scikit-image中特征一览

__all__ = ['canny',
           'Cascade',
           'daisy',
           'hog',
           'greycomatrix',
           'greycoprops',
           'local_binary_pattern',
           'multiblock_lbp',
           'draw_multiblock_lbp',
           'peak_local_max',
           'structure_tensor',
           'structure_tensor_eigvals',
           'hessian_matrix',
           'hessian_matrix_det',
           'hessian_matrix_eigvals',
           'shape_index',
           'corner_kitchen_rosenfeld',
           'corner_harris',
           'corner_shi_tomasi',
           'corner_foerstner',
           'corner_subpix',
           'corner_peaks',
           'corner_moravec',
           'corner_fast',
           'corner_orientations',
           'match_template',
           'register_translation',
           'masked_register_translation',
           'BRIEF',
           'CENSURE',
           'ORB',
           'match_descriptors',
           'plot_matches',
           'blob_dog',
           'blob_doh',
           'blob_log',
           'haar_like_feature',
           'haar_like_feature_coord',
           'draw_haar_like_feature']

以上列出了目前scikit-image中所包含的特征，基本上涵盖了形状特征，角点特征（四大算子都有，hog，harr，sift，lbp等），滤波模板，描述符特征等。可以说图像处理中常用的特征都有，但是还想说的是，图像处理+机器学习的方式去解决实际问题的话，常用的特征固然可以参考，但是成败还在于人工设定的一些特征，根据数据自己去做特征才是解决小数据集图像识别的王道。至于大数据下，深度学习暴力解决一切，更像是人脑认知的过程。最后没有哪个算法是绝对优于哪个算法的，只有合适与不合适的问题。