skimage.feature--corner_harris、hog、local_binary_pattern说明

skimage.feature说明–corner_harris、hog、local_binary_pattern

1. 前言

scikit-image feature是一个强大的python可以调用的计算特征库。对于常见的图像特征可以直接调用scikit-image feature中封装好的函数来计算，速度也比自己编写的函数快。

2. corner_harris

2.1 介绍

skimage.feature.corner_harris(image, method='k', k=0.05, eps=1e-06, sigma=1)[source]

计算哈里斯角度测量响应图像。

该角点检测器使用来自自相关矩阵A的信息：

其中imx和imy是一阶导数，用高斯滤波器进行平均。角落测量然后被定义为：

或

2.2 参数及返回

• 参数。image：ndarray输入图像。method：{‘k’，‘eps’}，可选用于从自相关矩阵计算响应图像的方法。k：float，可选灵敏度因子，用于分离边缘的角点，通常范围为0，0.2。较小的k值会导致检测到尖角。eps：float，可选归一化因子（Noble的角点测量）。sigma：float，可选用于高斯核的标准偏差，用作自相关矩阵的加权函数。

• 返回。ndarray Harris反应形象。

示例：

>>> from skimage.feature import corner_harris, corner_peaks
>>> square = np.zeros([10, 10])
>>> square[2:8, 2:8] = 1
>>> square.astype(int)
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 1, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 1, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 1, 1, 1, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
>>> corner_peaks(corner_harris(square), min_distance=1)
array([[2, 2],
       [2, 7],
       [7, 2],
       [7, 7]

3. hog

3.1 介绍

skimage.feature.hog(image, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(3, 3), block_norm='L1', visualise=False, transform_sqrt=False, feature_vector=True, normalise=None)[source]

提取给定图像的定向梯度直方图（HOG）。

如何计算面向梯度的直方图（HOG）：

1. 全局图像标准化（可选）
2. 在x和y中计算渐变图像
3. 计算梯度直方图
4. 正常化块
5. 展平成一个特征向量

3.2 参数及返回

• 参数。图像：（M，N）ndarray输入图像（灰度）。方向：int，可选方向箱的数量。pixels_per_cell：2元组（int，int），可选的单元格大小（以像素为单位）。cells_per_block：2元组（int，int），可选每个块中的单元格数。block_norm：str {‘L1’，‘L1-sqrt’，‘L2’，‘L2-Hys’}，可选块归一化方法：L1使用L1范数进行归一化。（默认）L1-sqrt使用L1-norm进行归一化，然后是平方根。L2规范化使用L2范数。使用L2范数进行L2-Hys归一化，然后将最大值限制为0.2（Hys代表滞后）并使用L2范数重新归一化。有关详细信息，请参阅R196，R197。可视化：布尔，可选还返回HOG的图像。transform_sqrt：bool，可选应用幂法压缩以在处理前对图像进行归一化。如果图像包含负值，请不要使用它。另请参阅下面的注释部分。feature_vector：bool，可选通过在返回前对结果调用.ravel（）来返回数据作为特征向量。normalize：bool，不赞成参数已弃用。使用transform_sqrt进行幂法压缩。规范化已被弃用。

• 返回。newarr：ndarray HOG将图像视为一维（展平）阵列。hog_image：ndarray（if visualize = True）HOG图像的可视化。

• 注意。所提出的代码实现了从[R195]的HOG提取方法，其具有以下变化：（I）使用（3,3）单元的块（（2,2））;（II）单元内没有平滑（高斯空间窗口sigma = 8pix在论文中）;（III）使用L1块标准化。幂律压缩也称为伽玛校正，用于减少阴影和光照变化的影响。压缩使黑暗区域变得更轻。当kwarg transform_sqrt设置为True，该函数计算每个颜色通道的平方根，然后将宏算法应用于图像。

4. local_binary_pattern

4.1 介绍

skimage.feature.local_binary_pattern(image, P, R, method='default')[source]

灰度和旋转不变LBP（局部二元模式）。LBP是一种可用于纹理分类的不变描述符。

4.2 参数及返回

• 参数。image：（N，M）阵列Graylevel图像。P：int圆对称邻居设置点的数量（角度空间的量化）。R：float圆的半径（操作员的空间分辨率）。method：{‘default’，‘ror’，‘uniform’，‘var’}确定模式的方法。‘default’：原始的局部二值模式，它是灰度但不是旋转不变的。‘ror’：扩展灰度和旋转不变的默认实现。‘uniform’：改进的旋转不变性和均匀的模式以及角度空间的更精细的量化，灰度和旋转不变。‘nri_uniform’：非旋转不变的均匀图案变体，它只是灰度不变的R199。‘VAR’：旋转不变方差测量局部图像纹理的对比度，其是旋转但不是灰度不变的。

• 返回：（N，M）阵列LBP图像。

5. 总结

scikit-image feature是一个强大的python可以调用的计算特征库，很方便使用。欢迎指正！