A、特征提取最终的一个特性是可重复性，即同一场景的不同图片所提取得到的特征应该是一样的。
B、特征分类：
直接特征：视觉直观可感的特征（如角点，边缘，颜色等）
间接特征：其可分为变换系数特征<Fourier,小波变换等>、
统计直方图特征<颜色/方向直方图>、代数特征（<线性投影 特征抽取（PCA/Fiseher）>、<非线性特征抽取：核方法 （核映射后样本的位数=训练样本数）>）。
C、视觉认知模型：Serre模型，Mutch模型，KarKlin模型
D、图像特征提取：（因为不太适合进行编辑，所以偷懒一下把手记图片贴上啦~~~）如下图1：
1
E、提取方法：如图2
2
F、图像特征表示方式：如图3
3
G、图像特征的评价指标：
图像特征检测器评价指标：可重复性，计算复杂度，不变性
图像特征描述子评价指标：查全率，查准率，显著性<采用描述子矩阵的特征值进行评价>
*若要使描述子减少光照变化的影响，可通过向量归一化，即单位长度来实现。原因在于图像对比度变化相当于该每个像素值乘以一个常量的同时也给梯度乘以一个同样的常量，因此图像对比度变化可通过向量归一化来消除。图像亮度的变化相当于给每个像素增加一个常量，而这种变化对梯度值的计算没有影响。
*高斯函数是唯一可能的尺度空间核，故在SIFT提取算法中的DoG金字塔中采用的是不同尺度的高斯核函数。
*Tips:L0范数：向量中非0的元素个数
L1范数：向量中各元素绝对值之和，也称为“稀疏规则算子”
网友评论