描述。其实你的困惑我在三年前就遇到过。很遗憾的告诉你，你的这种分类思路是有问题的，因此效果不会太好。目前用机器学习作图像分类有两种基本的思路：(1) 传统特征提取方法+分类器，举一个最简单的例子：HOG+SVM，当然你说的lbp也可以当作一种特征提取方法。（2）深度学习的方法，这是一种最简单而直接的方法。这种方法是不需要你自己人工去提取特征的，因为卷积网络它会自动帮你提取特征，而且这种特征是高度抽象化的，往往具有更好的效果。

针对你这个问题而言，我在之前就做过实验对比。我采用lbp、hog、等形态学处理方法分别对图像进行了预处理，然后送入了分类网络，分类准确度普遍在92%到96%之间。但是我没有加预处理，直接用分类网络来做，准确度可达98%左右。

可能你现在比较疑惑了，怎么加了预处理准确度反而降低了。其实当你真正深入了解了卷积神经网络机理就会明白。加了lbp预处理的图片特征信息会比原图少很多，这对于卷积神经网络来说是非常不利，是不利于分类的。所以建议你直接采用卷积神经网路作图像分类，而且现在这种做法非常成熟，精确度往往都能达到很好的水平。

如果你还没有深度学习图像分类的经验，这里推荐你一个非常棒的【深度学习图像分类】实战专栏：https://blog.csdn.net/wjinjie/category_9777286.html，里面以Tensorflow2为框架，逐一搭建了LeNet-5、AlexNet、VGG系列、GooLeNet、ResNet 系列、DenseNet 系列等经典的神经网络，实现了图像分类，代码在github上已经开源了，欢迎star！

Answer 2

很明显是卷积神经网络，请参考N多案例

Answer 3

使用预训练的CNN网络，如ResNet50，CNN网络一般都包括多尺度的特征图（原图的1/4等大小）和全连接（用于分类）。

预训练的网络已经学习到大量类别的特征，可以先不加入自己的数据进行训练，把自己的图像作为网络输入，最后一层特征图作为网络输出，然后使用传统机器学习方法比如svm进行分类，也可以直接用全连接层进行分类。

新手入门建议使用pytorch，推荐一个模型git：mit-han-lab/once-for-all: [ICLR 2020] Once for All: Train One Network and Specialize it for Efficient Deployment (github.com)

Answer 4

您好，我是问答小助手，你的问题已经有小伙伴为您解答了问题，您看下是否解决了您的问题，可以追评进行沟通哦~

如果有您比较满意的答案 / 帮您提供解决思路的答案，可以点击【采纳】按钮，给回答的小伙伴一些鼓励哦～～

Answer 5

你好，我是问答小助手，本次您提出的有问必答问题，技术专家团超时未为您做出解答

本次提问扣除的有问必答次数，已经为您补发到账户，我们后续会持续优化，扩大我们的服务范围，为您带来更好地服务。