感性理解传统图像处理特征HOG、LBP、SURF

目录

HOG特征

LBP特征

SURF特征

---

HOG特征

HOG特征是纹理特征的一种，处理流程:

首先会对HOG特征进行灰度化，（HOG特征主要是用在了灰度图上，），然后，进行Gamma变换（其实就是对我们的值，进行根号求解，这样整个像素的值就会变小，实际上也是对数据的一个平滑），接下来计算梯度map(会计算每一个点，在x方向以及在y方向，这样的两个方向的梯度值，并利用这两个梯度值来计算梯度夹角,即：tan = x/y,再利用tan求出方向角，而这个方向角可以被量化到0~360，或者说四个方向或者说18个方向),以十八个方向为例，0°~19°量化为第一个方向，20°~39°量化为第二个方向。。。。。。。，这样，每个像素点都可以转换为一个HOG特征值，也就是所谓的梯度map，接下来将整张图片划分为小的cell，并且统计每个cell里面的梯度直方图，假设还是18个方向，那每个cell统计出来的直方图的维度就是18维。再把每四个cell组合成一个block,那每个block的特征计算4*18维，这样组合的意义在于，通过将特征组合后，来进行归一化处理，使特征变的更加鲁棒，最好，将多个block进行串联，组合成一个整体的特征。

实际上HOG特征的维度通常会和我们所量化的角度和所划分的cell的个数，如果cell的大小越小，  数量就越多，那么向量的梯度直方图的维度也会越长。通常HOG特征的维度会在几千维。是很高的，那么计算的时候复杂度是非常大的，我们在使用的时候要先用PCA进行降维。

 

LBP特征

Local Binary Pattern，局部二值模式,LBP是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。

原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。如下图所示：

 

对LBP特征向量进行提取的步骤

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；

（3）然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频率；然后对该直方图进行归一化处理。

（4）最后将得到的每个cell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了。

详见：

https://blog.csdn.net/hongbin_xu/article/details/79924961

 

SURF特征

详见https://blog.csdn.net/weixin_38404120/article/details/73740612