图像特征与描述子(直方图, 聚类, 边缘检测, 兴趣点/关键点, Harris角点, 斑点(Blob), SIFI, 纹理特征)
1.直方图
用于计算图片特征,表达, 使得数据具有总结性, 颜色直方图对数据空间进行量化,好比10个bin
2. 聚类
类内对象的相关性高
类间对象的相关性差
常用算法:kmeans, EM算法, meanshift, 谱聚类(密度聚类), 层次聚类
kmeans聚类
选取k个类中心,随机选取
计算每个点跟k个类中心的位置
把数据点分配给距离最近的一个类中心
计算新的类中心-对该类中的所有点取均值
类中心数K的选取
K类平均质心的距离加权平均值, 当k=5时的斜率发生变化,我们可以选取5作为分类的个数
kmeans ++ 半随机(初始点的选取)
第一类中心 - 随机选取
记D(x) 为数据点x距离最近的聚类中心的距离
选取下一个聚类中心, 选取的概率正比于D(x) ^ 2
以此类推,到第k个
量化颜色直方图
聚类颜色直方图: 使用聚类算法对像素点颜色向量进行聚类, 单元由聚类中心代表
3. 边缘检测
像素明显变化的区域, 具有丰富的语义信息
用途: 物体识别,几何视角变化
定义: 像素函数快速变化的区域, 一阶导数的极值区域,二阶导数的0点位置
步骤:
先高斯去噪,再使用一阶导数获取极值
公式: 对x方向进行求导 б 表示的是标准差 对y方向进行求导
梯度幅值/强度
hx(x,y)^ 2 + hy(x, y) ^ 2
梯度(增加最快)方向
arctan(hy(x, y)/ hx(x, y))
4. 兴趣点/关键点
稳定局部
特点: 可重复性,显著性
抗图片变化
外貌变化(亮度,光照)
几何变化(平移, 选择,尺度)
5.Harris角点
一种显著点:在任何方向上移动小观察窗,导致大的像素变动
E(u, v) = ΣW(x, y)[I(x+u, y+v)-I(x, y)] ^2
W(x, y)是高斯函数进行加权的, x,y表示当前位置, u和v表示移动了的位置
6.斑点(Blob)
拉普拉斯梯度:一阶导数极值点 - 二阶导数零点
梯度/边缘可以通过查找:二阶导数接近零, 一阶导数足够大
对噪声很敏感, 需要先做高斯平滑
公式: Δf = δ2f / δ2x + δ2f / δ2y 对x求二阶导, 对y方向求二阶导
斑点是找拉普拉斯的极值
边缘是找拉普拉斯的零值
7.SIFT
SIFT特征计算
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, 去除低对比度点, 去除边缘点
方向估计: 2*2网格, 8个方向,获得最高值为关键点的主方向,特征点方向归一化,即所有方向为同一方向
描述子提取: 在旋转坐标上采样16*16的像素窗, 4*4网格,8方向直方图,总共178维
8.纹理特征
HOG(方向梯度直方图)
梯度幅值,方向 s = sqrt(sx^2 + sy^2)
Block 拆分
16*16的block 步长是8, 包含2*2个cell, 每个cell8*8, 9个方向
积累梯度幅值,使用位置高斯加权,使用相邻bin线性插值
64&128的维度图:7*15 * (2*2) * 9 = 3780
LBP(局部二值模式)
将每个像素点与周围点大小半径比较,半径R的圆上,均匀采样P个点,根据赫值大小,量化为0或1
图像特征与描述子(直方图, 聚类, 边缘检测, 兴趣点/关键点, Harris角点, 斑点(Blob), SIFI, 纹理特征)的更多相关文章
- BRIEF特征点描述子
简介 BRIEF是2010年的一篇名为<BRIEF:Binary Robust Independent Elementary Features>的文章中提出,BRIEF是对已检测到的特征点 ...
- 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, ...
- Brief描述子
一.Brief算法 1.基本原理 BRIEF是2010年的一篇名为<BRIEF:Binary Robust Independent Elementary Features>的文章中提出,B ...
- [OpenCV-Python] OpenCV 中图像特征提取与描述 部分 V (一)
部分 V图像特征提取与描述 OpenCV-Python 中文教程(搬运)目录 29 理解图像特征 目标本节我会试着帮你理解什么是图像特征,为什么图像特征很重要,为什么角点很重要等.29.1 解释 我相 ...
- (一)ORB描述子提取
ORBSLAM2中使用ORB描述子的方法 经典的视觉SLAM系统大体分为两种:其一是基于特征点法的,其二是基于直接法的.那么本文主要就讲特征点法的SLAM. 基于特征点法的视觉SLAM系统典型的有PT ...
- LBP纹理特征[转自]
LBP方法(Local binary patterns)是一个计算机视觉中用于图像特征分类的一个方法.LBP方法在1994年首先由T. Ojala, M.Pietikäinen, 和 D. Harwo ...
- 图像的特征工程:HOG特征描述子的介绍
介绍 在机器学习算法的世界里,特征工程是非常重要的.实际上,作为一名数据科学家,这是我最喜欢的方面之一!从现有特征中设计新特征并改进模型的性能,这就是我们进行最多实验的地方. 世界上一些顶级数据科学家 ...
- SIFT算法:特征描述子
SIFT算法:DoG尺度空间生产 SIFT算法:KeyPoint找寻.定位与优化 SIFT算法:确定特征点方向 SIFT算法:特征描述子 目录: 1.确定描述子采样区域 2.生成描述子 2.1 旋 ...
- SIFT解析(三)生成特征描述子
以上两篇文章中检测在DOG空间中稳定的特征点,lowe已经提到这些特征点是比Harris角点等特征还要稳定的特征.下一步骤我们要考虑的就是如何去很好地描述这些DOG特征点. 下面好好说说如何来描述这些 ...
随机推荐
- 在小红家里面,有n组开关,触摸每个开关,可以使得一组灯泡点亮。
package april; import java.util.ArrayList; import java.util.Scanner; /** * * @ClassName: Class_9 * @ ...
- fatal error LNK1112: 模块计算机类型“X86”与目标计算机类型“x64”冲突——我的解决方案
本文转载于:http://blog.csdn.net/tfy1028/article/details/8660823 win7 下,安装的VS2010,然后搭配opencv2.4.3运行,报错为:fa ...
- 【MVC】ASP.NET MVC 4项目模板的结构简介
引言 在VS2012新建一个窗体验证的MVC 4项目后,可以看到微软已经帮我们做了很多了,项目里面该有的都有了,完全可以看成一个简单网站.作为开发,能理解里面文件结构和作用,也算是半只脚踏进M ...
- angular学习笔记系列一
首先我们要明确一点,angular在web应用的角色,在传统的多页面web应用程序中,服务器根据输出数据和html模板渲染好页面所需的html输出到页面(所谓的服务器装配程序),随着单页面应用程序和a ...
- maven安装之后,或者升级之后遇到的问题:could not find or load main class org.codehaus.plexus.class.....
从maven2升级到maven3或者从maven3降级到maven2,M2_HOME环境变量改变后,在终端执行mvn -v,出现如下错误: Exception in thread "main ...
- Jenkins搭建.NET自动编译发布本地环境
最近在做一个团队项目的时候,用到了自动编译发布部署环境[也可以说是持续集成],于是顺便学习了下这个环境的搭建过程. 持续集成 持续集成是一种软件开发实践,即团队开发成员经常集成它们的工作,通常每个成员 ...
- org.springframework.orm.hibernate3.HibernateTemplate
当session中出现两个相同标示的(相同主键)的对象,一个是持久态,一个是瞬时态,想更新瞬时态对象到数据库,如果不做处理,则报出异常,session中出现两个相同标示的不同对象异常.处理方法.(业务 ...
- cocos2dx 安卓真机调试问题汇总
cocos compile编译apk问题汇总: 1,dx编译报错,没有足够的空间 ANTBUILD : [dx] error : Could not create the Java Virtual M ...
- TVS 选型
TVS 选型 主要用于 IO 保护 TVS 的电压不要小于正常工作的电压,不然会影响正常工作. ESD 的电压很高,但是时间很短. TVS 有节电容,用于高速线路时要注意. 有双向的,也有单向的,还有 ...
- python把指定目录下的递归所有目录和文件名转换成小写或大写
cat convert.py #!/usr/bin/env python # -*- coding:utf-8 -*- import os, sys def convert(rootdir, opty ...