图像特征

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。其中形状特征描述的几种典型的方法：

（1）边界特征：Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法； 边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。 

（2）傅里叶形状描述符法 
        傅里叶形状描述符(Fourier shape deors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。

（3）几何参数法 
        形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。

方向梯度直方图（ Histogram of Oriented Gradient, HOG ）特征时物体检测的特征描述子，它是通过计算和统计图像局部区域的 梯度方向直方图 来构成特征的。主要应用领域就是HOG+SVM进行行人检测。

 LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。

Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。Haar特征值反映了图像的灰度变化情况。，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向（水平、垂直、对角）的结构。