1，概念簡介
圖像特征可以包括顏色特征、紋理特征、形狀特征以及局部特征點(diǎn)等。其中局部特點(diǎn)具有很好的穩(wěn)定性，不容易受外界環(huán)境的干擾。在對圖像進(jìn)行特征提取時(shí)，通常要將圖像灰度化，這是因?yàn)轭伾?#xff0c;易受光照影響，難以提供關(guān)鍵信息，故將圖像進(jìn)行灰度化而計(jì)算梯度，同時(shí)也可以加快特征提取的速度。

局部特征從總體上說是圖像或在視覺領(lǐng)域中一些有別于其周圍的地方；局部特征通常是描述一塊區(qū)域，使其能具有高可區(qū)分度；局部特征的好壞直接會決定著后面分類、識別是否會得到一個(gè)好的結(jié)果。局部特征應(yīng)該具有的特點(diǎn)： 可重復(fù)性、可區(qū)分性、準(zhǔn)確性、有效性（特征的數(shù)量、特征提取的效率）、魯棒性（穩(wěn)定性、不變性）。所以它只適合于對圖像進(jìn)行匹配，檢索等應(yīng)用。對于圖像理解則不太適合。而后者更關(guān)心一些全局特征，如顏色分布，紋理特征，主要物體的形狀等。全局特征容易受到環(huán)境的干擾，光照，旋轉(zhuǎn)，噪聲等不利因素都會影響全局特征。相比而言，局部特征點(diǎn)，往往對應(yīng)著圖像中的一些線條交叉，明暗變化的結(jié)構(gòu)中，受到的干擾也少。

斑點(diǎn)與角點(diǎn)是兩類局部特征點(diǎn)。斑點(diǎn)通常是指與周圍有著顏色和灰度差別的區(qū)域，如草原上的一棵樹或一棟房子。它是一個(gè)區(qū)域，所以它比角點(diǎn)的噪能力要強(qiáng)，穩(wěn)定性要好。而角點(diǎn)則是圖像中一邊物體的拐角或者線條之間的交叉部分。
2，角點(diǎn)檢測
角點(diǎn)檢測的方法是極多的，其中具有代表性的算法是Harris算法與FAST算法：
Harris算法詳解：https://www.cnblogs.com/ronny/p/4009425.html
FAST算法詳解：https://www.cnblogs.com/ronny/p/4078710.html
3，斑點(diǎn)檢測
斑點(diǎn)檢測的方法主要包括利用高斯拉普拉斯算子檢測的方法（LOG）,以及利用像素點(diǎn)Hessian矩陣（二階微分）及其行列式值的方法（DOH）。
高斯拉普拉斯算子檢測的方法（LOG）詳解：https://www.cnblogs.com/ronny/p/3895883.html
DoH方法就是利用圖像點(diǎn)二階微分Hessian矩陣：

行列式的值DoH：

Hessian矩陣行列式的值，同樣也反映了圖像局部的結(jié)構(gòu)信息。與LoG相比，DoH對圖像中的細(xì)長結(jié)構(gòu)的斑點(diǎn)有較好的抑制作用。
無論是LoG還是DoH，它們對圖像中的斑點(diǎn)進(jìn)行檢測，其步驟都可以分為以下兩步：
1）使用不同的σ生成

模板，并對圖像進(jìn)行卷積運(yùn)算；
2）在圖像的位置空間與尺度空間中搜索LoG與DoH響應(yīng)的峰值。
2.1 SIFT（尺度不變特征變換）
在不同的尺度空間上查找關(guān)鍵點(diǎn)(特征點(diǎn))，并計(jì)算出關(guān)鍵點(diǎn)的方向。SIFT所查找到的關(guān)鍵點(diǎn)是一些十分突出、不會因光照、仿射變換和噪音等因素而變化的點(diǎn)，如角點(diǎn)、邊緣點(diǎn)、暗區(qū)的亮點(diǎn)及亮區(qū)的暗點(diǎn)等。該算法具有一定的仿射不變性，視角不變性，旋轉(zhuǎn)不變性和光照不變性，所以在圖像特征提高方面得到了最廣泛的應(yīng)用。
該算法大概可以歸納為三步：
1）高斯差分金字塔的構(gòu)建；
它用組與層的結(jié)構(gòu)構(gòu)建了一個(gè)具有線性關(guān)系的金字塔結(jié)構(gòu)，讓我們可以在連續(xù)的高斯核尺度上查找特征點(diǎn)。它比LoG高明的地方在于，它用一階高斯差分來近似高斯的拉普拉斯核，大大減少了運(yùn)算量
2）特征點(diǎn)的搜索；
特征點(diǎn)搜索中，主要的關(guān)鍵步驟是極值點(diǎn)的插值，因?yàn)樵陔x散的空間中，局部極值點(diǎn)可能并不是真正意義上的極值點(diǎn)，真正的極植點(diǎn)可以落在了離散點(diǎn)的縫隙中。所以要對這些縫隙位置進(jìn)行插值，然后再求極值點(diǎn)的坐標(biāo)位置。一關(guān)鍵環(huán)節(jié)是刪除邊緣效應(yīng)的點(diǎn)，因?yàn)橹缓雎阅切〥oG響應(yīng)不夠的點(diǎn)是不夠的，DoG的值會受到邊緣的影響，那些邊緣上的點(diǎn)，雖然不是斑點(diǎn)，但是它的DoG響應(yīng)也很強(qiáng)。所以我們要把這部分點(diǎn)刪除。我們利用橫跨邊緣的地方，在沿邊緣方向與垂直邊緣方向表現(xiàn)出極大與極小的主曲率這一特性。所以通過計(jì)算特征點(diǎn)處主曲率的比值即可以區(qū)分其是否在邊緣上。這一點(diǎn)在理解上可以參見Harris角點(diǎn)的求法
3）特征描述：
特征點(diǎn)的方向的求法是需要對特征點(diǎn)鄰域內(nèi)的點(diǎn)的梯度方向進(jìn)行直方圖統(tǒng)計(jì)，選取直方圖中比重最大的方向?yàn)樘卣鼽c(diǎn)的主方向，還可以選擇一個(gè)輔方向。在計(jì)算特征矢量時(shí)，需要對局部圖像進(jìn)行沿主方向旋轉(zhuǎn)，然后再進(jìn)鄰域內(nèi)的梯度直方圖統(tǒng)計(jì)。

sift特征提取算法詳解：https://blog.csdn.net/happyer88/article/details/45817305

SIFT算法在一定程度上可解決： 目標(biāo)的旋轉(zhuǎn)、縮放、平移（RST） ；圖像仿射/投影變換（視點(diǎn)viewpoint）； 光照影響（illumination）； 目標(biāo)遮擋（occlusion）；雜物場景（clutter）； 噪聲。

2.2 SURF
基于SIFT算法的思路，提出了加速魯棒特征（SURF）,該算法主要針對于SIFT算法速度太慢，計(jì)算量大的缺點(diǎn)，使用了近似Harr小波方法來提取特征點(diǎn)，這種方法就是基于Hessian行列式（DoH）的斑點(diǎn)特征檢測方法。通過在不同的尺度上利用積分圖像可以有效地計(jì)算出近似Harr小波值，簡化了二階微分模板的構(gòu)建，搞高了尺度空間的特征檢測的效率。

SURF算法在積分圖像上使用了盒子濾波器對二階微分模板進(jìn)行了簡化，從而構(gòu)建了Hessian矩陣元素值，進(jìn)而縮短了特征提取的時(shí)間，提高了效率。其中SURF算法在每個(gè)尺度上對每個(gè)像素點(diǎn)進(jìn)行檢測，其近似構(gòu)建的Hessian矩陣及其行列式的值分另為：

其中Dxx,Dxy和Dyy為利用盒子濾波器獲得的近似卷積值。如果c(x,y,σ)大于設(shè)置的門限值，則判定該像素點(diǎn)為關(guān)鍵字。然后與SIFT算法近似，在以關(guān)鍵點(diǎn)為中心的3×3×3像素鄰域內(nèi)進(jìn)行非極大值抑制，最后通過對斑點(diǎn)特征進(jìn)行插值運(yùn)算，完成了SURF特征點(diǎn)的精確定位。而SURF特征點(diǎn)的描述，則也是充分利用了積分圖，用兩個(gè)方向上的Harr小波模板來計(jì)算梯度，然后用一個(gè)扇形對鄰域內(nèi)點(diǎn)的梯度方向進(jìn)行統(tǒng)計(jì)，求得特征點(diǎn)的主方向。
SURF算法詳解參考：SURF算法與源碼分析、上：https://www.cnblogs.com/ronny/p/4045979.html；SURF算法與源碼分析、下：https://www.cnblogs.com/ronny/p/4048213.html

4，應(yīng)用（圖像匹配）
由于成像時(shí)光照，環(huán)境，角度的不一致，我們獲取的同一物體的圖像是存在差異的，如同上圖中的兩輛小車的圖像一樣，角度不同，成像就不同。我們直接利用圖像進(jìn)行比較是無法進(jìn)行判斷小車是否為同一類的。必須進(jìn)行特征點(diǎn)的提取，再對特征點(diǎn)進(jìn)行匹配。

圖像的變換一般來說包括了光照變化與幾何變化，光照變化表現(xiàn)是圖像上是全局或局部顏色的變化，而幾何變化種類就比較多了，可以是平移、旋轉(zhuǎn)、尺度、仿射、投影變換等等。所以我們在研究局部特征點(diǎn)時(shí)才要求特征點(diǎn)對這些變化具有穩(wěn)定性，同時(shí)要有很強(qiáng)的獨(dú)特性，可以讓圖像與其他類的圖像區(qū)分性強(qiáng)，即類內(nèi)距離小而類間距離大。
5，傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)特征提取的比較
對于一副圖像，像素級的特征沒有任何價(jià)值，而如果特征是一個(gè)具有結(jié)構(gòu)性（或者說有含義）的時(shí)候，比如摩托車是否具有車把手，是否具有車輪，就很容易把摩托車和非摩托車區(qū)分，學(xué)習(xí)算法才能發(fā)揮作用。一個(gè)復(fù)雜圖像往往由一些基本結(jié)構(gòu)組成。比如下圖：一個(gè)圖可通過用64種正交的edges（可以理解成正交的基本結(jié)構(gòu)）來線性表示：

小塊的圖形可以由基本edge構(gòu)成，更結(jié)構(gòu)化，更復(fù)雜的，就需要更高層次的特征表示，高層表達(dá)由低層表達(dá)的組合而成，這就是神經(jīng)網(wǎng)絡(luò)每層提取到的特征。

傳統(tǒng)特征提取方法的研究過程和思路是非常有用的，因?yàn)檫@些方法具有較強(qiáng)的可解釋性，它們對設(shè)計(jì)機(jī)器學(xué)習(xí)方法解決此類問題提供啟發(fā)和類比。有部分人認(rèn)為現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)與這些特征提取方法有一定類似性，因?yàn)槊總€(gè)濾波權(quán)重實(shí)際上是一個(gè)線性的識別模式，與這些特征提取過程的邊界與梯度檢測類似。同時(shí)，池化（Pooling）的作用是統(tǒng)籌一個(gè)區(qū)域的信息，這與這些特征提取后進(jìn)行的特征整合（如直方圖等）類似。通過實(shí)驗(yàn)發(fā)現(xiàn)卷積網(wǎng)絡(luò)開始幾層實(shí)際上確實(shí)是在做邊緣和梯度檢測。不過事實(shí)上卷積網(wǎng)絡(luò)發(fā)明的時(shí)候，還沒有這些特征提取方法。

總結(jié)

以上是生活随笔為你收集整理的局部特征点算法简介的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。