我对图像的ROI的特征提取感兴趣，该ROI将用作输入到SVM的特征向量。 要提取的特征包括纹理（颜色共现/ haralick特征）和颜色（rgb-histogram，4 bin和mean r，g，b） - 总共29个特征/属性。
问题：
如果直接在ROI图像上完成特征提取（计算）与将ROI划分为小部分（ nxn window / patch < / em>）首先然后计算功能？有什么优点/缺点？哪两个会提供更有意义的功能？
假设如果将ROI分成小部分是更好的选择，并且它将在训练阶段被提供给SVM，那么 svm-predict或测试将如何？是否必须将感兴趣的测试图像/测试区域的特征提取分成小部分并将其输入svm-predict功能（就像训练过程一样）？或者测试ROI上的特征提取会直接进行吗？
顺便说一句，我正在尝试对叶子中发现的疾病类型进行分类（3种类型，1种健康状况）。到目前为止，在svm-predict中得到的结果很差（预测只有1级，大约20％）并且发现每个类的特征没有很好地相互区分。以下是ROI（3种类型）的示例图像。
3种类型：https://drive.google.com/folderview?id=0B1aXcXzD_OADX3VvbjlKbFJBZzg&usp=sharing
我正在使用OpenCV。在c ++中。任何解释和参考都会有所帮助。
答案 0 :(得分：0)
功能将保持不变或不同取决于您要使用的功能类型。例如，如果你的特征是Hue-histogram，那么我认为它不会对它产生太大的影响，但是如果你使用像SIFT / SURF这样的功能，那么它们肯定会有所不同，因为SIFT考虑了几个因素，比如边缘，它可能是整个图像中的边缘不会在较小的区域中显示为边缘。
我建议你自己进行一些测试，因为理论结果和实际结果总是不同的。因此，如果您使用整个ROI提取它们，请尝试查找您的功能的样子....如果在将ROI分成几个部分后将它们提取出来，它们的总体情况如何。