提取兴趣点作为特征(extracting points of interest as features)

我们先前创建的特征向量表示图像中的每个像素;表示图像的所有信息属性，并表示所有噪声属性。检查训练数据后，我们可以看到所有的图像都有一个白色像素的周长;这些像素不是有用的功能。人类可以快速识别许多物体，而不需要观察物体的每个属性。我们可以从罩的轮廓识别出一辆汽车，而不必观察后视镜，我们可以从鼻子或嘴里识别人脸的图像。这种直觉是创造图像最具信息性的表征。这些信息属性或兴趣点是由丰富的纹理包围的点，尽管扰乱了图像，但是它们可以被再现。边缘和角落是两种常见的兴趣点。边缘是像素强度快速变化的边界，角是两个边缘的交点。让我们使用scikit-image从下图中提取兴趣点：

代码如下：

import numpy as np
from skimage.feature import corner_harris, corner_peaks
from skimage.color import rgb2gray
import matplotlib.pyplot as plt
import skimage.io as io
from skimage.exposure import equalize_hist

def show_corners(corners, image):
    fig = plt.figure()
    plt.gray()
    plt.imshow(image)
    y_corner, x_corner = zip(*corners)
    plt.plot(x_corner, y_corner, 'or')
    plt.xlim(0, image.shape[1])
    plt.ylim(image.shape[0], 0)
    fig.set_size_inches(np.array(fig.get_size_inches()) * 1.5)
    plt.show()

mandrill = io.imread('E:\Datasets\mandrill.png')
mandrill = equalize_hist(rgb2gray(mandrill))
corners = corner_peaks(corner_harris(mandrill), min_distance=2)
show_corners(corners, mandrill)

下图绘制了所提取的兴趣点。 在图像的230400像素中，466个像素被提取为兴趣点。 这种表示更加紧凑; 理想情况下，即使图片发生了变化，但仍然有方式去近似感兴趣点并再现它们。