数字图像处理【13】图像特征概述。

前言概述

打算用几篇文章回顾OpenCV特征模块（features2d）当中的对象检测（object detection）概念，以及主要的经典算法。这些传统的算法相对于现在来讲，可能有些过时，但对于初学者来说还是有必要学学的。了解掌握什么是图像特征，常见的图像特征，有哪些提取方法，这些特征能做些什么？有哪些应用场景？

1、什么是图像特征？可以表达图像中对象的主要信息、并且以此为依据可以从其他未知图像中检测出相似或者相同的对象。最常见的应用场景就是人脸检测/人脸识别，

2、场景的图像特征包含：角点、边缘、纹理。我们也是从这三个特征点，基于OpenCV的feature2d已有的API去分析。

3、图像特征的描述，包括以下主要的特征提取方法：SIFT、SURF、HOG、Haar、OBR、FLANN、LBP、AKAZE、BRISK等等，

4、图像特征的应用场景，经典的就是以图搜图、全景图像拼接。最广泛的实用场景有：人脸检测、物体识别、车牌识别、OCR等等广泛的智能应用。

初识特征

想象一下拿图片所有像素去进行搜索，如果对其中的所有信息都进行比较的话，那是非常困难、非常耗时、非常耗存储空间。实际上的做法就是把目标图像的一些特征点提取出来，提取出来的特征可能只有几个字节，然后再用这些特征去搜索就非常的方便且快速了。再简单描述下人脸检测，也是通过提取人脸的特征，譬如眼角、嘴唇边缘、鼻孔纹理等一些特征信息，去定位检索人脸所在的区域。

我们来看一个具体的例子，如上图所示，我们从图中任意区域检索出六张子图。AB/CD/EF各一组，对应纹理、边缘、角点三种特征。

• 先观察第一组A和B，通过纹理特征是否能知道它在原图的具体哪个位置？目前来看，这是很难准确的定位到AB在原图的哪个位置上，因为原图有很多地方是包含类似的特征信息。在二维平坦的图像来说，它没有明显的特征，也不是唯一的，所以单靠纹理这种特征是很难识别出来的。
• 再来看第二组C和D，通过其边缘的特征，我们可以基本确定是在屋顶这一片区域，但是还是无法确切的知道它是在屋顶的具体哪个位置。
• 最后看第三组E和F，这一组是两个边角的特征，这时候我们就容易识别出它两在原图的哪个位置上，就是左边第一栋建筑楼顶上。

通过上面的一个简单案例的分析，我们试着总结以下规律：

1. 图像特征就是指有意义的图像区域，具有独特性，易于识别，比如角点斑点，边缘轮廓，以及高密度区域。
2. 在三大类特征中：角点的特征足够明显，边缘轮廓次之，平坦的纹理就无法确认其细节了。
3. 寻找特征的简易方法：首先特征最好是唯一的，而且必须是可追踪可量化的，最后就是这些特征是可以比较的，如果不能比较，那么是不可能在目标图像上寻找到相同or类似的位置或者是描述。

聚焦特征

一般的图像特征提取，我们都聚焦到角点特征上，因为角点特征足够明显。那么对于计算机视觉来说，什么是角点呢？可以简单概述为 灰度的梯度最大值 对应的像素区域。图像灰度是具有阶梯性的，从白到灰依次递进，对应灰度求梯度所对应的最大值的点位置，我们可以定性为其角点特征。另外呢，两条边缘线的交点基本也是确认为一个角点；还有灰度的极值点也是可以确定为角点特征，用数学语言描述就是一阶导数最大值&二阶导数为0（对应Jacobian矩阵 和 Hessian矩阵）。以上这些的条件，对于我们人类来说是不够清晰而且难于描述，但是对于计算机来说，这些都是可量化可理解的。

理解到什么是图像特征之后，那么图像特征有什么作用呢？在传统图像处理中，利用图像的特征进行匹配，进而识别图像中的内容，一般要遵循三个基本步骤，这三步骤统称Feature DDM：

1. 特征检测提取Detection，特征提取就是从图像中提取出关键点（或特征点、角点）等。
2. 特征描述Description，特征描述就是用一组数学向量对特征点进行描述，其主要保证不同的向量和不同的特征点之间是一种对应的关系，同时相似的关键点之间的差异尽可能小。
3. 特征匹配Match，特征匹配其实就是特征向量之间的距离计算，常用的距离有欧氏距离、汉明距离、余弦距离等。

以上内容主要介绍了什么是图像特征，能应用于哪些场景，特征在计算机中是如何定义等一系列概念知识。也了解到通过角点特征，我们立马就可以判断当前特征对应的区域，是否在于原始图像中。后面的文章也是按照Feature DDM去深入展开，了解OpenCV给我们提供了哪些API，学习如何实用这些API以及其背后的基本原理。