图像特征与描述

1.颜色特征

见1.1及2.1颜色特征提取

1.1 量化颜色直方图

适用于RGB、HSV等颜色空间。
操作：颜色空间量化，单位（bin）由单元中心代表，即统计落在量化单元上的像素数量
最常用的方法是将颜色空间的各个分量（维度）均匀地进行划分。

1.2 聚类颜色直方图

适用Lab等颜色空间。
操作：使用聚类算法对所有像素点颜色向量进行聚类，单元（bin）由聚类中心代表。
聚类算法则考虑到图像颜色特征再整个空间地分布情况，避免出现大量地bin中地像素数量非常稀疏的情况。

问题

当两幅图像的颜色直方图几乎相同，只是互相错开了一个bin时，如果采用L1距离或欧拉距离计算二者的相似度，会得到一个很小的值。为克服这个缺陷，需要考虑到相似但不相同的颜色之间的相似度：

1. 次啊用二次式距离
2. 对颜色直方图事先进行平滑过滤，即每个bin中的像素对于相邻的几个bin也由贡献。

2.几何特征：边缘

边缘：像素明显变化的区域，具有丰富的语义信息，可以用于物体识别、几何或视角变换。
边缘定义（数学上）：像素值函数快速变化的区域$\to$一阶导数的极值区域。

对于上图中的图3（一阶导数），边缘对应一阶导数极值。

边缘提取：先进行高斯去噪（高斯平滑），再使用一阶导数获取极值。（导数对噪声敏感）


对于斜方向的图片：求两个方向的高斯滤波一阶导

问题

边缘提取尺度问题：即不同标准差（高斯函数中的$\sigma$）的滤波，不同的$\sigma$可捕捉到不同尺度的边缘

3.基于特征点的特征描述子

从不同的距离，不同的方向、角度，不同的光照条件下观察一个物体时，物体的大小、形状、明暗都会有所不同。但是对于同一物体来说，即便环境条件不同，模型仍需要判断出它是同一个物体。

因此，理想的特征描述子应该具有以下性质：即在大小、方向、明暗不同的图像中，同一特征点应具有足够相似的描述子，称之为描述子的可复现性。

这些特征描述子也称之为特征点或关键点。
性质：

可用于：

最显著的特征：角点。角点检测

拉普拉斯梯度：

高斯拉普拉斯滤波：
$$G(x,y,\sigma )=\frac{1}{2\pi {\sigma }^2}{e}^{-(x^2+y^2)/2{\sigma }^2}$$
二阶导：
$${▽}^{2}G=\frac{{\partial }^2}{\partial x^2}G+\frac{{\partial }^2}{\partial y^2}G=\frac{-2{\sigma }^2+x^2+y^2}{2\pi {\sigma }^6}{e}^{-(x^2+y^2)/2{\sigma }^2}$$


基于尺度空间不变的特征：局部特征3.SIFT/SURF算算法