【图像识别】图像特征、特征检测、特征提取

目录

1. 图像特征

2. 特征检测与特征提取

2.1 特征检测算法

2.2.1Moravec

2.1.2 Harris

2.1.3 FAST

2.1.4 SIFT

2.1.5 SURF

2.1.6 BRIRF

2.1.7 ORB

 2.2 特征提取算法

2.2.1 HOG

2.2.2 Harr

2.2.3 SIFT

2.2.4 LBP

2.2.5 Gabor

2.3 边缘检测算法

3 算法对比

---

1. 图像特征

图像的视觉特征：颜色、边缘、轮廓、形状、纹理和区域等。

图像特征	特点	经典算法
①颜色特征	全局特征。最广泛、像素值、简单	颜色直方图
②边缘特征	边界线、亮度急剧变化	Canny、Sobel、,Laplace等
③形状特征	以分割为基础	SIFT：先找特征点 HOG：对图像进行分割 Haar：灰度变化情况
④纹理特征	图像中同质现象；某种局部序列性不断重复；非随机排列；纹理区域内大致为均匀的统一体；	LBP、Gobor

最新论文：

2022-CVPR：EDTER: Edge Detection with Transformer

2019-CVPR：Bi-Directional Cascade Network for Perceptual Edge Detection

边缘检测论文大汇总

2021-CVPR：Learning Statistical Texture for Semantic Segmentation

2. 特征检测与特征提取

特征检测和特征提取是图像处理领域最基本的操作。

特征检测（detector）和特征提取（descriptor）的区别在于所提取的特征的局部性和全局性不同。特征检测提取的是图像中具有特定特征的局部区域，而特征提取则提取的是全局的特征。

	对象	特点	算法
特征检测	点、线、边缘、角点、脊	局部性	Harris、SIFT、SURF、FAST、BRIEF、ORB
特征提取	边缘、形状、纹理	全局性	SIFT、HOG、Haar、LBP、Gabor

2.1 特征检测算法

特征检测是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。

特征检测是指从图像或视频中自动检测出一些具有特定几何形状或特定的灰度分布等特征的局部区域，例如边缘、角点、直线等。

各种特征检测算法的演变过程：

2.2.1Moravec

2.1.2 Harris

Harris角点检测是Chris Harris和Mike Stephens在1988年提出的。主要用于运动图像的追踪。
Harris角点检测来自于Moravec检点检测（1977，Moravec），并对它进行了改进和更强的数学建模。

算法原理：

2.1.3 FAST

为了提高特征点检测速度，Edward Rosten和Tom Drummond在2006年发表的“Machine learning for high-speed corner detection”文章中提出了一种FAST特征，并在2010年对这篇论文作了小幅度的修改后重新发表。FAST的全称为Features From Accelerated Segment Test。(FAST主要用于角点检测)

算法原理：
 

2.1.4 SIFT

SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），由David Lowe在1999年提出，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。

 算法原理：

2.1.5 SURF

上面介绍了 SIFT 算法进行关键点检测和描述。但是这种算法的执行速度比较慢，人们需要速度更快的算法。在 2006 年Bay,H.,Tuytelaars,T. 和 Van Gool,L 共同提出了 SURF（加速稳健特征）算法。跟它的名字一样，这是个算法是加速版的 SIFT。

算法原理：

2.1.6 BRIRF

Calonder在ECCV2010上提出了一种可以快速计算且表达方式为二进制编码的描述子。

2.1.7 ORB

ORB是Oriented FAST and Rotated BRIEF的简称。Ethan Rublee and Vincent Rabaud and Kurt Konolige and Gary Bradski,《ORB: an efficient alternative to SIFT or SURF》, ICCV 2011。
 

 2.2 特征提取算法

特征提取是指从图像或视频中提取出一些位置（Location）、方向（Orientation）和尺度（Scale）信息等全局的特征，例如颜色直方图、纹理特征、形状特征等。

2.2.1 HOG

2.2.2 Harr

2.2.3 SIFT

2.2.4 LBP

LBP(Local Binary Pattern)，局部二值模式是一种描述图像局部纹理的特征算子，该算子是由T.Ojala等人于1994年首次提出的，后经过发展改进可应用于图像特征分析，该算子具有旋转不变性与灰度不变性(不怕光照变化)等显著优点。

LBP特征描述的是一种灰度范围内的图像处理操作技术。LBP特征是高效的图像特征分析方法，经过改进与发展已经应用于多个领域之中，特别是人脸识别、表情识别、行人检测领域已经取得了成功。
 

2.2.5 Gabor

2.3 边缘检测算法

3 算法对比