第三讲_图像特征与描述Image Feature Descriptor

第三讲_图像特征与描述Image Feature Descriptor

• 概要
  

特征提取方法

直方图

• 对图片数据/特征分布的一种统计；对不同量进行直方图统计；可以表示灰度，颜色，梯度，边缘，形状，纹理，局部特征等
• 灰度直方图；对量化的bin需要人工选择；量化过宽过窄都不好

聚类

• 混合样本集中内在群组关系
• 常用方法：Kmeans,EM算法，Mean Shift;谱聚类，层次聚类等
  
• 贪心算法，经常陷入局部最优解（非全局最优）
• K值和初始中心点选择
  

颜色特征

• 量化颜色直方图：适用于RGB,HSV等均匀空间
• 聚类颜色直方图：适合Lab等非均匀空间；考虑对图像质量感知和图像恢复！

几何特征

边缘

• 边缘edge:像素明显变换的区域，一阶导数的极值区域
• 先高斯去噪，再使用一阶导数获取极值；导数对噪声敏感。
• 高斯滤波sigma标准差代表物体的尺度
• 边缘提取尺度问题：不同标准差的滤波捕捉不同尺度的边缘
  

兴趣点/关键点（Interest point/keypoint）

• 不同视角图片之间的映射
• 稳定局部特征点,具有显著性，抗变形等
• 运用于图片配准，拼接；运动跟踪，物体识别，3D重建，机器人导航

Harris 角点

• 显著点，在任何方向上移动小观察窗，导致大的像素变动
• 非极大值抑制
  
  

斑点（blob）

• 拉普拉斯梯度：一阶导数极值点，二阶导数零点，对噪声敏感，需要先做高斯平滑
• 二阶高斯导数滤波LoG
  

局部特征

sift关键点

• 特点
  

• scale-invariant feature transform

• 计算步骤

  • 计算高斯差分（DoG）尺度空间，获取极值点

• 特征点处理：位置插值，除去低对比度点，去除边缘点

• 方向估计，描述子提取

• 尺度空间通过sigma不同实现
  
  
• 圆半径：特征点尺度；圆心：特征点坐标
• 特征点估计
  
• 特征点方向归一化：将坐标轴方向旋转为关键点方向（方向不变性）

• 特征点描述子：旋转后的坐标上采样16*16的像素窗，8方向直方图累计梯度幅度
  

Surf （Speeded up robust features）

• sift近似算法，实现快速版：主要有均值滤波和积分图像
• 加速，精度略有牺牲

HOG

• 方向梯度直方图
  
• 特征由来
  

LBP局部二只模式

• 基本已了解

Gabor滤波器组

• 多方向和尺度