Python图像处理实战

第7章　图像特征提取与描述符

本章主要讨论特征检测器和描述符，以及不同类型的特征检测器/提取器在图像处理中的各种应用。首先，从定义特征检测器和描述符开始；然后继续讨论一些主流的特征检测器，如哈里斯角点检测器/SIFT和HOG；接着讨论这些特征检测器及各自的scikit-image和python-opencv（cv2）库函数在诸如图像匹配和目标检测等重要图像处理问题中的应用。

本章主要包括以下内容：

• 特征检测器与描述符；
• 哈里斯角点检测器；
• 基于LoG、DoG和DoH的斑点检测器；
• 基于方向梯度直方图的特征提取；
• 尺度不变特征变换；
• 类Haar特征及其在人脸检测中的应用。

7.1　特征检测器与描述符

在图像处理中，（局部）特征是指一组与图像处理任务相关的关键/突出点或信息，它们创建了一个抽象的、更为普遍的（通常是健壮的）图像表示。基于某种标准（例如，角点、局部最大值、局部最小值等，从图像中检测或提取特征）从图像中选择一组感兴趣点的算法称为特征检测器/提取器。

相反，描述符是表示图像特征/感兴趣点（如HOG特性） 值的集合。特征提取也可以看作将图像转换为一组特征描述符的操作，因此是降维的特殊形式。局部特征通常由感兴趣点及其描述符共同组成。

整个图像的全局特征（例如图像直方图）通常并不是那么让人满意，不值得提取。因此，更实用的方法是将图像描述为一组局部特征，这些局部特征对应于图像中有趣的区域，如角点、边和斑点。每个区域都有一个描述符，描述符捕捉某些光度特性（如强度和梯度）的局部分布。局部特征的某些属性如下。

（1）它们应该是重复的（即可在每个图像中独立检测相同的点）。

（2）它们应该不受平移、旋转、缩放（仿射变换）的影响。

（3）它们应该对噪声、模糊、遮挡、杂波和光照变化（局部）具有鲁棒性。 ...