图像特征与描述子（直方图，聚类，边缘检测，兴趣点/关键点， Harris角点，斑点（Blob), SIFI, 纹理特征）...

1.直方图

用于计算图片特征，表达，使得数据具有总结性，颜色直方图对数据空间进行量化，好比10个bin

2. 聚类

类内对象的相关性高

类间对象的相关性差

常用算法：kmeans， EM算法， meanshift，谱聚类（密度聚类），层次聚类

kmeans聚类

选取k个类中心，随机选取

计算每个点跟k个类中心的位置

把数据点分配给距离最近的一个类中心

计算新的类中心-对该类中的所有点取均值

类中心数K的选取

K类平均质心的距离加权平均值，当k=5时的斜率发生变化，我们可以选取5作为分类的个数

kmeans ++ 半随机（初始点的选取）

第一类中心 - 随机选取

记D（x）为数据点x距离最近的聚类中心的距离

选取下一个聚类中心，选取的概率正比于D(x) ^ 2

以此类推，到第k个

量化颜色直方图

聚类颜色直方图：使用聚类算法对像素点颜色向量进行聚类，单元由聚类中心代表

3. 边缘检测

像素明显变化的区域，具有丰富的语义信息

用途：物体识别，几何视角变化

定义：像素函数快速变化的区域，一阶导数的极值区域，二阶导数的0点位置

步骤：

先高斯去噪，再使用一阶导数获取极值

公式：对x方向进行求导 б 表示的是标准差对y方向进行求导

梯度幅值/强度

hx（x，y）^ 2 + hy(x, y) ^ 2

梯度（增加最快）方向

arctan（hy（x, y）/ hx（x, y）)

4. 兴趣点/关键点

稳定局部

特点：可重复性，显著性

抗图片变化

外貌变化（亮度，光照）

几何变化（平移，选择，尺度）

5.Harris角点

一种显著点：在任何方向上移动小观察窗，导致大的像素变动

　　Ｅ(u, v) = ΣW(x, y)[I(x+u, y+v)-I(x, y)] ^2

W(x, y)是高斯函数进行加权的， x，y表示当前位置， u和v表示移动了的位置

6.斑点（Blob）

拉普拉斯梯度：一阶导数极值点 - 二阶导数零点

梯度/边缘可以通过查找：二阶导数接近零，一阶导数足够大

对噪声很敏感，需要先做高斯平滑

公式： Δf = δ2f / δ2x + δ2f / δ2y 对x求二阶导，对y方向求二阶导

斑点是找拉普拉斯的极值

边缘是找拉普拉斯的零值

7.SIFT

SIFT特征计算

计算高斯差分（DoG）尺度空间，获取极值点

特征点处理：位置插值，去除低对比度点，去除边缘点

方向估计： 2*2网格， 8个方向，获得最高值为关键点的主方向，特征点方向归一化，即所有方向为同一方向

描述子提取: 在旋转坐标上采样16*16的像素窗， 4*4网格，8方向直方图，总共178维

8.纹理特征

HOG（方向梯度直方图）

梯度幅值，方向 s = sqrt（sx^2 + sy^2）

Block 拆分

16*16的block 步长是8，包含2*2个cell，每个cell8*8， 9个方向

积累梯度幅值，使用位置高斯加权，使用相邻bin线性插值

64&128的维度图：7*15 * （2*2） * 9 = 3780

LBP(局部二值模式)

将每个像素点与周围点大小半径比较，半径R的圆上，均匀采样P个点，根据赫值大小，量化为0或1

转载于:https://www.cnblogs.com/my-love-is-python/p/9754676.html

图像特征与描述子（直方图，聚类，边缘检测，兴趣点/关键点， Harris角点，斑点（Blob), SIFI, 纹理特征）...相关推荐

PCA对特征点描述子降维
降维在机器学习领域其实是很重要的一部分,因为在高维情形下回出现样本稀疏,计算距离.内积困难,是所有机器学习面临的共同问题,被称为维数灾难(Curse of dimensionality),而降维就是解 ...
SuperPoint:深度学习特征点+描述子
[原文链接]:https://www.vincentqin.tech/posts/superpoint/ 本文出自近几年备受瞩目的创业公司MagicLeap,发表在CVPR 2018,一作Daniel ...
基于VFH描述子的聚类识别与6自由度位姿估计的学习
本次学习中,我们的目标不是提供一个最终的识别工具,而是根据各个聚类的场景及其对应的6自由度位姿,从一组聚类中检索查询进而选取与用户输入的场景近似的候选集,这样就可以将识别问题抽象为一个近邻估计问题.给 ...
ehd边缘直方图描述子 matlab,第 2 章　局部图像描述子
第 2 章局部图像描述子本章旨在寻找图像间的对应点和对应区域.本章将介绍用于图像匹配的两种局部描述子算法.本书的很多内容中都会用到这些局部特征,它们在很多应用中都有重要作用,比如创建全景图.增强现 ...
ehd边缘直方图描述子 matlab,一种新的图像空间特征提取方法
计算机工程第卷第3期 38 Computer EngineeringV ol.38 No.3 文章编号:1000-3428(2012)03-0218-03·图形图像处理· 2012年2月 F ...
图像特征点及特征描述子总结
参考博客 https://blog.csdn.net/qq_28193895/article/details/80845803 https://blog.csdn.net/u013989576/art ...
图像检测：图像特征与描述
本章内容颜色特征:量化颜色直方图,聚类颜色直方图几何特征:Edge,Corner,Blob 基于关键点的特征描述子:SITF,SURF,ORB 其他特征提取:LBP,Gabor 一: 颜色特征量 ...
傅里叶描述子、HOG特征描述子原理及matlab代码
一.傅里叶描述子傅里叶描述子的作用是用来描述图像的轮廓信息,具有平移.旋转.尺度不变性特征. 对于一幅图像,通过傅里叶描述子获得其图像轮廓信息,其本质就是空间.频域变换问题.通过将图像中的像素点进行 ...
PCL：点云特征描述子3D_object_recognition_(descriptors)
PCL官网:https://pointclouds.org/ 翻译自该网站:http://robotica.unileon.es/index.php/PCL/OpenNI_tutorial_4:_3D ...
【特征匹配】BRIEF特征描述子原理及源码解析
相关:Fast原理及源码解析 Harris原理及源码解析 SIFT原理及源码解析 SURF原理及源码解析转载请注明出处: http://blog.csdn.net/luoshixian099/art ...

图像特征与描述子（直方图，聚类，边缘检测，兴趣点/关键点， Harris角点，斑点（Blob), SIFI, 纹理特征）...

图像特征与描述子（直方图，聚类，边缘检测，兴趣点/关键点， Harris角点，斑点（Blob), SIFI, 纹理特征）...相关推荐

最新文章

热门文章

图像特征与描述子（直方图， 聚类， 边缘检测， 兴趣点/关键点， Harris角点， 斑点（Blob), SIFI, 纹理特征）...

图像特征与描述子（直方图， 聚类， 边缘检测， 兴趣点/关键点， Harris角点， 斑点（Blob), SIFI, 纹理特征）...相关推荐

最新文章

热门文章

图像特征与描述子（直方图，聚类，边缘检测，兴趣点/关键点， Harris角点，斑点（Blob), SIFI, 纹理特征）...

图像特征与描述子（直方图，聚类，边缘检测，兴趣点/关键点， Harris角点，斑点（Blob), SIFI, 纹理特征）...相关推荐