阅读桑迪潘·戴伊的《Python图像处理实战》笔记七

七、 图像特征提取与描述符

1.特征检测器与描述符

检测器：基于某种标准从图像中选择一组感兴趣点的算法
描述符：表示图像特征/感兴趣点值的集合
图像处理基本思想：输入图片—特征检测—特征描述—估计/匹配/索引/检测

2.哈里斯角检测器

该算法探究了当前窗口在图像中改变位置时，窗口内的强度变化。
（1）使用corner_harris()函数的哈里斯角点检测器图像的角点
使用corner_subpix()函数可以以子像素的准确率对检测到的角点进行细化
（2）在图像匹配中的应用
匹配一般方法：①计算感兴趣的点—②考虑每个关键点周围的区域—③从该区域为每幅图像、每个关键点计算一个局部特征描述符，并对其规范化—④匹配在两幅图像中计算的局部描述符。

3.基于LoG、DoG和DoH的斑点检测器

（1）高斯拉普拉斯：只用来检测黑暗背景上的亮斑，虽然准确，但速度很慢
（2）高斯差分：比LoG更快，但准确率更低，尽管较大的斑点检测仍然很昂贵
（3）黑塞矩阵DoH：能检测深色背景和浅色背景上的亮斑，但不能准确检测到小亮斑

4.基于方向梯度直方图的特征提取

（1）HOG描述符的算法描述：

①如果愿意，对图像进行全局归一化处理
②计算水平和垂直梯度图像
③计算梯度直方图
④块集归一化处理
⑤扁平组合成特征描述符向量

5.尺寸不变特征变换

先构造SIFT目标，然后用detect()方法计算图像中的关键点，接着，用drawKeypoints()函数在检测的关键点周围绘制小圆圈。

6.类Haar特征及其在人脸检测中的应用

（1）基于类Haar特征的人脸检测的应用

利用Viola-Jones人脸检测算法，使用类Har特征可将图像中的人脸检测出来。由于每一个类Haar特征仅是一个弱分类器，因此需要大量的类Haar特征来检测出准确率较高的人脸。首先，利用积分图像，计算出每个类Haar核的所有可能大小和位置的大量类Haar特征。其次，在训练阶段使用AdaBoost集成分类器从大量的特征中选择重要的特征，并将它们组合成一个强分类器模型。最后，利用所学习的模型对具有所选特征的人脸区域进行分类。

（2）基于OpenCv使用Haar级联特征的预训练分类器的人脸/眼睛检测
使用detectMultiScale()函数和预训练好的级联分类器，可以找到图像中的人脸