这次深入学习了计算机视觉特征度量,它可以用于图像检索、目标跟踪、人脸识别、物体识别等.视觉特征通常是由计算机从图像或视频中提取出来的数值表示,例如颜色直方图、梯度直方图、形状描述符等.这些特征可以用来表示图像或视频的不同方面,如颜色、纹理、形状等。视觉特征度量的目标是计算两个特征之间的相似度或距离.相似度度量通常用于比较两个特征的相似程度,而距离度量用于比较两个特征之间的差异程度.
1.统计颜色通常采用直方图的形式,通过采集图像各层级像素的强度来记录图像像素分布,通常x轴为像素层级,y轴为该像素值的像素数.这种方法能很好地表现出色彩纹理.
对图像的像素强度处理后往往能够很好地将图像的细节呈现出来,下图为进行直方图均衡化后的图像
2.纹理与描述，纹理具有三大特征：
-
某种局部序列性不断重复
-
非随机排列
-
纹理区域内大致为均匀的统一体
不同于颜色等图像特征,纹理通过像素及其周围空间邻域的灰度分布来表现,即局部纹理信息.局部纹理信息不同程度上的重复性,就是全局纹理信息.
纹理的应用：
1）工业：纹理特征主要用于对物体表面缺陷的自动检测,大大节省了人力资源,节约时间,提高效率,已有相当多的纹理分析方法用于缺陷自动检测系统.例如对丝织品、绘画、木制家具等器物表面的瑕疵进行检测,从而评定产品的质量.
2）医学：通过纹理特征分析对病变的细胞和器官进行识别,例如发生病变的器官和细胞在CT图像中呈现出与正常细胞不同的视觉特征.
3）遥感：通过纹理特征对遥感图像进行分割、识别区分出各种地貌.例如结构细腻的区域往往表示草地、平原、湿地流域、细微粒状沉积岩,而粗糙纹理结构区域一般为火成岩等.
常用的纹理测量的方法：
-
边缘密度和方向
-
局部二值化
-
共生矩阵
边缘是图像密度急剧变化的地方,图像的梯度可以很好地说明图像的像素点变化,梯度越大,像素点变化越快.边缘可以通过计算一阶偏导来得出,与之前提到的边缘检测方法sobel等算子相似,对图像的数据求偏导：∂F(x,y)/∂x≈[F(x+1,y)-F(x,y)]/1.边缘梯度与高数中的梯度求法相同,△F=(∂F/∂x,∂F/∂y)
局部二值模式是一种简单有效的纹理测度方法,对图像中的每个像素p,检查它的8个邻点,看是否有比p大的亮度值,从8个邻点得到的结果用于构造8位二进制数字a1a2a3a4a5a6a7a8,如果第i个邻点的亮度值小于或等于p的亮度值,则ai=0,否则ai=1.
共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图像的局部模式和它们排列规则的基础,共生矩阵由四个方向矩阵构成,分别是0度,45度,90度,135度.计算方法是先定义出这个方向上的矩阵,(1,1)位置存储该方向上相邻的像素值为1,1的数量,该方向是指选定矩阵的规定方向,(1,2)位置则存储该方向上相邻的像素值为1,2的数量,以此类推.
