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 ...
最新文章
- 万万没想到! logger.info() 还能导致线上故障?
- java swing中英文支持,java - Swing国际化 - 如何在运行时更新语言 - SO中文参考 - www.soinside.com...
- php mail函数_PHP发送电子邮件函数mail详解
- 再谈无边框窗体的操作
- Mysql数据库主从及主主复制配置演示
- java中this的含义_Javascript中的this的含义
- 双针模型:验证括号,特殊case处理
- XML解析的三种方式(dom,sax,dom4j)
- QT 显示中文、解决发布乱码、获得系统特定目录、获取文件属性、列表控件、屏幕截图显示保存(定时器)、视频直播、右键菜单
- 访问linux端口失败_教你如何配置Linux服务器防火墙端口规则
- php 各种排序算法,PHP四种常见排序算法
- await原理 js_深入浅出node.js异步编程 及async await原理
- 【转】如何在eclipse下配置Heritrix
- ES6中Promise的入门(结合例子)
- php设置上传文件浏览按钮的样式和文字,文件上传按钮的用户自定义样式的实现...
- LM358电压跟随器
- 好东西大家分享: 怎么画数据流图
- 【Unity】窗口失去焦点后继续游戏处理
- 天眼安全设备的初步使用
- 献给父亲,《手风琴》;《夺命手术》,母爱无疆。
热门文章
- 马尔可夫和切比雪夫不等式的证明
- Separating Axis Theorem(分离轴理论)Raycast
- 解决warning: cast to pointer from integer of different size [-Wint-to-pointer-cast]
- QT开发环境简介、安装以及搭建VS2019环境
- 微信支付宝刷步数_一劳永逸版(在用)
- 查看本地计算机ip命令,查看你本机的IP信息的命令ipconfig详解【图】
- 怎么用虚拟机搭建云服务器,利用虚拟机搭建云服务器
- 干货|关于云计算认证升级内容
- cad缩放_CAD两种缩放技巧,你喜欢那个?
- JDK源码阅读计划(Day12) BitSet