图像特征提取中的一些不变形,平移不变性,旋转不变性 光照不变性

不变性:就是目标发生了变换,但是你依然可以识别出来。
在图像任务中,我们希望图像中的目标即使被平移、被旋转或者被缩放,模型都可以识别出来。
主要有以下几种不变性:

  1. 平移不变性
  2. 旋转不变性
  3. 尺度不变性
  4. 光照不变性

目标检测的不变性:卷积神经网络是将“空间不变性”的这一概念 系统化,用较少的参数来学习有用的特征。从而使物体不管在什么位置,可以利用物体的不变性,来找到物体
**平移不变性:**不管出现在图像中的哪个位置,神经网络的底层应该对相同的图像区域做出类似的响应。 这个原理即为“平移不变性”。
卷积,可以通过相同的卷积核提取特征,使得当物体在不同的位置时,但都能提取到物体的关键特征。只是位置发生了变化。
但是当输入图像中,改变一个像素就可能会得到不同的结构,所以没有平移不变性。
池化,下采样,当图像中平移了2个单位,但是当感受野恰好步长也是2 ,则可以得到平移不变性。池化还可以得到旋转不变性和尺度不变性。
Max pooling的局部平移不变性:
这是由于Max Pooling取得是一个区域内的极大值。 当s=2时,即可保持不变性。
图像特征提取中的一些不变形,平移不变性,旋转不变性 光照不变性_第1张图片
但是有的就认为池化并没有不变性。我也感觉池化不容易保证平移不变性。如经过多次池化就不容易保持平移不变性。
旋转不变性
旋转不变性:只要对特征定义了方向,然后在同一个方向上进行特征描述就可以实现旋转不变性。

在图像锐化的时候,看到有一句话“拉普拉斯算子是最简单的各向同性微分算子,具有旋转不变性”,才体会到,旋转不变性,在图像处理中是有应用的。好像作用还挺大。在目标边缘检测的时候,目标所在图像在随机的变化,那么检测它的算子就应该具有适应性,尤其在不同的方向。拉普拉斯算子刚好满足这个需求,因为其具有旋转不变性。

各向异性:是一个像素点在四个方向上的值都一样。
当然也有各向异性,各向异性值的是一个像素点在四个方向上的梯度变化不一样。
拉普拉斯算子在图像处理中的应用

拉普拉斯算子在图像处理中的应用2
傅立叶变换也可以提取图像的旋转不变性。将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性

图像特征提取中的一些不变形,平移不变性,旋转不变性 光照不变性_第2张图片
极坐标傅立叶变换的旋转不变性
尺度不变性:为了实现尺度不变性,需要给特征加上尺度因子。在进行特征描述的时候,将尺度统一就可以实现尺度不变性了。

所谓的旋转不变性和尺度不变性的原理,就是我们在描述一个特征之前,将两张图像都变换到同一个方向和同一个尺度上,然后再在这个统一标准上来描述这个特征。同样的,如果在描述一个特征之前,将图像变换到同一个仿射尺度或者投影尺度上,那么就可以实现仿射不变性和投影不变性

光照不变性
LBP的灰度/光照不变性,是通过邻域内像素点减去中心像素的值再经过阈值处理(0,1)的来实现对光照不敏感的。
图像特征提取中的一些不变形,平移不变性,旋转不变性 光照不变性_第3张图片
深度学习中光照不变性及旋转不变性

局部性:神经网络的底层应该只探索输入图像中的局部区域,而不考虑图像远处区域的内容,这就是 “局部性”原则。最终,这些局部特征可以融会贯通,在整个图像级别上做出预测。
局部性是在每一层只能包含局部信息。

你可能感兴趣的:(图像处理)