python2.7图像局部增强_Python图像局部特征提取

图像特征能够包罗颜色特征、纹理特征、外形特征以及局部特征点等。个中局部特点具有很好的不乱性，不轻易受外界情况的干扰。图像特征提取是图像剖析与图像识其余前提，它是将高维的图像数据进行简化表达最有效的体式，从一幅图像的的数据矩阵中，我们看不出任何信息，所以我们必需凭据这些数据提掏出图像中的要害信息，一些根基元件以及它们的关系。

图像局部特征描述的焦点问题是不变性(鲁棒性)和可区分性。因为使用局部图像特征描述子的时候，平日是为了鲁棒地处理各类图像变换的情形。是以，在构建/设计特征描述子的时候，不变性问题就是首先需要考虑的问题。在宽基线成家中，需要考虑特征描述子对于视角转变的不变性、对标准转变的不变性、对扭转转变的不变性等；在外形识别和物体检索中，需要考虑特征描述子对外形的不变性。

局部特征点是图像特征的局部表达，它只能回响图像上具有的局部特别性，所以它只适合于对图像进行成家，检索等应用。对于图像懂得则不太适合。尔后者更关心一些全局特征，如颜色分布，纹理特征，首要物体的外形等。全局特征轻易受到情况的干扰，光照，扭转，噪声等晦气身分都邑影响全局特征。比拟而言，局部特征点，往往对应着图像中的一些线条交叉，明暗转变的构造中，受到的干扰也少。

对于局部特征的检测，平日使用局部图像描述子来进行。

黑点与角点是两类局部特征点。黑点平日是指与四周有着颜色和灰度不同的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的抗噪能力要强，不乱性要好。而角点则是图像中物体的拐角或许线条之间的交叉部门。

黑点检测道理与举例

LoG与DoH

黑点检测的方式首要包罗行使高斯拉普拉斯算子检测的方式(LOG),以及行使像素点Hessian矩阵(二阶微分)及其队列式值的方式(DOH)。

DoH方式就是行使图像点二阶微分Hessian矩阵, Hessian矩阵队列式的值，同样也反映了图像局部的构造信息。与LoG比拟，DoH对图像中的颀长构造的黑点有较好的按捺感化。

无论是LoG照样DoH，它们对图像中的黑点进行检测，其步伐都能够分为以下两步：

使用分歧的生成或模板，并对图像进行卷积运算；

在图像的位置空间与标准空间中搜刮LoG与DoH响应的峰值。

SIFT(标准不变特征变换)

标准不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间标准中寻找极值点，并提掏出其位置、标准、扭转不变量。该描述子具有非常强的稳健性。

SIFT算法具体介绍