目录

一、颜色特征

1、量化颜色直方图

类似于把颜色空间分段归类。

下图为一个HSV空间下的例子：

2、聚类颜色直方图

解决量化颜色直方图的稀疏的缺点：只有出现过的颜色才会在直方图里分布，相近的颜色聚在一起。避免出现大量bin的像素数量非常稀疏的情况。

考虑相似但不相同的颜色之间的相似度：(各个“零”之间离的远近：二次式方法)

比如A图有5个像素点，颜色为255；B图有5个像素点，颜色为254,；C图有5个像素点，颜色为260。

二、几何特征

（一）边缘

1、边缘的定义：

2、边缘提取的方法：

先高斯去噪（用高斯函数进行滤波），再用一阶导数获取极值。

高斯去噪的原因：极值对噪声特别敏感。

公式中的g代表高斯滤波，f代表原函数。

高斯函数的导数：标准差sigma代表边缘提取的尺度。

对x，y求导：两个峰分辨是横向和纵向分布。

梯度的概念：

其实是变化最快的方向或者下降最快的方向，不是增加最快的方向吧。

图上每一个点都可以求出它的梯度。

X方向高斯梯度着重关注纵向边缘，Y方向高斯梯度着重关注横向边缘。重点看人物左边的那一根柱子就可以确定。

sigma代表了边缘提取的模板的尺度，比如如果边界清晰，sigma可以取得较大；如果边界模糊，sigma需要取得较小。

反过来，sigma越小，提取到的边界越清晰。

（二）角点（Corner）

1、Harris角点

Harris角点的理解：

人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。

图中的变动是指：小观察窗区域内图像灰度的变动。

对于图像I(x,y)I(x,y)，当在点(x,y)(x,y)处平移(Δx,Δy)(Δx,Δy)后的自相似性，可以通过自相关函数给出：

其中，W(x,y)是以点(x,y)为中心的窗口，w(u,v)为加权函数，它既可是常数，也可以是高斯加权函数。

判断Harris角点的方法：

计算并比较特征值。

计算Harris角点的步骤：

举例说明：计算Harris角点的响应值——>阈值化——>获取局部最大值点（左下图中标红点的部分）

2、FAST角点

FAST角点的概念：

求FAST角点的具体步骤：

n通常取12.

（三）斑点（Blob）

斑点又称为拉普拉斯梯度，其定义以及算法如下：

高斯滤波的二阶导数：

高斯算子中sigma对斑点识别的影响：

斑点是什么：边界包围的部分就是斑点，如下图：

四、基于特征点的特征描述子

大小、方向、明暗不能作为特征描述子。

特征点的应用：

（一）局部特征：SIFT

其实不够快，因此在SIFT之后产生了SURF和ORB。

这边只列一些基本的概念吧。

DoG是高斯差分空间。LoG高斯拉普拉斯尺度空间和DoG之间有一个转换关系，为了计算方便我们通常用拉普拉斯空间来替代高斯差分空间。

关键点描述子生成的解释：

（1）找到关键点；

（2）在其附近划一块区域，然后把这块区域转化成一个由梯度所描述的高维向量（即：用合理的特征来描述），以代表这个点周围的所有信息。

LoG：先进行高斯平滑，再进行拉普拉斯滤波以发现边缘和斑块。

拉普拉斯二阶求偏导，运算量很大：用差分代替微分。见下图最下面两张图：左边代表了差分，右边两条曲线是差分和微分的结果对比。

参考文献：

Harrris角点部分参考：https://www.cnblogs.com/ronny/p/4009425.html