图像特征与描述

：量化颜色直方图：（HSV空间）

        颜色空间量化，单元bin由单元中心代表

        统计落在来那个单元上的像素数量

        优势：计算高效   缺点：量化较难；分布稀疏

          

聚类颜色直方图：（Lab空间）

       单元bin由聚类中心代表

       用聚类算法对所有像素点颜色向量进行聚类

                        （Lab空间）

 

       若两幅图的颜色直方图几乎相同，只是相互错开了一个bin，此时若采用L1距离（L1范数：向量各个元素绝对值之和），或者欧拉距离（向量各个元素的平方求和然后求平方根，也叫欧式范数、欧氏距离）计算相似度，则会得到很小的相似度值。此时要用到

        方法1.二次式距离

       方法2：对颜色直方图先进行平滑过滤

 

 

几何特征：

        边缘：

                  定义：像素（尤其是灰度）变化明显的区域

                   如图一阶导数取到极值的地方就是边缘

                   提取：

                          1.先做高斯滤波去噪，再用一阶导数获取极值。 二维图片需对x和y两个方向求导数

                   提取尺度：高斯函数中不同的标准差会得到不同的边缘（σ）

                                                          高斯函数：

        关键点：可重复性，稳定性。抗图片变换（光线、角度）

                Harris corner（角点）：在任何方向上移动小窗口，导致大的像素变化

                                 

                       如何寻找Harris角点：

                      分别沿着X和Y取特征值M：

                      直线：一个特征值大，另一个特征值很小

                      平面：两个特征值都小，且近似相等（无明显灰度变化）

                      角点：两个特征值都大，且近似相等      

                Fast角点：（快速的角点检测运算，缺点：没有方向性）

                         某个像素点与周围共16个像素点在不同的区域，则该像素点有可能成为角点（判断16个像素点中心的点是，明或者暗）

                         在16个像素点中，若有n个（一般为12个）连续的像素点，它们的像素值要么都大于中间点Ip+t，都要么小于Ip-t，则称中间点为角点

                                         

               斑点：

                     1.先做高斯滤波去噪，再用二阶导数获取极大值。   （ps:零点为边缘，极大值为斑点）

                       

                      

局部特征SIFT：（具有良好的不变性：对于旋转、尺度缩放、平移、亮度变化、视角变化、噪声、仿射变化都有一定的稳定性）

                          （少数物体也可以产生大量的SIFT）

        步骤：1.提取关键点（LOG（拉布拉斯高斯）尺度空间和DOG（差分高斯）尺度空间，DOG为主，因为计算量小）

                   2.关键点处理：a.位置差值（获取精确的关键点）   b.去除边缘点

                   3.关键点方向的估计

                   4.关键点描述子的生成：a.区域坐标旋转   b.计算采样区域的直方图

 

            高斯金字塔计算DOG尺度空间：同一层越往上σ越大（上下层差2倍），上一层的底图是下一层的1/4降维取样，越底层代表的σ越小，特征约细；反之越明显

                                          极值点获取：一个点，除了同层所包围的点之外，还比上、下一层的各9个点大或者小，则这个点为极值点（用海森矩阵判断是否是正定的点，滤除边界）

                   

              特征点方向估计：在尺度空间上计算特征点为中心，3×1.5σ为半径的圆内所有点的梯度直方图（X轴为8个方向），获取最大值方向为关键点主方向，获取最大值80%以上                             的值的方向为关键点辅方向

              以特征点为中心，将特征点邻域内的图像向X轴旋转到主方向相同的方向

                          

           旋转后的坐标上采样16×16的像素窗

                           （4×4网格，每个网格内的16个元素归纳在一起形成直方图）（共128维）

            

Haar-Like特征：（反应图像灰度变化情况）

                 边缘特征、线性特征、中心特征、对角线特组合成的特征模板

                          

                 模板特征值：白色区域像素和减去黑色区域像素和

                  计算像素和简便：

                       

 

              

 

局部特征SUFT：（对SIFT的改进：可以提速3倍，亮度变化下效果好，模糊处理效果好；         缺点：尺度不变上处理结果较差，旋转不变上比SIFT差很多）        

                   相比SIFT的区别：先做海森矩阵判断是不是正定的点，再和上下层比较

                                                 Haar-Like特征代替SIFT在高斯滤波之后的求偏导（SIFT是图像尺寸在变，而SUFT是模板尺寸在变）

                                              

                                                 SUFT中，是统计特征点邻域内的Haar小波特征（以特征点为中心，计算半径为6S（S为特征点坐在的尺度值）邻域内（方形区域），统计60°范围内，所有点在X                                           和Y方向上的Haar小波（右方模板）响应总和，然后以一定角度（60°）旋转该扇形，最后将最大值的扇形的方向作为特征点的主方向）

                                                

                                                  同SIFT，也要经过相同的旋转，旋转后仍用Haar小波（右方模板）响应总和来求特征向量（64维）

 

BRIEF

      对图片进行平滑，然后在特征点周围画分一个区域，在该区域内随机选定Nd个点对（有5种取值方法），对比点对的大小，将对比结果存放到二进制变量中（如大的为1，小的为0）

                          （ps：点对的生成方式有5种，服从均匀分布且相互独立，均值为0，方差为S²/25的高斯分布）

                            (ps：点对的位置一旦选定便不能再改）

                                              

 

ORB特征：（比SIFT和SUFT都要快）

                 优化了FAST角点的却乏尺度不变性：构建高斯金字塔，然后在每一层金字塔图像上检测角点

                 优化了BRIEF的却乏旋转不变性：加上旋转不变性

        ORB对BRIEF的改进：

                 ORB在建立BRIEF描述子时是以关键点为原点，以关键点到取点区域的形心的连线为X轴建立坐标系（ps：计算形心时，每个点的质量为其像素值）

                        

 

 LBP（局部二值模式）：（具有灰度不变性和旋转不变性）

         取像素点，与它周围9个像素点对比，大的为计1，小的计为0。形成二进制数组（由于起始位置不确定，取最小的二进制数（ps：解决了旋转不变性）），转换成十进制。

                       

         改进：将3×3的邻域拓展到任意范围，方形也可变为圆形

                        

Gabor：（用于边缘提的线性滤波器，能够提供良好的方向性和尺度选择特性，且对于光照变化不敏感。 十分适合纹理分析，符合人眼的识别特征）

               组成： （  空域：一个三角函数与一个高斯函数叠加；   频域： 加窗傅里叶变换 ）

                         

              多尺度，多方向：（一般为3尺度，8方向，可调整窗口函数改变）