opencv纹理特征提取_图像特征提取实践小结

一、背景

视觉是人类最高级别的感知，因此图像在人类感知中扮演着重要的角色。统计表明，人类从外界获得的绝大部分信息是来自视觉所接收的图像信息。随着计算机软硬件技术、社交网络和多媒体技术的快速发展，图像的生成、处理、存储、传播变得越来越方便，图像数据量呈现出爆炸性的增长。58作为国内排名前列的生活服务平台，存储有海量的图像数据。如何使用好这些图像数据涉及到各种类型的图像任务，常见的有：图像审核、图像分类、人脸识别、OCR、目标检测、图像检索、图像质量评价等。图像特征提取往往是处理这些任务的第一步，也往往是关系任务成败的重要一步。本文对作者所在团队在图像特征提取方面的一点实践做一个简要总结。

二、特征提取

图像特征多种多样，不同的任务会用到不同的特征。出于适应多种常见任务的考虑，实践中提取了3种类型图像特征。

2.1 传统全局特征

全局特征描述图像整体的信息，常见的全局特征有颜色、形状、纹理等。全局特征计算简单、表示直观，但容易受到光照、旋转、噪声等干扰。实践中提取了与视觉感知直接相关的平均色调、平均饱和度、平均亮度、清晰度、对比度等特征。

2.2 局部特征

局部特征描述图像局部区域的信息，代表的是图像上的一些特殊点或特殊局部区域，如角点、边缘、斑点等。不同图像可能有不同数量的局部特征。该类特征通常是为了鲁棒地处理各种图像变换而设计，因此通常具备旋转、缩放、亮度变化不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

局部特征提取分为两步：特征点检测和特征点描述。特征点检测的作用是从图像中定位到特征点，常用算法有DOG、LOG、MSER、Hessian affine、Harris-Hessian、FAST等。特征点描述的作用是用一个向量来表示检测到的特征点，常用算法有SIFT描述子、PCA-SIFT描述子、ROOT-SIFT描述子、SURF描述子、BRIEF等。

局部特征提取算法非常之多，实践中提取了SIFT、SURF、ORB等特征。SIFT(Scale Invariant Feature Transform)是众多局部特征中应用最广的，SIFT的提出是局部图像特征描述子研究领域一项里程碑式的工作。SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分性，自它提出以来，很快在物体识别、宽基线图像匹配、三维重建、图像检索中得到了应用。SURF(Speeded Up Robust Features)是