图像特征描述SIFT、SURF、ORB、HOG、HAAR、LBP特征的原理概述

最新推荐文章于 2024-10-10 16:32:30 发布

holy_hao

最新推荐文章于 2024-10-10 16:32:30 发布

阅读量1.2w

点赞数 2

分类专栏：图像处理

本文链接：https://blog.csdn.net/u011746554/article/details/70941268

版权

本文介绍了图像处理中的几种重要特征描述方法：SIFT（尺度不变特征转换）、SURF（加速稳健特征）、ORB（Oriented FAST and Rotated BRIEF）、HOG（方向梯度直方图）、HAAR（Haar特征）和LBP（局部二值模式）。SIFT通过尺度空间极值检测、关键点定位、方向确定和关键点描述实现尺度和旋转不变性。SURF在SIFT基础上进行了优化，简化了计算过程并引入了方向确定的新方法。ORB结合了FAST特征点检测和BRIEF描述子，同时增加了旋转不变性。HOG用于行人检测，通过计算方向梯度直方图得到特征。HAAR特征通常用于人脸识别，利用矩形模板进行特征检测。LBP是一种简单但有效的纹理描述符，有多种改进形式以增强其不变性。

摘要由CSDN通过智能技术生成

SIFT
SIFT尺度不变特征转换，具有选择，尺度不变性。由David Lowe在1999年所发表，2004年完善总结。

owe将SIFT算法分解为如下四步：
1. 尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。（采用不同参数的高斯模板进行不同尺度的模糊，对图像进行下采样进行图像金字塔，同层的上下两层相减得到高斯差分图像进行极值点检测DOG。）
2. 关键点定位：在每个候选的位置上，通过一个拟合精细的模型（三维二次函数）来确定位置和尺度。关键点的选择依据于它们的稳定程度。
3. 方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。旋转不变性，利用梯度的方法求取局部结构的稳定性。
4. 关键点描述（128维）：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。描述子是关键点领域高斯图像梯度统计结果的一种表示，通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量。
参考：http://blog.csdn.net/zddblog/article/details/7521424