Python数据分析：常用图像特征

Python数据分析：常用图像特征

常用图像特征

1. 颜色特征
2. 纹理特征
3. 形状特征
4. skimage中的特征方法 skimage.feature

颜色特征

• 图像检索中应用最为广泛的视觉特征
  • 颜色直方图：从256种灰度颜色分为k个区间，然后计算每个区间中像素点总数。

图像形状特征

• 形状特征值的表达必须对图像中物体或区域的分割为基础

• SIFT(Scale-invariant feature transform) ，在尺度空间中提取的图像局部特征点。SIFT特征点提取较为方便，提取速度较快，对于图像的缩放等变换比较鲁棒，因此得到广泛应用。
  

• HOG(Histogram of Oriented Gradient),用于检测物体的特征描述，通过计算和统计图像局部区域的梯度方向直方图来构建特征

• 由于HOG是在图像的局部方格单元上操作，所以它对图像几何和光学的形变都能保持很好的不变性

• HOG特征特别适合于图像中的人体检测

颜色特征

from skimage import data, img_as_float, exposure

# 如果需要使用参数nbins，需要将图像数据从[0, 255]转换到[0, 1]
camera = img_as_float(data.camera())

# 颜色直方图
hist, bin_centers = exposure.histogram(camera, nbins=10)
print(hist)
print(bin_centers)

运行：

SIFT特征(DAISY特征)

from skimage.feature import daisy
import matplotlib.pyplot as plt
%matplotlib inline

daisy_feat, daisy_img = daisy(camera,step=180, radius=58, rings=2, histograms=6, visualize=True)
print(daisy_feat.shape)
plt.imshow(daisy_img)

运行：

HOG特征

from skimage.feature import hog
import matplotlib.pyplot as plt
%matplotlib inline

hog_feat, hog_img = hog(camera, visualise=True)
print(hog_feat.shape)
plt.imshow(hog_img)

运行：