图像处理特征不变算子系列篇----开篇

          图像处理中，特征算子比较流行的现在已经不下上十种，而且关于图像特征算子的综述论文时有见刊。随着对图像处理及相关领域的进一步了解。一直就觉得有必要写一个关于图像处理中的特征算子的系列博文，来详细介绍这些算子的原理及其实现相关的内容。随着时间的推移，一直没有时间将这个工作付诸行动，不知不觉就毕业了。工作后，主要的工作内容还是和图像处理相关，而且发现工作中遇到的很多问题都可以从这些算子的设计思路中找到一些灵感，一定程度上助于问题的解决。遂，下定决心还是写一个关于特征算子系列吧。一来，当是对这些算子进一步的复习与理解；二来，希望能给正在学习图像处理路上的同学一些帮助；三来，也是为自己先前和现阶段的工作做一个小的总结。

         近年来，区分性强、对多种几何和光度变换具有不变性的局部不变特征在宽基线匹配、特定目标识别、目标类别识别、图像及视频检索、机器人导航、纹理识别和数据挖掘等多个领域内获得广泛的应用，是国内外的研究热点。

         局部不变特征是指局部特征的检测或描述对图像的各种变化，例如几何变换、光度变换、卷积变换、视角变化等保持不变。局部不变特征的基本思想是提取图像内容的本质属性特征，这些特征与图像内容的具体表现形式无关或具有自适应性(即表现形式变化时特征提取自适应的变化以描述相同的图像内容)。局部不变特征通常存在一个局部支撑邻域，与经典的图像分割算法不同，局部支撑邻域可能是图像的任何子集，支撑区域的边界不一定对应图像外观(例如颜色或纹理)的变化。

          局部不变特征的研究包含3个基本问题：一是局部不变特征的检测，二是局部不变特征的描述，三是局部不变特征的匹配。根据不同的准则，局部不变特征的研究方法可以分为不同的类别，按照使用的色调空间的不同可以分为局部灰度不变特征和局部彩色不变特征；按照特征层次的不同可以分为角点不变特征、blob不变特征和区域不变特征；按照几何变换不变性的自由度可以分为平移不变特征、旋转不变特征、尺度不变特征、欧氏不变特征、相似不变特征、仿射不变特征和投影不变特征；按照处理思路的不同可以分为基于轮廓曲率的不变特征、基于灰度梯度、灰度变化和显著性的不变特征，基于生物视觉启发的不变特征，基于多尺度的不变特征和基于分割的不变特征。

          局部不变特征应该具有以下特性：
          1）重复性（Repeatability） 
           相同场景或目标在不同成像条件下图像提取的局部不变特征应该是相同的；
          2）区分性 （Distinctiveness）
           局部不变特征应包含较大的灰度或色度模式变化，易于区分；
          3）局部性（Locality）
          局部不变特征应具有局部性，减小遮挡的概率，同时可以采用简单的变换模型对图像间的变换进行近似建模；
          4）精确性（Accuracy）
          局部不变特征应可以在空域、尺度域及形状域上精确定位；
          5）不变性 （Invariant）
          局部不变特征的检测和描述对各种变换应具有不变性；
          6）鲁棒性 （Robustness）
           局部不变特征的检测和描述应对图像噪声、量化误差、模糊等不敏感。

欲了解更多特性，请参考：Tinne Turytelaars的论文：Local Invariant Feature Detectors 。

          图像特征的研究最早可以追溯到1954年F.Attneave发表在Psychological Review的《some informational aspects of visual perception》，作者第一次观察到：形状信息集中在具有高曲率的主点（Dominant Points）上。经过近60年的发展，特征检测与提取算法得到了不断的丰富和突破。根据不同的分类，图像特征提取的方法可以分为不同的类别，主要包括基于轮廓曲率的方法（Contour Curvature Based Method）、基于灰度的方法（Intensity Based Methods，包括 海瑟矩阵方法（Hessian-Based Approach）、基于梯度方法（Gradient-Based Methods））、基于显著性的方法（Saliency Based Methods）、基于生物模拟的方法（Biologically Plausible Methods）、基于颜色的方法（Color Based Methods）、基于模型的方法（Model Based Methods）、多视角不变的方法（Toward Viewpoint Invariant Methods）、基于分割的方法（Segmentation Based Methods）以及基于机器学习的方法（machine learning based methods）等等。

          现今，在图像处理领域耳熟能详的特征算子包括：DoG、Fast、STAR、HARRIS、DENSE、SimpleBlob、MSER、SIFT、SURF、ORB、BRISK、FREAK等，本博文将逐一对这些算子进行分析。但可能由于工作原因，更新周期会比较长。今天写一个开篇，作为开始，也作为一个闹钟，提醒自己还有这个事没做。

         另外，有兴趣的朋友可以看看下列几篇文章，也可以通过链接下载：http://download.csdn.net/detail/kezunhai/6211147

          1）Keystian Mikolajczyk. A performance evaluation of local descriptors, 2005 PAMI

          2）Tinne Tuytelaars. Local Invariant Feature Detectors: A Survey, 2007 Computer Graphic & Vision

          3）王浩. 局部不变特征综述, 2011 计算机图像图像学报

          4） Umasankar Kandaswamy.  Comparison of Texture Analysis Schemes Under Nonideal Conditions,2011 IP