计算机视觉--------图像特征与描述

1.颜色特征

量化颜色直方图：

统计落在量化单元上的像素数量

HSV空间

优势：计算高校，劣势：量化问题，稀疏

聚类颜色直方图：

使用聚类算法对所有像素点颜色向量进行聚类，bin由聚类中心代表

2.几何特征

边缘：

像素明显变化的区域（一阶导数的极值区域）

边缘提取：

先高斯去噪，再使用一阶导数求极值

3.基于关键点的特征描述子

不同距离，方向，角度观察同一物体时，我们仍然可以认为他是同一物品。理想的特征描述子应该具备这个性质，同一特征点应具有足够相似的描述子，称之为描述点的可复现性。

特征点：

可重复的，显著的，抗图片变化的

Harris角点：

一种显著点，在任何方向移动小窗口，导致大的像素变动

角点：两个特征值都大

平面：两个特征值都小

直线：一个特征值大一个特征值小

Fast角点：

如果有个像素点和周围的像素点都不同，那么他就是Fast角点

斑点：

二阶导数的极值被称之为斑点，需要通过高斯滤波预处理再进行二阶求导

4.其他特征提取

局部特征SIFT：

基于尺度空间不变的特征

优点：具有良好的不变性，独特性好，信息量丰富，多量性

计算步骤：

在DoG尺度空间中获得极值点（关键点）（DoG的计算量比LoG小很多，故用DoG代替LoG）

对关键点处理（位置插值，去除边缘点）

关键点的方向估计（便于找到旋转过后的特征描述）

关键点描述子的生成

缺点：计算过度复杂

Haar-like特征：

边缘特征，线性特征，中心特征，对角线特征组成特征模板，特征模板内有白色和黑色两种矩形，并定义还模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了灰度值变化情况

局部特征SURF:

主要是对SIFT中的某些运算做了简化

与SIFT比较：

近似SIFT算法，实现快速版

亮度变化下效果好

模糊方面优于SIFT

尺度不变上不及SIFT

旋转不变上差很多

ORB特征描述：

基于FAST角点的特征检测与BRIEF特征描述技术，速度比SIFT和SURF更快

给FAST增加尺度不变性，给BRIEF增加旋转不变性

LBP(局部二值模式):

将每个像素点与周围点大小比较

多个BIT组成一个数，统计每个数的直方图

优点：灰度不变性