原标题：传统图像特征提取方法列表

原文来自：CSDN      原文链接：https://blog.csdn.net/zhi_neng_zhi_fu/article/details/101267373

特征是什么？

常见的特征有：边缘、角，区域；

图像特征的操作步骤

目前图像特征的提取主要有两种方法：传统图像特征提取方法 和 深度学习方法。

• 传统的特征提取方法：基于图像本身的特征进行提取；

• 深度学习方法：基于样本自动训练出区分图像的特征分类器；

传统的图像特征提取一般分为三个步骤：预处理、特征提取、特征处理；然后在利用机器学习等方法对特征进行分类等操作；

• 预处理：预处理的目的主要是排除干扰因素，突出特征信息；主要的方法有：

• 图片标准化：调整图片尺寸；

• 图片归一化：调整图片重心为0；

• 特征提取：利用特殊的特征提取子对图像进行特征提取，主要有：Harris、SIFT、SURF、LBF、HOG、DPM：

• 特征处理：主要目的是为了排除信息量小的特征，减少计算量等：常见的特征处理方法是降维，常见的降维方法有：

• 主成分分析；

• 奇异值分解；

• 线性判别分析；

常见的特征提取方法：

Harris

Harris 具有以下特点：

• Harris 是一种角点特征描述子；

• 角点对应于物体的拐角：例如：道路的十字路口等；

• Harris 是一个非常热门的特征检测算法；

• Good Feature To Tracker Dectector;

SIFT：尺度不变特征变换（Scale-invarialt feature transform）

• 该方法由 David Lowe 发表在ICCV；

• 该算法具有对旋转、尺度缩放、亮度变化保持不变性；

• 对视角变化、仿射变换、噪声也保持一定程度的稳定性；

• SIFT 唯一的缺点就是实时性不足；

• SURF（Speeded Up Robust Features）以更高效的方式改进了特征提取和描述的方式；

HOG：(Histogram of Oriented Gradient) 方向梯度直方图

• 效果很好，应用也广；

• 基于统计的特征提取算法：通过统计不同梯度方向的像素而获取图像的特征向量；

LBP：(Local Binary Pattern，局部二值模式)

• 一种纹理特征描述算子；

• 具有旋转和灰度不变性等显著的优点；

DPM：(Discriminatively Trained Part Based Models)

• 想法很好，效果不错；

• 提出了很多对后续目标识别和深度学习影响深远的思想；

其他常用的特征检测算法

• FAST： Fast Feature Detector;

• STAR： Star Feature Detector;

• ORB： ORB;

• MSER： MSER

• GFTT： Good Feature To Tracker Detector;

• Dense： Dense Feature Detector;

• SimpleBlob： Simple Blob Detector;

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com