OpenCV图像特征提取与检测C++(三)SURF特征检测、SIFT特征检测、HOG特征检测、LBP特征检测、Haar特征

SURF特征检测
SURF(Speeded Up Robust Features 加速的稳定的特征，不会随着环境变化而改变)特征关键特性：

• -特征检测
• -尺度空间 放缩到不同尺度空间，尺度不变性
• -选择不变性 光照不变性，旋转不变性
• -特征向量 将上面的特性描述成特征向量，然后就可以进行特征匹配

尺度不变性：人类在识别一个物体时，不管这个物体或远或近，都能对它进行正确的辨认，这就是所谓的尺度 不变性。尺度空间理论经常与生物视觉关联，有人也称图像局部不变性特征为基于生物视觉的不变性方法。
旋转不变性：当这个物体发生旋转时，我们照样可以正确地辨认它，这就是所谓的旋转不变性

SURF特征检测 工作原理：

1. 选择图像中POI（ Points of Interest） 通过 Hessian Matrix 寻找
2. 在不同的尺度空间发现关键点，非最大信号压制(通过3*3矩阵做卷积，如果覆盖的中心像素值是局部最大值，保留，否则丢弃)
3. 发现特征点方法、旋转不变性要求 (旋转不变性 可忽略)
4. 光照不变性：假设{12，24，48} {6，12，24} 两组数据，将它们归一化到 0-1 之间，得到的结果都是 {0，0.5，1}，这个就叫光照不变 性(随着光的变化，各像素值呈同比例增减)
5. 生成特征向量 有了上述不变性特征，就可以生成特征描述子

一般来说，标准的SURF算子比SIFT算子快好几倍，并且在多幅图片下具有更好的稳定性。SURF最大的特征在于采用了harr特征以及积分图像的概念，这大大加快了程序的运行时间。SURF可以应用于计算机视觉的物体识别以及3D重构中。
API：

static Ptr<cv::xfeatures2d::SURF> cv::xfeatures2d::SURF::create(
double hessianThreshold=100, // -HessianThreshold 最小的Hessian阈值  值可选300~500之间
int nOctaves = 4, // -Octaves – 4表示在四个尺度空间
int nOctaveLayers = 3, // OctaveLayers – 表示每个尺度的层数
bool extended = false,
bool upright = false // -upright 0- 表示计算选择不变性， 1表示不计算，速度更快
);

代码：

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include<iostream>
#include<math.h>
#include <string> 
#include<fstream> 
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;

Mat src, graysrc;
int minHesssian = 100;
int maxhessian = 500;

void Surf(int, void*) {
    Ptr<SURF> detector = SURF::create(minHesssian);// SURF特征检测类，Ptr 智能指针
    vector<KeyPoint>keypoint;//特征点
    detector->detect(src,keypoint);//特征检测
    cout << "keypoint_size=" << keypoint.size() << endl;

    Mat dst;
    drawKeypoints(src, keypoint, dst, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
    imshow("output", dst);
}

int main() {
    src = imread("C:/Users/Administrator/Desktop/pic/1-H.jpg");
    imshow("input", src);
    //cvtColor(src, graysrc, CV_BGR2GRAY);
    Surf(0, 0);
    createTrackbar("yuzhi", "output", &minHesssian, maxhessian, Surf);
    waitKey(0);
}

结果：

SIFT特征检测（斑点检测）
SIFT(Scale-Invariant Feature Transform 尺度不变性特征变换)特征检测关键特性：

• -建立尺度空间，寻找极值(最小最大值)
• -关键点定位(寻找关键点准确位置与删除弱边缘)
• -关键点方向指定
• -关键点描述子

计算图像 x y 方向梯度获取像素位置的梯度，并以梯度计算直方图，最后统计出bins最高的梯度，这个梯度就是关键点的方向。

算法特点：

1. 特征是图像的局部特征，其对旋转，尺度缩放，亮度变化保持不变形，对视角变化，仿射变换，噪声也保持一定的稳定性。
2. 独立性好，信息丰富使用与海量特征数据库中进行快速准确的匹配。
3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量。
4. 高速

解决的问题：

• 目标的旋转，缩放平移
• 图像仿射/投影变换
• 光照影响
• 目标遮挡
• 杂物场景
• 噪声

SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。
SIFT在图像的不变特征提取方面拥有无与伦比的优势，但并不完美，仍然存在：
1. 实时性不高。
2. 有时特征点较少。
3. 对边缘光滑的目标无法准确提取特征点。

API：

static Ptr<cv::xfeatures2d::SIFT> cv::xfeatures2d::SIFT::create( // SIFT特征检测
int nfeatures = 0, // number of features 想求的特征的数量，越多计算量越大
int nOctaveLayers = 3, // 高斯金字塔的层级数，最小3，小于3就没有SIFT的尺度不变性的特点了