CV理论基础（三）：图像特征与描述

描述子描述特征点，理想中的描述子应具备在大小、方向、明暗不同的图像中，同一特征点应具有足够相似的描述子，称之为描述子的可复现性。

颜色特征

量化颜色直方图

• 适用颜色空间：RBG、HSV等颜色空间

• 操作：
  颜色空间量化，单元（bin）由单元中心表示
  统计落在量化单元上的像素数量

• 常用方法：将颜色空间各个分量（维度）均匀地进行划分

• 举例

聚类颜色直方图

• 适用颜色空间：Lab等颜色空间

• 操作：
  使用聚类算法对所有像素点颜色向量进行聚类
  单元（bin）由聚类中心表示

• 具体解释：考虑图像颜色特征在整个空间的分布情况，避免出现大量bin中的像素数量非常稀疏的情况。

• 举例:
  
  

缺陷及改进

设想两幅图像的颜色直方图几乎相同，只是互相错开了一个bin，这时如果采用L1距离或者欧拉距离计算两者的相似度，会得到很小的相似度值。

为了克服这个缺陷，需要考虑到相似但不相同的颜色之间的相似度：
（1）采用二次距离
（2）对颜色直方图事先进行平滑过滤，即每个bin中的像素对于相邻的几个bin也有贡献

几何特征

Edge，Corner，Blob

边缘 Edge

边缘是像素明显变化的区域，具有丰富的语义信息，用于物体识别，几何、视角变换

（1）边缘定义：像素值函数快速变化的区域$\to$一阶导数的极值区域

（2）边缘提取：
先高斯去噪，在使用一阶导数获取极值，因为导数对噪声敏感

边缘提取尺度问题：不同标准差的滤波（x方向）、能捕捉到不同尺度的边缘

常见边缘：斜边缘 ，引入梯度概念，梯度幅度/强度：$h_x(x,y{)}^2+h_y(x,y{)}^2$，梯度增加最快的方向$arctan($