目录:- LBP算法
- HOG特征
- Harr特征
LBP特征 -- Local Binary Pattern 局部二值模式
# 作用:提取图像局部文理特征
# 原理:像素与周围像素之间的差异信息
# 实现:最初的LBP是定义在像素3x3邻域内的,以邻域中心像素为阈值,
将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,
则该像素点的位置被标记为1,否则为0。这样,3x3邻域内的8个点经比较可产生8位二进制数
(通常转换为十进制数即LBP码,共256种),即得到该邻域中心像素点的LBP值,
并用这个值来反映该区域的纹理信息。
# 应用[人脸识别]:人脸识别中LBP特征向量主要是用于直方图的比较,
通过距离度量的方式(例如方差)找到训练数据中与输入图像距离最小的特征向量,
将其对应的类别作为识别结果输出。
HOG特征 -- Histogram of Oriented Gradient 方向梯度直方图
# 作用:提取边缘信息
# 原理:图像形状在梯度信息上的特征体现
# 实现:首先将图像分成小的连通区域,后续将这些连通区域称为细胞单元。
然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。
最后把这些直方图组合起来就可以构成特征描述器。
Harr特征
# 作用:Harr特征值反应图像灰度变化情况
# 原理:Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板。
特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。
# 实现:利用积分图完成特征值的快速计算
# 特点:具有实时性