圖像的特徵提取與haar演算法

『壹』 圖像的特徵提取都有哪些演算法

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。

一 顏色特徵

（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

（二）常用的特徵提取與匹配方法

（1） 顏色直方圖

其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。

（2） 顏色集

顏色直方圖法是一種全局顏色特徵提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系

（3） 顏色矩

這種方法的數學基礎在於：圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低階矩中，因此，僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。

（4） 顏色聚合向量

其核心思想是：將屬於直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所佔據的連續區域的面積大於給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。

（5） 顏色相關圖

二 紋理特徵

（一）特點：紋理特徵也是一種全局特徵，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於雜訊有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當圖像的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

（二）常用的特徵提取與匹配方法

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。

（3）模型法

模型法以圖像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法

（4）信號處理法

紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自回歸紋理模型、小波變換等。

灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

三 形狀特徵

（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特徵所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特徵空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由於視點的變化，可能會產生各種失真。

（二）常用的特徵提取與匹配方法

Ⅰ幾種典型的形狀特徵描述方法

通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵主要針對物體的外邊界，而圖像的區域特徵則關繫到整個形狀區域。

幾種典型的形狀特徵描述方法：

（1）邊界特徵法該方法通過對邊界特徵的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然後，做出關於邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。

（2）傅里葉形狀描述符法

傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。

由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。

（3）幾何參數法

形狀的表達和匹配採用更為簡單的區域特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的圖像檢索。

需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的准確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。

（4）形狀不變矩法

利用目標所佔區域的矩作為形狀描述參數。

（5）其它方法

近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基於小波和相對矩的形狀特徵提取與匹配

該方法先用小波變換模極大值得到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化為 10 個相對矩，將所有尺度上的相對矩作為圖像特徵向量，從而統一了區域和封閉、不封閉結構。

四 空間關系特徵

（一）特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，後一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。

空間關系特徵的使用可加強對圖像內容的描述區分能力，但空間關系特徵常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效准確地表達場景信息。為了檢索，除使用空間關系特徵外，還需要其它特徵來配合。

（二）常用的特徵提取與匹配方法
提取圖像空間關系特徵可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然後根據這些區域提取圖像特徵，並建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然後對每個圖像子塊提取特徵，並建立索引。

『貳』 智能汽車tsr是什麼意思

【太平洋汽車網】汽車tsr指的是汽車安全系統中的交通標志識別系統，其是利用前置攝像頭結合模式，可以識別常見的交通標志，這一功能會提醒駕駛員注意前面的交通標志，以便駕駛員遵守這些標志。TSR功能降低了駕駛員不遵守停車標志等交通法規的可能，避免了違法左轉或者其他交通違法行為，從而提高了車主駕車的安全性。

交通標志識別系統一般包括檢測和識別兩部分。檢測一般是利用交通標志的形狀和顏色特徵，從自然場景中把交通標志提取出來。識別是把檢測出來的交通標志的內容識別出來。交通標志識別在規范交通行為、確保安全駕駛等方面具有重要的意義。交通標志通常處於室外復雜的環境條件下，識別的過程中容易受環境光照、方向旋轉的影響。

交通標志識別系統是智能交通系統與先進輔助駕駛系統的重要組成部分，提高交通標志檢測與識別演算法的准確率和實時性是走向實際應用進程中需要解決的關鍵問題。演算法的准確率是交通標志識別研究中一個十分重要的因素，錯誤的識別結果不僅不能起到輔助駕駛作用，還會導致嚴重的安全事故。而演算法的實時性決定了研究成果能否轉化為具有實際應用價值的產品。在汽車數量日益增加、交通安全事故居高不下，要求不斷提升汽車的駕駛智能化的現實壓力面前，開展以實時應用為目標的交通標志檢測與識別技術研究，對於增加駕駛安全具有重大的意義。

交通標志檢測是進行交通標志分類的前提，同時還壓縮了計算目標的空間，減少後續特徵提取演算法的運算量，還可以獲得更高的識別准確率。在圖像的特徵提取領域，常見的特徵提取與選擇方法有：PCA主成分分析法Gabor特徵提取演算法SIFT特徵提取演算法SURF特徵提取演算法Haar小波特徵提取演算法/類Haar小波特徵提取演算法不變矩特徵提取演算法直方圖特徵提取演算法交通標志分類與識別方法主要有：基於各種距離的模板匹配識別方法，基於大量數據樣本的機器學習識別方法以及基於粒子群演算法、遺傳演算法等智能演算法的識別方法。

（圖/文/攝：太平洋汽車網問答叫獸）

『叄』 經典圖像特徵|SIFT HOG LBP Haar

https://blog.csdn.net/lingyunxianhe/article/details/79063547

        尺度不變特徵轉換即SIFT (Scale-invariant feature transform)是一種計算機視覺的演算法。它用來 偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數 。局部影像特徵的描述與偵測可以幫助辨識物體，SIFT特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、雜訊、些微視角改變的容忍度也相當高。

     SIFT演算法的實質是在不同的尺度空間上查找關鍵點(特徵點)，並計算出關鍵點的方向 。SIFT所查找到的關鍵點是一些十分突出，不會因光照，仿射變換和噪音等因素而變化的點，如角點、邊緣點、暗區的亮點及亮區的暗點等。

    在一副圖像中，局部目標的表象和形狀（appearance and shape）能夠被梯度或邊緣的方向密度分布很好地描述。首先將圖像分成小的連通區域，我們把它叫細胞單元。然後採集細胞單元中各像素點的梯度的或邊緣的方向直方圖。最後把這些直方圖組合起來就可以構成特徵描述器。

大概過程：

HOG特徵提取方法就是將一個image（你要檢測的目標或者掃描窗口）：

1）灰度化（將圖像看做一個x,y,z（灰度）的三維圖像）；

2）採用Gamma校正法對輸入圖像進行顏色空間的標准化（歸一化）；目的是調節圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；

3）計算圖像每個像素的梯度（包括大小和方向）；主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。

4）將圖像劃分成小cells（例如6*6像素/cell）；

5）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor；

6）將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特徵descriptor串聯起來便得到該block的HOG特徵descriptor。

7）將圖像image內的所有block的HOG特徵descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特徵descriptor了。這個就是最終的可供分類使用的特徵向量了。

    LBP（Local Binary Pattern，局部二值模式）是一種用來描述圖像局部紋理特徵的運算元；它具有旋轉不變性和灰度不變性等顯著的優點。原始的LBP運算元定義為在3*3的窗口內，以窗口中心像素為閾值，將 相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記為1，否則為0。 這樣，3*3鄰域內的8個點經比較可產生8位二進制數（通常轉換為十進制數即LBP碼，共256種），即得到該窗口中心像素點的LBP值，並用這個值來反映該區域的紋理信息。

提取的步驟

（1）首先將檢測窗口劃分為16×16的小區域（cell）；

（2）對於每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進制數，即得到該窗口中心像素點的LBP值；

（3）然後計算每個cell的直方圖，即每個數字（假定是十進制數LBP值）出現的頻率；然後對該直方圖進行歸一化處理。

（4）最後將得到的每個cell的統計直方圖進行連接成為一個特徵向量，也就是整幅圖的LBP紋理特徵向量；

    Haar特徵分為三類： 邊緣特徵、線性特徵、中心特徵和對角線特徵，組合成特徵模板 。特徵模板內有白色和黑色兩種矩形，並定義該模板的特徵值為白色矩形像素和減去黑色矩形像素和。Haar特徵值反映了圖像的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。但矩形特徵只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對角）的結構。通過改變特徵模板的大小和位置，可在圖像子窗口中窮舉出大量的特徵。 特徵模板稱為「特徵原型」；特徵原型在圖像子窗口中擴展（平移伸縮）得到的特徵稱為「矩形特徵」；矩形特徵的值稱為「特徵值」。

    矩形特徵可位於圖像任意位置，大小也可以任意改變，所以矩形特徵值是矩形模版類別、矩形位置和矩形大小這三個因素的函數。故類別、大小和位置的變化，使得很小的檢測窗口含有非常多的矩形特徵，如：在24*24像素大小的檢測窗口內矩形特徵數量可以達到16萬個。這樣就有兩個問題需要解決了：（1）如何快速計算那麼多的特徵？—積分圖大顯神通；（2）哪些矩形特徵才是對分類器分類最有效的？

『肆』 圖像角點特徵之Harris、SIFT、SURF、ORB

角點檢測(Corner Detection)是計算機視覺系統中用來獲得圖像特徵的一種方法，廣泛應用於運動檢測、圖像匹配、視頻跟蹤、三維建模和目標識別等領域中。也稱為特徵點檢測。 角點通常被定義為兩條邊的交點，更嚴格的說，角點的局部鄰域應該具有兩個不同區域的不同方向的邊界。而實際應用中，大多數所謂的角點檢測方法檢測的是擁有特定特徵的圖像點，而不僅僅是「角點」。這些特徵點在圖像中有具體的坐標，並具有某些數學特徵，如局部最大或最小灰度、某些梯度特徵等。

這些角點通常在圖像中是穩定存在的。角點的微小偏移就能反映出圖像幀的相對運動。

Harris角點檢測演算法就是對角點響應函數R進行閾值處理：R > threshold，即提取R的局部極大值。
特點：具有角度不變性

SIFT克服了Harris的不足，縮放也沒影響，具有尺度不變性。
特點：角度不變性，尺度不變性

SURF是SIFT的加速版，它善於處理具有模糊和旋轉的圖像，但是不善於處理視角變化和光照變化。在SIFT中使用DoG對LoG進行近似，而在SURF中使用盒子濾波器對LoG進行近似，這樣就可以使用積分圖像了（計算圖像中某個窗口內所有像素和時，計算量的大小與窗口大小無關）。總之，SURF最大的特點在於採用了Haar特徵以及積分圖像的概念，大大加快了程序的運行效率。
特點：角度不變性，尺度不變性

更多

ORB（Oriented FASTand Rotated BRIEF）演算法是目前最快速穩定的特徵點檢測和提取演算法，許多圖像拼接和目標追蹤技術利用ORB特徵進行實現。
ORB採用FAST（features from accelerated segment test）演算法來檢測特徵點，採用BRIEF演算法來計算一個特徵點的描述子。
特點：角度不變性，尺度不變性，計算速度快（ORB是sift的100倍，是surf的10倍）

1、OpenCV版本

『伍』 haar系數保存

提取圖像5個方向的哈爾(haar)特徵並將其保存到文件中。
首先通過大量的具有比較明顯的haar特徵（矩形）的物體圖像用模式識別的方法訓練出分類器，分類器是個級聯的，每級都以大概相同的識別率保留進入下一級的具有物體特徵的候選物體，而每一級的子分類器則由許多haar特徵構成（由積分圖像計算得到，並保存下位置），有水平的、豎直的、傾斜的，並且每個特徵帶一個閾值和兩個分支值，每級子分類器帶一個總的閾值。
Haar特徵分為三類：邊緣特徵、線性特徵、中心特徵和對角線特徵，組合成特徵模板。特徵模板內有白色和黑色兩種矩形，並定義該模板的特徵值為白色矩形像素和減去黑色矩形像素和。在確定了特徵形式後Harr-like特徵的數量就取決於訓練樣本圖像矩陣的大小，特徵模板在子窗口內任意放置，一種形態稱為一種特徵，找出所有子窗口的特徵是進行弱分類訓練的基礎。

『陸』 什麼是haar特徵

是哈爾特徵（Haar-like features）的簡稱，用於物體識別的一種數字圖像特徵。

它們因為與哈爾小波轉換極為相似而得名，是第一種即時的人臉檢測運算。歷史上，直接使用圖像的強度(就是圖像每一個像素點的RGB值)使得特徵的計算強度很大。

帕帕喬治奧等人提出可以使用基於哈爾小波的特徵而不是圖像強度。維奧拉和瓊斯進而提出了哈爾特徵。哈爾特徵使用檢測窗口中指定位置的相鄰矩形，計算每一個矩形的像素和並取其差值。然後用這些差值來對圖像的子區域進行分類。

(6)圖像的特徵提取與haar演算法擴展閱讀

哈爾特徵變換的特點：

(1) 具有尺度和位移兩個特性；

(2) 變換范圍窄；

(3) 其變換特性與圖像中的邊界或線條的特性十分接近，因此圖像中的邊緣和線條經哈爾變換後，會產生較大的變換系數，而其它區劃的變換系數小。

在小波變換領域中，Haar函數是一種基本正交基，滿足：

(1) Ψm,n是正交的；

(2) LP平方空間中任意函數都可以由Ψm,n有限性組合逼近到任意精度。

『柒』 圖像特徵提取的演算法

這是實驗科學，不是簡單的發布在「網路知道」上就可以給出答案的。提問者想的太簡單了。當然，這個項目是能做的，但是結果的好壞除了依賴於演算法，還要看10萬幅圖片的圖像質量和分類情況。

『捌』 第三節、圖像特徵提取與描述

類似於把顏色空間分段歸類。

下圖為一個HSV空間下的例子：

解決量化顏色直方圖的稀疏的缺點：只有出現過的顏色才會在直方圖里分布，相近的顏色聚在一起。避免出現大量bin的像素數量非常稀疏的情況。

考慮相似但不相同的顏色之間的相似度：(各個「零」之間離的遠近：二次式方法)

比如A圖有5個像素點，顏色為255；B圖有5個像素點，顏色為254,；C圖有5個像素點，顏色為260。

先高斯去噪（用高斯函數進行濾波），再用一階導數獲取極值。

高斯去噪的原因：極值對雜訊特別敏感。

高斯函數的導數：標准差sigma代表邊緣提取的尺度。

對x，y求導：兩個峰分辨是橫向和縱向分布。

梯度的概念：

圖上每一個點都可以求出它的梯度。

X方向高斯梯度著重關注縱向邊緣，Y方向高斯梯度著重關注橫向邊緣。重點看人物左邊的那一根柱子就可以確定。

sigma代表了邊緣提取的模板的尺度，比如如果邊界清晰，sigma可以取得較大；如果邊界模糊，sigma需要取得較小。

反過來，sigma越小，提取到的邊界越清晰。

Harris角點的理解：

人眼對角點的識別通常是在一個局部的小區域或小窗口完成的。如果在各個方向上移動這個特徵的小窗口， 窗口內區域的灰度 發生了較大的變化，那麼就認為在窗口內遇到了角點。如果這個特定的窗口在圖像各個方向上移動時，窗口內圖像的灰度沒有發生變化，那麼窗口內就不存在角點；如果窗口在某一個方向移動時，窗口內圖像的灰度發生了較大的變化，而在另一些方向上沒有發生變化，那麼，窗口內的圖像可能就是一條直線的線段。

圖中的變動是指： 小觀察窗區域內圖像灰度的變動 。

對於圖像I(x,y)I(x,y)，當在點(x,y)(x,y)處平移(Δx,Δy)(Δx,Δy)後的自相似性，可以通過自相關函數給出：

其中，W(x,y)是以點(x,y)為中心的窗口，w(u,v)為加權函數，它既可是常數，也可以是高斯加權函數。

判斷Harris角點的方法：

計算並比較特徵值。

計算Harris角點的步驟：

舉例說明：計算Harris角點的響應值——>閾值化——>獲取局部最大值點（左下圖中標紅點的部分）

FAST角點的概念：

求FAST角點的具體步驟：

斑點又稱為拉普拉斯梯度，其定義以及演算法如下：

高斯濾波的二階導數：

高斯運算元中sigma對斑點識別的影響：

斑點是什麼：邊界包圍的部分就是斑點，如下圖：

大小、方向、明暗不能作為特徵描述子。

特徵點的應用：

其實不夠快，因此在SIFT之後產生了SURF和ORB。

這邊只列一些基本的概念吧。

DoG是高斯差分空間。LoG高斯拉普拉斯尺度空間和DoG之間有一個轉換關系，為了計算方便我們通常用拉普拉斯空間來替代高斯差分空間。

關鍵點描述子生成的解釋：

（1）找到關鍵點；

（2）在其附近劃一塊區域，然後把這塊區域轉化成一個由梯度所描述的高維向量（即：用合理的特徵來描述），以代表這個點周圍的所有信息。

LoG：先進行高斯平滑，再進行拉普拉斯濾波以發現邊緣和斑塊。

拉普拉斯二階求偏導，運算量很大：用差分代替微分。見下圖最下面兩張圖：左邊代表了差分，右邊兩條曲線是差分和微分的結果對比。

參考文獻：

Harrris角點部分參考：https://www.cnblogs.com/ronny/p/4009425.html

『玖』 圖像特徵提取方法

特點：
1、局部特徵
2、對旋轉，縮放，亮度變化保持不變性
3、高速性

缺點：
1、局部特徵
2、對邊緣光滑的圖像難以准確提取特徵點

原理：
1、在尺度空間（例如高斯金字塔）上搜尋keypoints興趣點（對於尺度和旋轉不變）
2、篩選上一步獲得的興趣點
（1）對空間中的極值點進行精確定位
（2）用Hessian矩陣消除邊緣效應3、在選定的尺度下，在興趣點附近構造梯度方向直方圖
4、對直方圖進行統計，以此來描述此keypoints

總結：
這個方法是通過尋找通過高斯模糊來構造不同尺度下的高斯尺度空間金字塔，通過遍歷所有點，找出尺度空間中的極值點（與26個點進行比較，分別是這一層的周圍8個點，以及上下兩層的9個點）。在初步探查之後，通過對尺度空間下的DoG函數進行擬合，來確定keypoints的精確位置。DoG運算元的缺點是有較強的邊緣效應，在消除邊緣效應之後，得到的就是篩選後的精確keypoints。最後就是對找到的keypoints統計梯度方向直方圖，並將其向量化。

簡單來說，這個方法由於其旋轉及尺度不變性，主要被應用於圖片匹配的應用中。

參考鏈接1
參考鏈接2

原理：
1、圖片預處理：灰度化，亮度空間標准化
2、計算圖中每個像素的梯度
3、將圖像劃分成一個個cell
4、統計每個cell內的梯度直方圖
5、將每幾個cell組成一個block，將該block內的所有cell的的梯度特徵串起來組成該block內的HoG特徵
6、將整張圖內的所有block的HoG向量串起來組成此圖的HoG特徵向量（可歸一化）

總結：
這個方法通過設定不同大小的cell以及block作為參數，統計出整張圖像的梯度特徵（梯度可以反應物體的形狀，邊緣等特徵），通過cell以及block的形式去統計局部特徵。該方法配合SVM曾是圖像分類任務中最為常用的。

參考鏈接1
參考鏈接2

步驟：
1、確定cell大小
2、遍歷cell中的像素，將其周圍的8個像素與其相比較，若大於中心像素，則對應像素標記為1，否則為0
3、統計cell中的二值直方圖，全部串起來組成圖像的特徵向量

總結：
這個方法通過二值降維的方式，提取出了圖像的紋理特徵，並且有效的減少了高頻雜訊的影響。

參考鏈接

步驟：
1、構建Hessian矩陣，生成所有的邊緣點
2、構建尺度空間金字塔
3、keypoints定位，對第一步生成的所有邊緣點進行尺度空間中的極值篩選
4、進行SIFT中的精確定位
5、特徵點主方向選擇，與SIFT不同的是，SURF採用的是Harr演算法中的扇形統計
6、統計4*4cell中的梯度值，並整合成特徵向量

總結：
這個方法是SIFT的優化演算法，通過在第一步構造Hessian矩陣選出邊緣點作為第一批keypoints，減少了SIFT中所有點在尺度空間中的極值對比。同時，通過該用Harr的扇形統計並沿主方向統計特徵，使得每一個cell中的向量維度由原來的128降到了64 。

參考鏈接