6图像特征提取 方法技巧.ppt

图像特征提取;主要内容;3、面向模式分类的特征提取 3.1 图像小波特征 3.1.1 Haar特征 3.1.2 Gabor特征 3.1.3 Log-Gabor特征 3.2 图像子空间特征 3.2.1主成分分析 3.2.2 线性鉴别分析 3.2.3 局部保持投影 3.2.4 （2D)^2PCALDA算法 3.3 图像局部描述特征 3.3.1 梯度方向直方图特征（HOG） 3.3.2 局部二值模式特征（LBP） 3.3.3 其他 ;;1.1 特征提取简介;1.1 特征提取简介;1.2图像特征提取思路;1.3 图像特征分类及选择;2.1 图像一维投影特征;2.2 图像区域、边缘特征;2.3 图像点特征;2 Beaudet特征点（1978） Hessian矩阵 满足： 并且 为局部最大值，判为特征点;3 HarrisStephens特征（1988）;4 Forstner特征点（1994）;5 KLT特征点（1994）;SUSAN特征点（1995）-SmithBrady;SUSAN特征点, g=3max/4;2.3 图像点特征-SIFT简介;; 目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决：;Scale-space extrema detection Keypoint localization Orientation assignment Keypoint descriptor;1. Scale-space extrema detection ;高斯金子塔的构建过程可分为两步： （1）对图像做高斯平滑； （2）对图像做降采样。 为了让尺度体现其连续性，在简单 下采样的基础上加上了高斯滤波。 一幅图像可以产生几组（octave） 图像，一组图像包括几层 （interval）图像。 ;高斯图像金字塔共o组、s层， 则有： ;DoG高斯差分金字塔 ; 中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。 ; 在极值比较的过程中，每一组图像的首末两层是无法进行极值比较的，为了满足尺度变化的连续性，我们在每一组图像的顶层继续用高斯模糊生成了3幅图像，高斯金字塔有每组S+3层图像。DOG金字塔每组有S+2层图像 右图为不同尺度不同层间极值检测示意图。;关键点精确定位-去除低对比度点; 上式去除那些对比度较低的不稳定极值点。Lowe的试验显示，所有取值小于0.04的极值点均可抛弃（像素灰度值范围[0，1]）。;关键点精确定位-去除边缘响应; 在两特征值相等时达最小，随r的增长而增长。Lowe论文中???议r取10。;3. Orientation assignment; 方向直方图的生成; 1.直方图以每10度方向为一个柱，共36个柱，柱所代表的方向为像 素点梯度方向，柱的长短代表了梯度幅值。 2.根据Lowe的建议，直方图统计半径采用3*1.5*σ。 3.在直方图统计时，每相邻三个像素点采用高斯加权，根据Lowe的 建议，模板采用[0.25,0.5,0.25]，并连续加权两次。 ;确定计算关键点直方图的高斯函数权重函数参数 ； 生成含有36柱的方向直方图，梯度直方图范围0~360度，其中每10度一个柱。由半径为图像区域生成； 对方向直方图进行两次平滑； 求取关键点方向（可能是多个方向）； 对方向直方图的Taylor展开式进行二次曲线拟合，精确关键点方向；;4. Keypoint descriptor;; SIFT算法目前在军事、工业和民用方面都得到了不同程度的应用，其应用已经渗透了很多领域，典型的应用如下：;——周正龙的老虎; SIFT在图像的不变特征提取方面拥有无与伦比的优势，但其并不是完美的，仍然存在着实时性不高、有时特征点较少、对边缘模糊的目标无法准确提取特征点等缺陷。自从1999年，SIFT算法问世以来，人们从未停止对它的优化和改进。;SURF特征点;3 面向模式分类的特征;3.1 图像小波特征;3.1 图像小波特征;3.1 图像小波特征;3.2 图像子空间特征;主成分分析PCA方法;主成分分析PCA概况;如何去相关？;PCA：协方差矩阵的特征值分解;PCA：协方差矩阵计算;PCA：计算方法;PCA：用于降维;PCA降维: Theory;PCA降维: Practice;数据约减：理想情况图示;数据约减：非理想情况图示;PCA降维: 数据损失分析;Eigenface人脸识别方法;可视化的“特征脸” Leading 8D: