图像特征提取中的一些不变形，平移不变性，旋转不变性 光照不变性

不变性：就是目标发生了变换，但是你依然可以识别出来。
在图像任务中，我们希望图像中的目标即使被平移、被旋转或者被缩放，模型都可以识别出来。
主要有以下几种不变性：

1. 平移不变性
2. 旋转不变性
3. 尺度不变性
4. 光照不变性

目标检测的不变性：卷积神经网络是将“空间不变性”的这一概念 系统化，用较少的参数来学习有用的特征。从而使物体不管在什么位置，可以利用物体的不变性，来找到物体。
**平移不变性:**不管出现在图像中的哪个位置，神经网络的底层应该对相同的图像区域做出类似的响应。 这个原理即为“平移不变性”。
卷积，可以通过相同的卷积核提取特征，使得当物体在不同的位置时，但都能提取到物体的关键特征。只是位置发生了变化。
但是当输入图像中，改变一个像素就可能会得到不同的结构，所以没有平移不变性。
池化，下采样，当图像中平移了2个单位，但是当感受野恰好步长也是2 ，则可以得到平移不变性。池化还可以得到旋转不变性和尺度不变性。
Max pooling的局部平移不变性：
这是由于Max Pooling取得是一个区域内的极大值。 当s=2时，即可保持不变性。

但是有的就认为池化并没有不变性。我也感觉池化不容易保证平移不变性。如经过多次池化就不容易保持平移不变性。
旋转不变性
旋转不变性：只要对特征定义了方向，然后在同一个方向上进行特征描述就可以实现旋转不变性。

在图像锐化的时候，看到有一句话“拉普拉斯算子是最简单的各向同性微分算子，具有旋转不变性”，才体会到，旋转不变性，在图像处理中是有应用的。好像作用还挺大。在目标边缘检测的时候，目标所在图像在随机的变化，那么检测它的算子就应该具有适应性，尤其在不同的方向。拉普拉斯算子刚好满足这个需求，因为其具有旋转不变性。

各向异性：是一个像素点在四个方向上的值都一样。
当然也有各向异性，各向异性值的是一个像素点在四个方向上的梯度变化不一样。
拉普拉斯算子在图像处理中的应用

拉普拉斯算子在图像处理中的应用2
傅立叶变换也可以提取图像的旋转不变性。将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性

极坐标傅立叶变换的旋转不变性
尺度不变性：为了实现尺度不变性，需要给特征加上尺度因子。在进行特征描述的时候，将尺度统一就可以实现尺度不变性了。

所谓的旋转不变性和尺度不变性的原理，就是我们在描述一个特征之前，将两张图像都变换到同一个方向和同一个尺度上，然后再在这个统一标准上来描述这个特征。同样的，如果在描述一个特征之前，将图像变换到同一个仿射尺度或者投影尺度上，那么就可以实现仿射不变性和投影不变性

光照不变性
LBP的灰度/光照不变性，是通过邻域内像素点减去中心像素的值再经过阈值处理（0，1）的来实现对光照不敏感的。

深度学习中光照不变性及旋转不变性

局部性:神经网络的底层应该只探索输入图像中的局部区域，而不考虑图像远处区域的内容，这就是 “局部性”原则。最终，这些局部特征可以融会贯通，在整个图像级别上做出预测。
局部性是在每一层只能包含局部信息。