图像处理——特征提取与匹配

前言

传统图像处理中特征匹配有三个基本步骤：1.特征提取 2.特征描述 3.特征匹配

1. 特征提取就是从图像中提取出关键点（也称特征点、角点）
2. 特征描述就是用一组数学向量对关键点进行描述，其主要保证不同的向量和不同的特征点之间的关联是一种对应关系，并让相似关键点之间的差异尽可能小
3. 特征匹配就是特征向量之间的距离计算，常见的距离有欧式距离、余弦距离等

关键点是纹理中表达的点。关键点往往是物体边界方向突然改变的点或两个或多个边缘段之间的交点。它在图像空间中具有明确的位置或很好地定位。即使图像域的局部或全局存在如光照和亮度变化等的扰动，关键点仍然是稳定，可以被重复可靠地计算出。除此之外它应该提供有效的检测。

关键点的计算方法有两种:
1、基于图像的亮度（通常通过图像导数）。
2、基于边界提取（通常通过边缘检测和曲率分析）。

一、HOG(方向梯度直方图)

        HOG算法是一种用于目标检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HOG结合SVM分类器被广泛应用于图像识别中，尤其是行人检测任务。

特性：几何和光学不变性

HOG的主要思想是：在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布（即梯度的统计信息，而梯度主要位于边缘的地方）很好地描述。

实现过程：
（1）灰度化
（2）归一化：采用Gamma校正法对颜色空间的标准化
（3）计算图像中每一个像素的梯度（主要是为了捕获轮廓信息，同时进一步弱化光线的干扰）
（4）将图像划分为多个小cells（比如66像素一个cell）
（5）统计每个cell的梯度直方图（不同梯度出现的频率，即个数），即可形成每个cell的descriptor（描述子)
（6）将每几个cell组成一个block（比如33个cell组成一个block），一个block内所有的特征描述子串联起来便得到该block的HOG特征描述子。
（7）图像中所有block的HOG特征描述子串联起来就得到该图像的HOU特征描述子。这个就是最终的可供分类使用的特征向量了

参考链接: link

二、SIFT（Scale-invariant feature transform，尺度不变特征变换)的特征提取与匹配

Sfit算法的实质是在不同的尺度空间上查找关键点（特征点），计算关键点的大小、方向、尺度信息，利用这些信息组成关键点对特征进行描述的问题。Sift所查找的关键点都是一些十分突出，不会因光照，噪声等因素而变换的“稳定”特征点，如角点、边缘点、暗区的亮点以及亮区的暗点等。

具体步骤：
（1）生成高斯差分金字塔(DOG金字塔)，构建尺度空间
（2）检测空间极值点（也就是初步查探关键点）
（3）去除不好的关键点
（4）为每个关键点指定方向参数，使算子具备旋转不变性
（5）关键点描述子的生成（使用在关键点尺度空间内4×4的窗口中计算的8个方向的梯度信息，共×4×8=128维向量表征）
（6）特征匹配

参考链接: link

三、LBP(Local Binary Patterns,局部二值模式)

LBP算子是一种用来描述图像局部纹理特征的算子，具有灰度不变性。

其主要思想是在目标像素周围定义一个3x3的窗口，以目标像素为阈值，将相邻的8个像素的灰度值与目标像素进行对比，如果大于目标像素，则标记为1，如果小于等于则标记为0。这样，对每一个窗口都可以产生一个8位的二进制数。这样就得到了目标像素的LBP值。

基本步骤：
（1）首先将检测图像划分为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

参考链接: link