1-10(图像特征与描述，行列式P1，leetcode108,110)

拓展知识：

1. 梯度

（1）什么是梯度？
梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。
梯度在机器学习里面和找极值有很大关系

（2）梯度方向是什么？
多元函数在某一点的梯度是一个非常特殊的向量，其由多元函数对每个变量的偏导数组成（这即是为什么求梯度的时候需要对各个变量求偏导的原因），其方向为函数在该点增加最快的方向，大小为函数在该点的最大变化率。

（3）又为什么有梯度下降的说法？
举个常见的例子：你站在山上某处，想要尽快下山，于是决定走一步算一步，也就是每走到一个位置时，求解当前位置的梯度，沿着梯度的负方向，也就是当前最陡峭的位置向下走，这样一直走下去，很可能走不到山脚，而是某个局部的山峰最低处。如下图所示：

以上，我们可以总结一下：梯度下降法就是沿着梯度下降的方向求解极小值，沿着梯度上升的方向可以求得最大值，这种方法叫梯度上升。

（4）为什么梯度反方向是函数下降最快的方向？

2.尺度

1.图像的尺度
这里图像的尺度并非指图像的大小，而是指图像的模糊程度（σ） ，例如，人近距离看一个物体和远距离看一个物体模糊程度是不一样的，从近距离到远距离图像越来越模糊的过程，也是图像的尺度越来越大的过程。

2.尺度空间的作用
1.用机器视觉系统分析未知场景时，计算机并不预先知道图像中物体的尺度。我们需要同时考虑图像在多尺度下的描述，获知感兴趣物体的最佳尺度。
2.不同的尺度下都有同样的关键点，那么在不同的尺度的输入图像下就都可以检测出来关键点匹配，也就是尺度不变性。

图像的尺度空间表达指的就是图像在所有尺度下的描述。

2.最佳尺度选择
感兴趣图像结果在不同尺度上的响应是不同的，例如，同样一副含有人手的图像，当我们的感兴趣结构是人的手指，或者是人的手臂时，所需图像的最佳尺度是不同的。

有关尺度介绍的一些贴子：
（1）尺度空间理论
（2）图像的尺度、尺度空间等概念

1.图像特征与描述

1.1 颜色特征

颜色特征是在图像检索中应用最为广泛的视觉特征

1.1.1 量化颜色直方图

•适用颜色空间：RGB、HSV等颜色空间，HSV使用比较多

•操作:
(1)颜色空间量化，单元（bin）由单元中心代表
(2)统计落在量化单元上的像素数量

•最常用的方法：
将颜色空间的各个分量（维度）均匀地进行划分。

如下图就是量化颜色直方图的例子：

如上图所示：量化颜色直方图会非常稀疏

1.1.2 聚类颜色直方图

•适用颜色空间：
Lab等颜色空间
•操作
：使用聚类算法对所有像素点颜色向量进行聚类
：单元（bin）由聚类中心代表

聚类算法考虑到图像颜色特征在整个空间的分布情况，避免出现大量的bin中的像素数量非常稀疏的情况

1.1.3对相似但不相同的颜色之间的相似度的处理

概念引入：
设想两幅图像的颜色直方图几乎相同，只是互相错开了一个bin，这时如果采用L1距离或者欧拉距离计算两者的相似度，会得到很小的相似度值。

一种方法是采用二次式距离。

另一种方法是对颜色直方图事先进行平滑过滤，即每个bin中的像素对于相邻的几个bin也有贡献。

1.1.4 颜色直方图OpenCV实现

RGB颜色直方图

import cv2 as cv
from matplotlib import pyplot as plt

img_bgr_data = cv.imread(
    "C:\\Users\\hamme\\PycharmProjects\\Mydemo\\CV_Base\\03_lensson2_Image_Process\\opencv.png")

# 彩色图像直方图
plt.figure(figsize=(15, 5))  # 设置画布的大小

#
plt.subplot(221), plt.imshow(img_bgr_data)
# B通道 直方图
ax1 = plt.subplot(222)
ax1.hist(img_bgr_data[:, :, 0].ravel(), bins=50, color='b')
# G通道 直方图
ax2 = plt.subplot(223)
ax2.hist(img_bgr_data[:, :, 1].ravel(