1.LBP

LBP（Local Binary Pattern，局部二值模式）是一種用來(lái)描述圖像局部紋理特征的算子；它具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)。它是首先由T. Ojala, M.Pietik?inen, 和D. Harwood 在1994年提出，用于紋理特征提取。而且，提取的特征是圖像的局部的紋理特征；

1.1 圓形LBP算子

基本的 LBP算子的最大缺陷在于它只覆蓋了一個(gè)固定半徑范圍內(nèi)的小區(qū)域，這顯然不能滿(mǎn)足不同尺寸和頻率紋理的需要。為了適應(yīng)不同尺度的紋理特征，并達(dá)到灰度和旋轉(zhuǎn)不變性的要求，Ojala等對(duì) LBP 算子進(jìn)行了改進(jìn)，將 3×3鄰域擴(kuò)展到任意鄰域，并用圓形鄰域代替了正方形鄰域，改進(jìn)后的 LBP 算子允許在半徑為 R 的圓形鄰域內(nèi)有任意多個(gè)像素點(diǎn)。從而得到了諸如半徑為R的圓形區(qū)域內(nèi)含有P個(gè)采樣點(diǎn)的LBP算子：

1.2 旋轉(zhuǎn)不變的LBP

從 LBP 的定義可以看出，LBP 算子是灰度不變的，但卻不是旋轉(zhuǎn)不變的。圖像的旋轉(zhuǎn)就會(huì)得到不同的 LBP值。
Maenpaa等人又將 LBP算子進(jìn)行了擴(kuò)展，提出了具有旋轉(zhuǎn)不變性的 LBP 算子，即不斷旋轉(zhuǎn)圓形鄰域得到一系列初始定義的 LBP值，取其最小值作為該鄰域的 LBP 值。

下圖給出了求取旋轉(zhuǎn)不變的 LBP 的過(guò)程示意圖，圖中算子下方的數(shù)字表示該算子對(duì)應(yīng)的 LBP值，圖中所示的 8 種 LBP模式，經(jīng)過(guò)旋轉(zhuǎn)不變的處理，最終得到的具有旋轉(zhuǎn)不變性的 LBP值為 15。也就是說(shuō)，圖中的 8種 LBP 模式對(duì)應(yīng)的旋轉(zhuǎn)不變的 LBP模式都是00001111。

2.HOG

方向梯度直方圖（Histogram of Oriented Gradient, HOG）特征是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子。它通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征。Hog特征結(jié)合SVM分類(lèi)器已經(jīng)被廣泛應(yīng)用于圖像識(shí)別中，尤其在行人檢測(cè)中獲得了極大的成功。

與其他的特征描述方法相比，HOG有很多優(yōu)點(diǎn)。首先，由于HOG是在圖像的局部方格單元上操作，所以它對(duì)圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上。其次，在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，只要行人大體上能夠保持直立的姿勢(shì)，可以容許行人有一些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測(cè)效果（對(duì)于發(fā)生較大形變，HOG特征表現(xiàn)乏力）。因此HOG特征是特別適合于做圖像中的人體檢測(cè)的。

3.FAST(角點(diǎn)檢測(cè)器)

Edward Rosten和Tom Drummond在2006年發(fā)表的“Machine learning for high-speed corner detection”文章中提出了一種FAST特征，并在2010年對(duì)這篇論文作了小幅度的修改后重新發(fā)表。FAST的全稱(chēng)為Features From Accelerated Segment Test。Rosten等人將FAST角點(diǎn)定義為：若某像素點(diǎn)與其周?chē)I(lǐng)域內(nèi)足夠多的像素點(diǎn)處于不同的區(qū)域，則該像素點(diǎn)可能為角點(diǎn)。也就是某些屬性與眾不同，考慮灰度圖像，即若該點(diǎn)的灰度值比其周?chē)I(lǐng)域內(nèi)足夠多的像素點(diǎn)的灰度值大或者小，則該點(diǎn)可能為角點(diǎn)。

FAST算法比其他已知的角點(diǎn)檢測(cè)算法要快很多倍，但是當(dāng)圖片中的噪點(diǎn)較多時(shí)，它的健壯性并不好，而且算法的效果還依賴(lài)于一個(gè)閾值tt。而且FAST不產(chǎn)生多尺度特征而且FAST特征點(diǎn)沒(méi)有方向信息，這樣就會(huì)失去旋轉(zhuǎn)不變性。

引用：http://www.cnblogs.com/ronny/p/4078710.html

4.SIFT/SURF(特征點(diǎn)檢測(cè)器)

http://www.cnblogs.com/ronny/p/4028776.html

http://www.cnblogs.com/ronny/p/4045979.html

如果說(shuō)SIFT算法中使用DOG對(duì)LOG進(jìn)行了簡(jiǎn)化，提高了搜索特征點(diǎn)的速度，那么SURF算法則是對(duì)DoH的簡(jiǎn)化與近似。雖然SIFT算法已經(jīng)被認(rèn)為是最有效的，也是最常用的特征點(diǎn)提取的算法，但如果不借助于硬件的加速和專(zhuān)用圖像處理器的配合，SIFT算法以現(xiàn)有的計(jì)算機(jī)仍然很難達(dá)到實(shí)時(shí)的程度。對(duì)于需要實(shí)時(shí)運(yùn)算的場(chǎng)合，如基于特征點(diǎn)匹配的實(shí)時(shí)目標(biāo)跟蹤系統(tǒng)，每秒要處理8-24幀的圖像，需要在毫秒級(jí)內(nèi)完成特征點(diǎn)的搜索、特征矢量生成、特征矢量匹配、目標(biāo)鎖定等工作，這樣SIFT算法就很難適應(yīng)這種需求了。SURF借鑒了SIFT中簡(jiǎn)化近似的思想，把DoH中的高斯二階微分模板進(jìn)行了簡(jiǎn)化，使得模板對(duì)圖像的濾波只需要進(jìn)行幾個(gè)簡(jiǎn)單的加減法運(yùn)算，并且，這種運(yùn)算與濾波器的尺度無(wú)關(guān)。實(shí)驗(yàn)證明，SURF算法較SIFT在運(yùn)算速度上要快3倍左右。

5.MSER（最大穩(wěn)定區(qū)域檢測(cè)器）

最大穩(wěn)定極值區(qū)域（MSER-Maximally Stable Extremal Regions）可以用于圖像的斑點(diǎn)區(qū)域檢測(cè)。該算法最早是由Matas等人于2002年提出，它是基于分水嶺的概念。
MSER的基本原理是對(duì)一幅灰度圖像（灰度值為0～255）取閾值進(jìn)行二值化處理，閾值從0到255依次遞增。閾值的遞增類(lèi)似于分水嶺算法中的水面的上升，隨著水面的上升，有一些較矮的丘陵會(huì)被淹沒(méi)，如果從天空往下看，則大地分為陸地和水域兩個(gè)部分，這類(lèi)似于二值圖像。在得到的所有二值圖像中，圖像中的某些連通區(qū)域變化很小，甚至沒(méi)有變化，則該區(qū)域就被稱(chēng)為最大穩(wěn)定極值區(qū)域。這類(lèi)似于當(dāng)水面持續(xù)上升的時(shí)候，有些被水淹沒(méi)的地方的面積沒(méi)有變化。

https://blog.csdn.net/tcorpion/article/details/73326833

6.MinEngen （角點(diǎn)檢測(cè)器）

7.Brisk

BRISK算法是2011年ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中，提出來(lái)的一種特征提取算法，也是一種二進(jìn)制的特征描述算子。

它具有較好的旋轉(zhuǎn)不變性、尺度不變性，較好的魯棒性。在圖像配準(zhǔn)應(yīng)用中，速度比較：SIFT>SURF>BRISK>FREAK>ORB，在對(duì)有較大模糊的圖像配準(zhǔn)時(shí)，BRISK算法在其中表現(xiàn)最為出色。

http://www.mamicode.com/info-detail-940675.html

https://blog.csdn.net/luoshixian099/article/details/50731801

總結(jié)

以上是生活随笔為你收集整理的几个常用有力的特征的分析LBP、HOG、FAST、SIFT/SURF、MSER、BRISK的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。