码迷,mamicode.com
首页 > 其他好文 > 详细

【Tadeas】图片特征

时间:2019-09-04 00:14:38      阅读:88      评论:0      收藏:0      [点我收藏+]

标签:for   等于   col   识别   mit   拆分   模式   最快   函数   

特征提取

直方图

  • 用于计算图片的特征(Feature) 和表达(representation)
  • 对图片数据/特征分别的一种统计
    ** 灰度、颜色
    ** 梯度/边缘、形状、纹理
    ** 局部特征点、视觉词汇
  • 区间(bin)
    ** 均有一定的统计或者物理意义
    ** 一种数据或者特征的代表
    ** 需要预定义或者基于数据进行学习
    ** 数值是一种统计量: 概率、频数、特定积累
  • 维度小于原始数据

对数据空间(Bin)进行量化

  • 人工分割

技术图片

人工分割:简单高效,但是存在量化问题,量化过宽容易造成精度的损失或者量化过窄容易过拟合

  • 聚类算法进行无监督学习
    常用方法:Kmeans、 EM算法、Mean shift、谱聚类、层次聚类等
  • Kmeans 容易受到类中心书K的选择和初始点的选取的影响-->容易陷入局部最优
    ** 改进:多次全随机取最优;Kmeans++ 半随机

几何特征

  • 边缘(Edge)
    ** 像素明显变化的区域
    ** 具有丰富的语义信息
    用于物体识别和几何、视角变化
    一般边缘定义为:像素值函数快速变化的区域-->一阶导数(灰度值函数)的极值区域

  • 边缘提取:
    ** 先高斯去噪,在使用一阶导数获取极值(导数对噪声敏感)
    ** 梯度幅值/强度:

$ h_{x}{{(x,y)}^{2}}+h_{y}{{(x,y)}^{2}} $

** 梯度(增加最快)方向

$ \arctan (\frac{h_{y}(x,y)}{h_{x}(x,y)}) $

其中:$ h_{y}(x,y)=\frac{\partial h(x,y)}{\partial y}$, \(h(x,y)\)为二维高斯函数

  • Harris 角点(corner)

** 一种显著点,在任意方向上移动一个小的观察窗,会导致大的像素变动
** 数学模型:取偏移\((u, v)\)后窗内图像变化,取\(E(u, v)\)大的patch:
\(E\left( u,v \right)=\sum\limits_{x,y}{w\left( x,y \right){{[I\left( x+u,y+v \right)-I\left( x,y \right)]}^{2}}}\)
其中,\(w(x,y)\)为窗函数,e.g., 高斯或者矩形函数

技术图片

  • 斑点(Blob)
    ** 拉普拉斯梯度:一阶导极值点-->二阶导数零点 : 对噪声很敏感,先做高斯平滑
    ** 二阶高斯导数滤波(Laplacian of Gaussian, LOG)
    \({{\nabla }^{2}}\left( f\left( x,y \right)\otimes G\left( x,y \right) \right)={{\nabla }^{2}}G\left( x,y \right)\otimes G\left( x,y \right)\)
    即:先高斯滤波在拉普拉斯滤波--> 直接二阶高斯导数滤波

技术图片

局部特征

  • SIFT(Scale-Invariant Feature Transform)关键点
    ** 基于尺度空间的不变的特征,
    ** 具有良好的不变特性(旋转、尺度缩放、平移、亮度变化、遮挡和噪声)
    ** 独特良好,信息量丰富
    *** 适用于在海量数据库中进行快速、准确的匹配
    ** 多量性
    *** 即使少数物体也可以产生大量的SIFT特征

** 尺度空间
*** 使用不同标准差 \(\sigma\)的LOG对图片进行滤波
\({{\nabla }^{2}}L\left( x,y,\sigma \right)={{\nabla }^{2}}G\left( x,y,\sigma \right)*I\left( x,y \right)\)

*** DOG(difference of Gaussian)
**** LOG近似等于两个不同尺度\(\sigma\)的高斯差分
\(D\left( x,y,\sigma \right)=\left( G\left( x,y,k\sigma \right)-G\left( x,y,\sigma \right) \right)*I\left( x,y \right)\approx \left( k-1 \right){{\sigma }^{2}}{{\nabla }^{2}}L\left( x,y,\sigma \right)\)

** 应用
*** 计算高斯差分(LOG)尺度空间,获取极值点
*** 特征电处理
**** 位置插值
**** 去除低对比度点
**** 去除边缘点
*** 方向估计
*** 描述子提取

纹理特征

  • HOG (方向梯度直方图)
    ** 梯度计算
    *** 分别计算水平和垂直梯度
    **** 梯度幅值和方向
    *** 对于彩色图片,选取梯度幅值最大的通道
    ** Block拆分

  • LBP(局部二值模式)

  • Gabar 滤波器组
    ** 该滤波器组类似于人类的视觉系统
    ** 频域:属于加窗傅里叶变换
    ** 空域: 一个高斯函数和正弦平面波的乘积
    \(g\left( x,y;\lambda ,\theta ,\psi ,\sigma ,\gamma \right)=\exp \left( -\frac{{{{{x}'}}^{2}}+{{\gamma }^{2}}{{{{y}'}}^{2}}}{2{{\sigma }^{2}}} \right)\exp \left( i\left( 2\pi \frac{{{x}'}}{\lambda }+\psi \right) \right)\)
    其中:\(x'=x\cos \theta + y\sin\theta\), \(y'=-x\sin \theta + y\cos\theta\)

【Tadeas】图片特征

标签:for   等于   col   识别   mit   拆分   模式   最快   函数   

原文地址:https://www.cnblogs.com/tadeas/p/11450482.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!