计算机视觉——–图像特征与描述

首页 » 算法 » 正文

1.颜色特征

量化颜色直方图:

统计落在量化单元上的像素数量

HSV空间

优势:计算高校,劣势:量化问题,稀疏

聚类颜色直方图:

使用聚类算法对所有像素点颜色向量进行聚类,bin由聚类中心代表

2.几何特征

边缘:

像素明显变化的区域(一阶导数的极值区域)

边缘提取:

先高斯去噪,再使用一阶导数求极值

3.基于关键点的特征描述子

不同距离,方向,角度观察同一物体时,我们仍然可以认为他是同一物品。理想的特征描述子应该具备这个性质,同一特征点应具有足够相似的描述子,称之为描述点的可复现性。

特征点

可重复的,显著的,抗图片变化的

Harris角点

一种显著点,在任何方向移动小窗口,导致大的像素变动

角点:两个特征值都大

平面:两个特征值都小

直线:一个特征值大一个特征值小

Fast角点

如果有个像素点和周围的像素点都不同,那么他就是Fast角点

斑点:

二阶导数的极值被称之为斑点,需要通过高斯滤波预处理再进行二阶求导

4.其他特征提取

局部特征SIFT:

基于尺度空间不变的特征

优点:具有良好的不变性,独特性好,信息量丰富,多量性

计算步骤:

在DoG尺度空间中获得极值点(关键点)(DoG的计算量比LoG小很多,故用DoG代替LoG)

对关键点处理(位置插值,去除边缘点)

关键点的方向估计(便于找到旋转过后的特征描述)

关键点描述子的生成

缺点:计算过度复杂

Haar-like特征:

边缘特征,线性特征,中心特征,对角线特征组成特征模板,特征模板内有白色和黑色两种矩形,并定义还模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了灰度值变化情况

局部特征SURF:

主要是对SIFT中的某些运算做了简化

与SIFT比较:

近似SIFT算法,实现快速版

亮度变化下效果好

模糊方面优于SIFT

尺度不变上不及SIFT

旋转不变上差很多

ORB特征描述:

基于FAST角点的特征检测与BRIEF特征描述技术,速度比SIFT和SURF更快

给FAST增加尺度不变性,给BRIEF增加旋转不变性

LBP(局部二值模式):

将每个像素点与周围点大小比较

多个BIT组成一个数,统计每个数的直方图

优点:灰度不变性

 

 

 

 

 

 

未经允许不得转载:作者:1146-陶同学, 转载或复制请以 超链接形式 并注明出处 拜师资源博客
原文地址:《计算机视觉——–图像特征与描述》 发布于2020-07-29

分享到:
赞(0) 打赏

评论 抢沙发

评论前必须登录!

  注册



长按图片转发给朋友

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

Vieu3.3主题
专业打造轻量级个人企业风格博客主题!专注于前端开发,全站响应式布局自适应模板。

登录

忘记密码 ?

您也可以使用第三方帐号快捷登录

Q Q 登 录
微 博 登 录