分割 反比 权重图 梯度 灰度_图像处理之特征提取

知乎上看到一个话题——

目前火热的 Deep Learning 会灭绝传统的 SIFT / SURF 特征提取方法吗？

由于之前研究过SIFT和HOG这两种传统的特征提取方法，故本篇文章先对SIFT和HOG作一综述，并比较二者优缺点。之后，将SIFT和HOG同神经网络特征提取做一对比，浅谈对上述问题的看法。如果能写得快一些，再简单介绍其他几种传统的特征提取的方法——SURF、ORB、LBP、HAAR等等。

目录

[1] SIFT(尺度不变特征变换)

[2] HOG(方向梯度直方图)

[3] SIFT和HOG的比较

[4] SIFT/HOG与神经网络特征提取的比较

[5] 其他传统特征提取的方法(SURF、ORB、LBP、HAAR)

先对几个概念和问题做一个解释：

图像为什么要灰度化？

识别物体，最关键的因素是梯度(SIFT/HOG)，梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了，可以把灰度理解为图像的强度。

颜色，易受光照影响，难以提供关键信息，故将图像进行灰度化，同时也可以加快特征提取的速度。

仿射不变性

平面上任意两条线，经过仿射变换后，仍保持原来的状态(比如平行的线还是平行，相交的线夹角不变等)

什么是局部特征？局部特征应该具有的特点？

局部特征从总体上说是图像或在视觉领域中一些有别于其周围的地方；局部特征通常是描述一块区域，使其能具有高可区分度；局部特征的好坏直接会决定着后面分类、识别是否会得到一个好的结果。

局部特征应该具有的特点： 可重复性、可区分性、准确性、有效性(特征的数量、特征提取的效率)、鲁棒性(稳定性、不变性)。

[1] SIFT(尺度不变特征变换)

1.1 SIFT特征提取的实质

在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出、不会因光照、仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。

1.2 SIFT特征提取的方法

1. 构建DOG尺度空间：

模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征。通过构建高斯金字塔(每一层用不同的参数σ做高斯模糊(加权))，保证图像在任何尺度都能有对应的特征点，即保证尺度不变性。

2. 关键点搜索和定位：

确定是否为关键点，需要将该点与同尺度空间不同σ值的图像中的相邻点比较，如果该点为max或min，则为一个特征点。找到所有特征点后，要去除低对比度和不稳定的边缘效应的点，留下具有代表性的关键点(比如，正方形旋转后变为菱形，如果用边缘做识别，4条边就完全不一样，就会错误；如果用角点识别，则稳定一些)。去除这些点的好处是增强匹配的抗噪能力和稳定性。最后，对离散的点做曲线拟合，得到精确的关键点的位置和尺度信息。

3. 方向赋值：

为了实现旋转不变性，需要根据检测到的关键点的局部图像结构为特征点赋值。具体做法是用梯度方向直方图。在计算直方图时，每个加入直方图的采样点都使用圆形高斯函数进行加权处理，也就是进行高斯平滑。这主要是因为SIFT算法只考虑了尺度和旋转不变形，没有考虑仿射不变性。通过高斯平滑，可以使关键点附近的梯度幅值有较大权重，从而部分弥补没考虑仿射不变形产生的特征点不稳定。注意，一个关键点可能具有多个关键方向，这有利于增强图像匹配的鲁棒性。

4. 关键点描述子的生成：

关键点描述子不但包括关键点&