文章目录
- 颜色特征
- 几何特征
- 基于关键点的特征描述子
- 其他特征提取
- [代码实践 pip install opencv-python](#代码实践 pip install opencv-python)
颜色特征
量化颜色直方图
适用颜色空间：RGB、HSV等颜色空间
- HSV空间 计算高效，但存在量化问题和稀疏
操作
- 颜色空间量化，单元（bin）由单元中心代表
-
- 统计落在量化单元上的像素数量
几何特征
边缘 Edge
边缘定义
- 像素值函数快速变化的区域->一阶导数的极值区域
边缘提取
- 先高斯去噪，再使用一阶导数获取极值
- 导数对噪声敏感
基于关键点的特征描述子
引入
几何特征：关键点
几何特征：Harris角点
FAST角点检测
几何特征：斑点
- --
- 当sigma较小时，将识别出更为细节的边缘
局部特征：SIFT
- 基于尺度空间不变的特征
- 特点：
- 具有良好的不变性
- 独特性好，信息量丰富
- 多量度
- 计算快
- 计算步骤
- 尺度空间
LoG和DoG的运行结果差不多，但是DoG（差分）运算效率比LoG（微分）高很多
- 高斯金字塔
补充：
1、为什么要构建高斯金字塔
高斯金字塔模仿的是图像的不同的尺度，尺度应该怎样理解？对于一副图像，你近距离观察图像，与你在一米之外观察，看到的图像效果是不同的，前者比较清晰，后者比较模糊，前者比较大，后者比较小，通过前者能看到图像的一些细节信息，通过后者能看到图像的一些轮廓的信息，这就是图像的尺度，图像的尺度是自然存在的，并不是人为创造的。好了，到这里我们明白了，其实以前对一幅图像的处理还是比较单调的，因为我们的关注点只落在二维空间，并没有考虑到"图像的纵深"这样一个概念，如果将这些内容考虑进去我们是不是会得到更多以前在二维空间中没有得到的信息呢？于是高斯金字塔横空出世了，它就是为了在二维图像的基础之上，榨取出图像中自然存在的另一个维度：尺度。因为高斯核是唯一的线性核，也就是说使用高斯核对图像模糊不会引入其他噪声，因此就选用了高斯核来构建图像的尺度。
2、高斯金字塔的构建步骤：
高斯金字塔构建过程中，一般首先将图像扩大一倍，在扩大的图像的基础之上构建高斯金字塔，然后对该尺寸下图像进行高斯模糊，几幅模糊之后的图像集合构成了一个八度，然后对该八度下的最模糊的一幅图像进行下采样的过程，长和宽分别缩短一倍，图像面积变为原来四分之一。
-
SIFT-特征点方向估计
旋转过程比较复杂，转动特定角度时，点格坐标难表达
-
SIFT-计算特征点描述子
预备知识：Haar-like特征
-
Haar-like特征分为：边缘特征、线性特征、中心特征和对角线特征。它们组合为特征模板。
Haar特征反映了图像的灰度变化情况。
-
Haar-like特征的快速计算：积分图
局部特征：SURF
对SIFT的改进
用海芬矩阵
- 小造型
特征点→主方向→64维的向量
把海森矩阵做分析，形成模板
- ORB特征描述
BRIEF
ORB计算形心。
LBP
-
改进的LBP
灰度不变性和旋转不变形
-
Gabor滤波器
