图像特征及提取

本文主要用于记录图像特征及其提取方法

---

1.颜色特征

    颜色特征是一种全局特征，描述了图像或图像区域内所对应景物的表面性质。一般颜色特征是基于像素点的特征，所有的像素点对该图像或图像区域都有贡献。由于颜色对图像的方向、大小等变化不敏感，不能很好地捕获对象的局部特征。
   对颜色特征进行表述，其本质是将颜色划分为一个个不同的区间，即对颜色进行量化。表征颜色特征的方法，这里记录两种，依次是量化颜色直方图和聚类颜色直方图。

1.1量化颜色直方图

适用的颜色空间：RGB、HS颜色空间
1.RGB：以红绿蓝三种基本色为基础进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模型。

2.HSV：HSV(Hue, Saturation, Value)是根据颜色的直观特性由 A. R. Smith 在 1978 年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是色调(H)、饱和度(S)和明度(V)。
量化颜色直方图的具体做法： 将图像分为若干个小单元，每个小单元的中心的颜色代表这个单元的颜色，统计落在量化单元上的像素数量。
优势：计算高效
劣势：量化问题和直方图稀疏

1.2聚类颜色直方图

适用的颜色空间：Lab颜色空间
lab：Lab色彩模型是由亮度(L)和有关色彩的a, b三个要素组成。L表示明度(Luminosity)，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。L的值域由0到100，L=50时，就相当于50%的黑;a和b的值域都是由+127至-128，其中+127 a就是红色，渐渐过渡到-128 a的时候就变成绿色;同样原理，+127 b是黄色，-128 b是蓝色。所有的颜色就以这三个值交互变化所组成。例如，一块色彩的Lab值是L = 100，a = 30, b = 0, 这块色彩就是粉红色。

聚类颜色直方图的做法： 使用聚类算法对所有像素点的颜色向量进行聚类，每个小单元的颜色由聚类中心的颜色代表。这种直方图避免了直方图稀疏的问题，即用到什么颜色就在直方图中展现出什么颜色，其他颜色不占空间，也不会展现。

2.几何特征

2.1边缘特征

边缘特征：像素发生明显变化的区域，具有丰富的语义信息，可以用于物体识别和几何、视角变换。
在数学上对边缘的描述：一阶导数的极值区域。

对于垂直方向的边缘，可以直接使用一阶导数进行分辨。
但实际上的图像的一阶导数，并不会像图中这么平滑（图像存在噪声）。为了去噪，可以使用高斯平滑。
假设原图像函数为f，高斯函数为g，则高斯平滑得到的新函数h=f*g。
对新函数h进行求导，就可以得到较为平滑的边缘特征。

对于倾斜的边缘，需要对函数求梯度。边缘存在的位置就是梯度增加最快的方向

2.2基于特征点的特征描述子

对于同一个物体，从不同的距离、方向、角度、光照条件下观察时，物体的大小、形状、明暗都不同，但我们依然可以判断出它是同一个物体。为了让计算机具有这种能力，引入了基于特征点的特征描述子。理想的特征描述子应该具备如下性质：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。
为了实现这种特征描述子，我们需要找到图片中的关键点。对于一只狗的图片，不断从正面还是侧面看，它都有一些特征点是与人不一样的，依靠特征点可以分辨出图片中的是狗还是人。稳定局部特征点最重要的特点是要抗图片变化。
对于同一个地点，拍摄两个不同角度的图片，通过寻找特征点就可以实现图片的拼接

2.2.1寻找特征点：Harris角点检测

角点是一种显著的特征点。使用一个小观察窗，在图片中移动观察窗的过程中，只要遇到角点，必然会存在大的像素变动。

其数学模型描述为：

将式子做近似化处理，可以得到：

其中的M：

其中矩阵里的两项称为特征值
若图像中为直线，则一个特征值大，一个特征值小
图像中为屏幕，则两个特征值都小，且近似相等
图像中为角点：两个特征值都大，且近似相等

2.2.2另一种特征点：斑点

对于刚才提到的边缘数学模型，一阶导数存在极值点的地方即为边缘。对于二阶导数存在极大值点的地方，即为斑点。

2.2.3SFIT：斑点的特征描述子

计算步骤：

• 在差分高斯尺度空间中获取极值点
• 对关键点进行处理，包括位置插值和去除边缘点
• 进行关键点的方向估计
• 进行区域坐标旋转
• 计算采样区域的直方图
• 生成关键点描述子

高斯差分：使用两个不同尺度的高斯核对图像进行处理，然后对处理后的结果相减。相减后就可以得到图像中的边缘。具体做法采用高斯金字塔：


对两层之间依次做差，就可以得到高斯差分空间

SIFT的特点：具有良好的不变性；独特性好，信息量丰富；具有多量性