深度学习&图像处理（相关文献学习）系列一

《深度学习在图像处理领域中的应用综述》部分概念解读：

1.特征表达/提取方法->特征学习

图像特征是指图像的原始特性或属性，可以分为视觉特征或统计特征。视觉特征主要是人的视觉直觉感受的自然特征（图像的颜色、纹理和形状）；统计特征是指需要通过变换或测量才能得到的人为特征（频谱、直方图等）。

常见特征提取方法：

• LBP算法（Local Binary Patterns）：一种用来描述图像局部纹理特征的算子，具有灰度不变性。

  其主要思想是在目标像素周围定义一个3x3的窗口，以目标像素为阈值，将相邻的8个像素的灰度值与目标像素进行对比,大于目标像素标记为1，小于等于则标记为0。每个窗口都可以产生一个8位的二进制数，这样就得到了目标像素的LBP值。然后计算每个区域的直方图，然后对该直方图进行归一化处理。最后将得到的每个区域的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量。然后便可利用SVM或者其他机器学习算法进行分类。

• HOG特征提取算法（Histogram of Oriented Gradient）：在一幅图像中，图像的表象和形状能够被边缘或梯度的方向密度分布很好的表示，具有几何和光学不变性。

  其主要思想是将图像灰度化，采用Gamma校正法对输入图像进行颜色空间的标准化以调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；计算图像每个像素的梯度，将图像划分成小区域，统计每个区域的梯度直方图，将每几个区域组成一个批次，一个批次内所有区域的特征串联起来便得到该批次的HOG特征。