计算机视觉之图像特征提取

图像特征提取是计算机视觉中的重要任务,它有助于识别、分类、检测和跟踪对象。以下是一些常用的图像特征提取算法及其简介:

  1. 颜色直方图(Color Histogram)

    • 简介:颜色直方图表示图像中各种颜色的分布情况。通过将图像中的像素分成颜色通道(如RGB)并计算每个通道的颜色值分布,可以捕捉到图像的颜色信息。
    • 应用:颜色直方图常用于图像检索、图像分类和图像匹配等任务。
  2. 局部二值模式(Local Binary Pattern,LBP)

    • 简介:LBP是一种用于纹理特征提取的方法。它通过比较每个像素与其邻域像素的灰度值来构建特征。LBP特征对纹理的变化和结构有很好的描述能力。
    • 应用:LBP常用于人脸识别、纹理分类和目标检测等任务。
  3. 方向梯度直方图(Histogram of Oriented Gradients,HOG)

    • 简介:HOG是一种用于物体检测的特征提取方法,特别适用于行人检测。它通过计算图像中每个像素的梯度方向并构建梯度方向的直方图来表示图像。
    • 应用:HOG广泛应用于行人检测、目标识别和行为分析等领域。
  4. 尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)

    • 简介:SIFT是一种用于检测和描述图像中局部特征的方法。它对图像的尺度、旋转和亮度变化具有不变性,因此在各种条件下都表现良好。
    • 应用:SIFT广泛用于特征匹配、物体识别和图像配准等任务。
  5. 加速稳定特征(Speeded-Up Robust Features,SURF)

    • 简介:SURF是一种用于图像特征提取的快速算法。它结合了SIFT的特点,并使用积分图像来加速特征检测和描述子计算。
    • 应用:SURF适用于实时应用,如实时目标跟踪和图像拼接。
  6. 卷积神经网络特征(Convolutional Neural Network Features)

    • 简介:基于深度学习的方法,如卷积神经网络(CNN),已经取得了在图像特征提取任务上的显著成功。通过在预训练的CNN模型上提取特征向量,可以获得强大的图像表示。
    • 应用:CNN特征广泛用于图像分类、目标检测、图像生成等各种计算机视觉任务。

历程:

颜色直方图 (Color Histogram) 示例

cpp 复制代码
#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("image.jpg");
    cv::Mat hist;

    // 将图像转换为HSV颜色空间
    cv::cvtColor(image, image, cv::COLOR_BGR2HSV);

    // 计算直方图
    int histSize = 256; // 直方图的大小
    float range[] = {0, 256}; // 像素值范围
    const float* histRange = {range};
    cv::calcHist(&image, 1, 0, cv::Mat(), hist, 1, &histSize, &histRange);

    // 打印直方图
    for (int i = 0; i < histSize; i++) {
        std::cout << "Bin " << i << ": " << hist.at<float>(i) << std::endl;
    }

    return 0;
}

局部二值模式 (Local Binary Pattern, LBP) 示例

cpp 复制代码
#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
    cv::Mat lbpImage;

    // 计算LBP图像
    cv::Ptr<cv::ximgproc::LBP> lbp = cv::ximgproc::createLBPFast();
    lbp->compute(image, lbpImage);

    return 0;
}

方向梯度直方图 (Histogram of Oriented Gradients, HOG) 示例

cpp 复制代码
#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
    cv::HOGDescriptor hog;

    // 设置HOG参数
    hog.winSize = cv::Size(64, 128); // 检测窗口大小
    hog.blockSize = cv::Size(16, 16); // 块大小
    hog.blockStride = cv::Size(8, 8); // 块的步幅
    hog.cellSize = cv::Size(8, 8); // 细胞大小

    // 计算HOG特征向量
    std::vector<float> descriptors;
    hog.compute(image, descriptors);

    return 0;
}

加速稳健特征 (Speeded-Up Robust Features, SURF) 示例

cpp 复制代码
#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
    cv::Ptr<cv::xfeatures2d::SURF> surf = cv::xfeatures2d::SURF::create();

    // 检测关键点和计算描述子
    std::vector<cv::KeyPoint> keypoints;
    cv::Mat descriptors;
    surf->detectAndCompute(image, cv::noArray(), keypoints, descriptors);

    return 0;
}

尺度不变特征变换 (Scale-Invariant Feature Transform, SIFT) 示例

cpp 复制代码
#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
    cv::Ptr<cv::xfeatures2d::SIFT> sift = cv::xfeatures2d::SIFT::create();

    // 检测关键点和计算描述子
    std::vector<cv::KeyPoint> keypoints;
    cv::Mat descriptors;
    sift->detectAndCompute(image, cv::noArray(), keypoints, descriptors);

    return 0;
}

卷积神经网络特征 (Convolutional Neural Network Features) 示例

cpp 复制代码
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>

int main() {
    cv::Mat image = cv::imread("image.jpg");
    cv::dnn::Net net = cv::dnn::readNetFromCaffe("deploy.prototxt", "model.caffemodel");

    // 预处理图像(归一化、尺寸调整等)
    cv::Mat blob = cv::dnn::blobFromImage(image, 1.0, cv::Size(224, 224), cv::Scalar(104, 117, 123));

    // 设置输入图像
    net.setInput(blob);

    // 前向传播并获取特征向量
    cv::Mat features = net.forward();

    return 0;
}
相关推荐
大数据张老师4 分钟前
AI架构师的思维方式与架构设计原则
人工智能·架构师·ai架构·后端架构
AKAMAI16 分钟前
Entity Digital Sports 降低成本并快速扩展
人工智能·云计算
m0_6176636218 分钟前
Deeplizard深度学习课程(七)—— 神经网络实验
人工智能·深度学习·神经网络
笔触狂放44 分钟前
【机器学习】综合实训(一)
人工智能·机器学习
智算菩萨1 小时前
国内外最新AI语言模型行情分析2025年9月最新内容
人工智能
ningmengjing_1 小时前
激活函数:神经网络的“灵魂开关”
人工智能·深度学习·神经网络
Billy_Zuo1 小时前
人工智能机器学习——逻辑回归
人工智能·机器学习·逻辑回归
东风西巷2 小时前
Balabolka:免费高效的文字转语音软件
前端·人工智能·学习·语音识别·软件需求
非门由也2 小时前
《sklearn机器学习——管道和复合估计器》联合特征(FeatureUnion)
人工智能·机器学习·sklearn
l12345sy2 小时前
Day21_【机器学习—决策树(1)—信息增益、信息增益率、基尼系数】
人工智能·决策树·机器学习·信息增益·信息增益率·基尼指数