《计算机视觉工程师养成计划》 ·数字图像处理·数字图像处理特征·概述~

1 定义

        从哲学角度看：特征是从事物当中抽象出来用于区别其他类别事物的属性集合，图像特征则是从图像中抽取出来用于区别其他类别图像的属性集合。

        从获取方式看：图像特征是通过对图像进行测量或借助算法计算得到的一组表达特性集合的向量。

2 认识

        有些特征是视觉直观感受到的自然特征，例如亮度、边缘轮廓、纹理、色彩等。

        有些特征需要通过变换或测量才能得到的构造特征，如直方图、变换频谱。

3 分类

        常用的图像特征包括：颜色特征、纹理特征、形状特征、区域特征。

 3.1 自然特征  

  3.1.1 颜色特征

        定义：颜色特征是一种全局统计特征，描述了图像或图像区域中成像事物的表面性质。

        举例：灰度特征、直方图特征

        应用：图像检索

        局限：丢失了空间特征

        表示方法：平均值(最值、中值)、方差(矩)、能量、熵、直方图等，均基于统计算子。

  3.1.2 纹理特征

        定义：纹理特征是一种区域特征、描述图像区域成像事物的表面性质，包括天然纹理、人为纹理。

        举例：指纹、花纹、粗糙度

        表示方法：      

         （1）灰度共生矩阵纹理特征：由灰度共生矩阵得到能量、惯性、熵和相关函数、提取纹理特征。（统计法）

         （2）图像自相关函数纹理特征，度量纹理的粗糙度。（统计法）

         （3）马尔可夫纹理特征。（模型法）

         （5）几何法：纹理基元理论认为，复杂的纹理可以由若干简单的纹理基础元以一定的有规律的形式重复排列构成。

         （6）频谱法：图像的傅里叶频谱能够很好地描述图像中周期或近似周期的空间特性，周期的纹理特性 特征在频谱中较好的获得。此外还有小波变换、Gabor变换等提取纹理特征。

  3.1.3 几何特征

       举例：

  3.1.4 区域特征

       举例：面积、颜色、重心(质心)

       表示方法：

       （1）简单的区域描述：区域面积、区域重心、区域颜色

       （2）拓扑描述：空洞数量H、连接部分数C、欧拉数（E = H - C）

         (3)  形状描述：矩形度(R = 物体面积/最小外接矩形面积，物体为圆，R = pi/4；细长的，弯曲的物体R取值变小，R反应物体弯曲细长程度)、圆形度(F = 周长平方/4*pi*面积, 刻画边界的紧凑性或复杂度，当区域为圆时，F=1；当区域为其他形状时，F > 1)、偏心度、矩等

 3.2 构造特征

     3.2.1 点特征

      举例：

     3.2.2 局部特征

      举例：

     3.3.3 全局特征

      举例：                    

4 特征应用 

     模式识别 

5 通俗解释

        我相信你们大多数人都玩过拼图游戏吧。首先你们拿到一张图片的一堆碎片，要做的就是把这些碎片以正确的方式排列起来从而重建这幅图像。问题是，你怎样做到的呢？如果把你做游戏的原理写成计算机程序，那计算机就也会玩拼图游戏了。如果计算机可以玩拼图，我们就可以给计算机一大堆自然图片，然后就可以让计算机把它拼成一张大图了。如果计算机可以自动拼接自然图片，那我们是不是可以给计算机关于一个建筑的的大量图片，然后让计算机给我们创建一个3D 的的模型呢？

        问题和联想可以无边无际。但是所有的这些问题都是建立在一个基础问题之上的。这个问题就是：我们是如何玩拼图的？我们是如何把一堆碎片拼在一起的？我们有时如何把一个个自然场景拼接成一个单独图像的？

        答案就是：我们要寻找一些唯一的特征，这些特征要适于被跟踪，容易被比较。如果我们要定义这样一种特征，虽然我们知道它是什么但很难用语言来描述。如果让你找出一个可以在不同图片之间相互比较的好的特征，你肯定能搞定。这就是为什么小孩子也会玩拼图的原因。我们在一副图像中搜索这样的特征，我们能找到它们，而且也能在其他图像中找到这些特征，然后再把它们拼接到一块。（在拼图游戏中，我们更注重的是图片之间的连续性）。我们的这些能力都是天生的。

        所以我们的一个问题现在扩展成了几个，但是更加确切了。这些特征是什么呢？（我们的答案必须也能被计算机理解）。

        好吧，很难说人是怎样找出这些特征的。这些能力已经刻在我们的大脑中了。但是如果我们深入的观察一些图像并搜索不同的pattern，我们会发现一些有趣的事。一下图为例：

        图像很简单。在图像的上方给出了六个小图。你要做的就是找到这些小图在原始图像中的位置。你能找到多少正确结果呢？
        A 和B 是平面，而且它们的图像中很多地方都存在。很难找到这些小图的准确位置。

        C 和D 更简单。它们是建筑的边缘。你可以找到它们的近似位置，但是准确位置还是很难找到。这是因为：沿着边缘，所有的地方都一样。所以边缘是比平面更好的特征，但是还不够好（在拼图游戏中要找连续的边缘）。
最后E 和F 是建筑的一些角点。它们能很容易的被找到。因为在角点的地方，无论你向哪个方向移动小图，结果都会有很大的不同。所以可以把它们当成一个好的特征。为了更好的理解这个概念我们举个更简单的例子。

        如上图所示，蓝色框中的区域是一个平面很难被找到和跟踪。无论你向那个方向移动蓝色框，长的都一样。对于黑色框中的区域，它是一个边缘。如果你沿垂直方向移动，它会改变。但是如果沿水平方向移动就不会改变。而红色框中的角点，无论你向那个方向移动，得到的结果都不同，这说明它是唯一的。所以，基本上来说角点是一个好的图像特征。（不仅仅是角点，有些情况斑点也是好的图像特征）。

        现在我们终于回答了前面的问题了，“这些特征是什么？”。但是下一个问题又来了。我们怎样找到它们？或者说我们怎样找到角点？我们也已经用一种直观的方式做了回答，比如在图像中找一些区域，无论你想那个方向移动这些区域变化都很大。在下一节中我们会用计算机语言来实现这个想法。所以找到图像特征的技术被称为特征检测。

        现在我们找到了图像特征（假设你已经搞定）。在找到这些之后，你应该在其他图像中也找到同样的特征。我们应该怎么做呢？我们选择特征周围的一个区域，然后用我们自己的语言来描述它，比如“上边是蓝天，下边是建筑，在建筑上有很多玻璃等”，你就可以在其他图片中搜索相同的区域了。基本上看来，你是在描述特征。同样，计算机也要对特征周围的区域进行描述，这样它才能在其他图像中找到相同的特征。我们把这种描述称为特征描述。当你有了特征很它们的描述后，你就可以在所有的图像中找这个相同的特征了，找到之后你就可以做任何你想做的了。