计算机视觉的深度学习实战四：图像特征提取
综述：
几何特征基于关键点的特征描述子其他特征提取：（LBP、Gabor）代码实践 一、颜色特征 1、量化颜色直方图
2、聚类颜色直方图lab空间是用数字化的方法来描述人的视觉感应 。Lab颜色空间中：3、二、几何特征 1、边缘（Edge）
边缘提取：
三、基于特征点的特征描述子1、几何特征：特征点/关键点兴趣点/关键点（ point/Key point）
2、几何特征：角点
角点（）
数学模型：偏移（u,v）后窗内图像变化
判断角点：
3、FAST角点检测
4、几何特征：斑点高斯拉普拉斯滤波/ of （LoG）
【计算机视觉的深度学习实战四：图像特征提取】当sigma较小时，将识别出更为细节的边缘 。
斑点（Blob）局部特征：SIFT（尺度不变特征变换）Scale-对关键点处理关键点的方向估计关键点描述子的生成特点：独特性好，信息量丰富多量性计算快可扩展性，可以很方便的与其他形式的特征向量进行联合 。尺度空间：高斯金字塔就是在传统金字塔的基础上，对每一层用不同的参数σ做高斯模糊，是的每一层金字塔有多张高斯模糊图像，这样一组图像是一个 。
SIFT-计算高斯差分(DoG)空间
SIFt-DoG空间极值点就是“关键点”通过拟合三维二次函数来精确确定关键点的位置和尺度同时去除低对比度的关键点和不稳定的边缘相应点（因为DoG算子会产生较强的边缘响应），以增强匹配稳定性、提高抗噪声能力 。SIFT-特征点方向估计活取最高值方向为关键点主方向为了匹配的稳定性，将超过最高值80%的方向称为辅方向
为了保证特征矢量具有旋转不变性，需要以特征点为中心，将特征点附近邻域内的图像旋转一个方向角θ即将原图像x轴转到与主方向相同的方向 。
SIFT-计算特征点描述子SIFT的缺点是：计算太复杂，如果不借助硬件加速或专门的图像处理器很难实现 。
改进方式：Haar-like特征：Haar-like特征的快速计算：积分图5、局部特征：SURF
SURF（Speed-Up）算子是 Bay等人在2006年提出的，它是对SIFT的改进，可将速度提高三倍 。
SURF只要是把SIFT中的某些运算做了简化 。
加速三倍亮度效果下效果好模糊方面优于SIFT尺度不变上不及SIFT旋转不变上差很多
6、ORB特征描述ORB的基本思路BRIEF的缺点是7、BRIEF
点对的位置一旦随机选定，就不能再更改
ORB对BRIEF的改进四、LBP
LBP(局部二值模式)
多个bit组成一个数，统计每个数的直方图
为解决旋转不变性的问题：将LBP周围的二进制码（如）按位旋转，取二进制码最小的值为最终LBP值 。如：对于情况，我们按位旋转，得到，，，，，，七个不同的二进制数，最小值为.
改进的LBP:LBP特征具有灰度不变性和旋转不变性等显著优点 。
五、GaborGabor滤波器组
Gabor滤波器
三尺度
八方向
六、代码实现 1、
import numpy as npimport cv2 as cvfilename = "picture/chessboard.png"img = cv.imread(filename)gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)gray = np.float32(gray)dst = cv.cornerHarris(gray,2,3,0.04)#result is dilated for marking the corners, not importantdst = cv.dilate(dst,None)# Threshold for an optimal value, it may vary depending on the image.img[dst>0.01*dst.max()]=[0,0,255]cv.imshow('dst',img)if cv.waitKey(0) & 0xff == 27:cv.destroyAllWindows()
2、ORB
import numpy as npimport cv2 as cvimport matplotlib.pyplot as pltimg1 = cv.imread('picture/box.png',0)# queryImageimg2 = cv.imread('picture/box_in_scene.png',0) # trainImage# Initiate ORB detectororb = cv.ORB_create()# find the keypoints and descriptors with ORBkp1, des1 = orb.detectAndCompute(img1,None)kp2, des2 = orb.detectAndCompute(img2,None)# create BFMatcher objectbf = cv.BFMatcher(cv.NORM_HAMMING, crossCheck=True)# Match descriptors.matches = bf.match(des1,des2)# Sort them in the order of their distance.matches = sorted(matches, key = lambda x:x.distance)# Draw first 10 matches.img3 = cv.drawMatches(img1,kp1,img2,kp2,matches[:20],None, flags=2)plt.imshow(img3),plt.show()