图像的特征

本文主要探讨图像的特征。

1、颜色特征：

基于像素点的特征，对图像或图像区域的方向、大小等变化不敏感，不能很好地捕捉图像对对象的局部特征。常用的颜色特征有RGB、HSV（H为色调Hue，S为饱和度Saturation和明度Value）、HSI（色调、饱和度和亮度Intensity）。针对基于颜色的特征描述，常用的方案有：颜色直方图、主色调、颜色矩、颜色集、聚类、扫描线投影灯。其中，颜色直方图是广泛使用的特征。

颜色直方图中的数值通过统计得到，描述了图像中关于颜色的数量特征，能够反映图像颜色的统计分布和基本色调。对于包含n个像素的图像，可以计算其B（bin）位的直方图，其任意的第b位的直方图计算公式为H(b)=1/n*sum_i(delta_i(b)). 当第i个像素的颜色值等于b时，函数值为1；否则函数值为0。直方图特征只包含了图像中颜色出现的频数，其优点是不受图像旋转、平移变化和尺度变化的影响，缺点是没有表达出颜色空间分布信息。颜色直方图可以基于不同的颜色空间和坐标系，比如RGB空间、HSV空间等等。

上述的颜色量化方法会产生一定的问题，若两幅图像 的颜色直方图形状几乎相同，知识错开了一个bin，这是如果采用L1距离或者欧式距离计算两者的相似度，则会得到很小的相似度值。为了克服该缺点，可以采用马氏距离定义方法，另一种是对颜色直方图事先进行平滑过滤。选择合适的小区间（即直方图的bin）数目和颜色量化方法与具体应用的性能和效率要求有关，可以忽略一部分小的bin等等，看算法效果而定。

2、纹理特征：是一种全局特征，描述图像的表面性质，但不能反映物体的本质属性。他不是一种像素点的特征，而是在包含多个像素点的区域内进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏见而无法匹配成功。作为一种统计特征，纹理特征具有旋转不变性，且有较强的抗噪性。但图像的分辨率变化时，频率特征偏差较大。

有代表性的纹理特征有：边缘直方图、共生矩阵、局部二值模式（LBP）、小波系数、Gobor小波系数等，其中LBP最具有代表性。可参考Ojala et al. (IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-989)

3、形状特征：

（1）Haar-like特征，扩展的Haar-like特征，就是多个类似于标准模板的简单结构图像。具体可产看Viola and Jones的论文（IJCV，2004,57（2）：137-154.）

（2）SIFT特征：大牛Lowe在1999提出的并在2004年进行了完善的一种图像局部特征，主要包括尺度空间极值检测、关键点搜索和定位、方向确定和关键点描述。该特征对于尺度缩放、旋转、亮度变化标尺不变性。

（3）Surf特征: surf是在sift的基础上改进而生，不仅提高了计算速度，而且更加安全鲁棒性，两者的实现原理很相似，对于两者的区别，也极大程度地体现在了他们的实现步骤上。区别可参考：http://blog.csdn.net/eternity1118_/article/details/51152162。

（4）Hog特征：梯度方向直方图（Histograms of Oriented Gradients）。与Sift特征类似，Hog特征通过提取局部区域的边缘或梯度的分布来表征局部区域内目标的边缘或梯度结构，进而表征目标的形状。

4、空间关系特征：邻接关系、重叠关系和包容关系。空间特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。

5、高级特征：深度学习特征。卷积神经网络（CNN）是图像特征提取最常用的模型，具体可查看（Proceedings of The IEEE, 86(11): 2278-2324.）