圖像特征的提取和選擇是圖像處理過程中最重要的環節之一，對后續圖像分類有著重要的影響，并且對于圖像數據具有樣本少，維數高的特點，要從圖像中提取有用的信息，必須對圖像特征進行降維處理，特征提取與特征選擇就是最有效的降維方法，其目的是得到一個反映數據本質結構、識別率更高的特征子空間 。

圖像特征提取的主要算法有，HOG、LBP、HAAR、SIFT、SURF、ORB等。

一、向梯度直方圖特征(HOG)

方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述器。它的主要思想是獲取圖像的輪廓信息，通過計算和統計圖像局部區域的梯度方向直方圖來構成特征。其主要的提取過程如下：

(1) 首先將一個圖像灰度化，看做一個x,y,z的三維圖像，采用Gamma校正法對輸入圖像進行顏色空間的標準化，其目的是為了調節圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，抑制噪音干擾。

(2) 計算圖像每個像素的梯度，獲取圖像的輪廓信息。

(3) 將圖像劃分為多個子區域(cell)，并統計每個cell的梯度直方圖，即獲得每個cell的descriptor。

(4) 將每幾個cell組成一個block，一個block內所有cell的特征descriptor串聯起來便得到該block的HOG特征descriptor。

(5) 將圖像內的所有block的HOG特征descriptor串聯起來就可以得到該圖像的HOG特征descriptor了，即最終的可供分類使用的特征向量。

目前Hog特征結合SVM分類器已經被廣泛應用于圖像識別中。

二、局部二值模式特征(LBP)

局部二值模式(Local Binary Pattern，LBP)是一種用來描述圖像局部紋理特征的算子。它具有旋轉不變性和灰度不變性等顯著的優點。原始的LBP算子定義為在3*3的窗口內，以窗口中心像素為閾值，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進制數，即得到該窗口中心像素點的LBP值，并用這個值來反映該區域的紋理信息。

但是直接對兩幅圖片按此方法提取的特征進行判別分析，很可能會因為“位置沒有對準”而產生較大的誤差。后來研究人員發現，可以將一幅圖片劃分為若干的子區域，對每個子區域內的每個像素點都提取LBP特征，然后，在每個子區域內建立LBP特征的統計直方圖。如此一來，每個子區域，就可以用一個統計直方圖來進行描述，整個圖片就由若干個統計直方圖組成。其主要的提取過程如下：

(1) 將圖像劃分為16*16的子區域(cell)。

(2) 對于每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進制數，即得到該窗口中心像素點的LBP值。

(3) 計算每個cell的直方圖，即每個數字出現的頻率，然后對該直方圖進行歸一化處理。

(4) 將得到的每個cell的統計直方圖進行連接成為一個特征向量，也就是整幅圖的LBP紋理特征向量。

三、Haar-like特征

Haar-like特征最早是由Papageorgiou等應用于人臉表示，Viola和Jones在此基礎上，使用三種類型四種形式的特征。Haar-like特征是很簡單，特征可分為幾類，如兩矩形特征、三矩形特征、對角特征。后來，還加入了邊緣特征、線特征、中心環繞特征等。使用積分圖可以加速計算特征。最后，使用集成的方法Adaboost進行訓練。Haar特征只是使用特征模板，計算圖像顏色的深淺模式，模板以不同的大小和位置在子圖像中滑動，計算出特征值來，交給boost分類器。Haar與LBP有一些相似之處，都是灰度差。

四、SIFT特征

SIFT特征提取的關鍵點是角點，在不同的尺度空間上查找關鍵點(特征點)，并計算出關鍵點的方向。SIFT所查找到的關鍵點是一些十分突出、不會因光照、仿射變換和噪音等因素而變化的點，如角點、邊緣點、暗區的亮點及亮區的暗點等。它通過構建高斯金字塔，保證圖像在任何尺度都能有對應的特征點，即保證尺度不變性。為了實現旋轉不變性，需要根據檢測到的關鍵點的局部圖像結構為特征點賦值，具體做法是用梯度方向直方圖。關鍵點描述器不僅包括關鍵點，還包括關鍵點周圍對其有貢獻的像素點。為了保證旋轉不變性，要以特征點為中心，在附近領域內旋轉θ角(即旋轉為特征點的方向)，然后計算采樣區域的梯度直方圖，形成n維SIFT特征矢量。特征向量形成后，為了去除光照變化的影響，需要對它們進行歸一化處理。

HOG、LBP、HAAR等提取的是面的信息，是描述一塊區域的特征，這些特征可以用于人臉、人體等物體識別。SIFT、SURF、ORB等提取的是關鍵點的信息，可以用于表示某些圖像的細節，可用于圖像匹配和三維建模等算法。

五、SURF算法

SURF（Speeded-Up Robust Features）加速穩健特征，是一種穩健的局部特征點檢測和描述算法。SURF是對SIFT算法的改進，該算子在保持 SIFT 算子優良性能特點的基礎上，同時解決了 SIFT 計算復雜度高、耗時長的缺點，提升了算法的執行效率，為算法在實時計算機視覺系統中應用提供了可能。

SURF算法與SIFT算法在很多方面都有較大差異。

在生成尺度空間方面，SIFT中下一組圖像的尺寸是上一組的一半，同一組間圖像尺寸一樣，但是所使用的高斯模糊系數逐漸增大。而在SURF中，不同組間圖像的尺寸都是一致的，但不同組間使用的盒式濾波器的模板尺寸逐漸增大，同一組間不同層間使用相同尺寸的濾波器，但是濾波器的模糊系數逐漸增大。

在特征點檢驗時，SIFT算子是先對圖像進行非極大值抑制，再去除對比度較低的點。然后通過Hessian矩陣去除邊緣的點。SURF算法是先通過Hessian矩陣來檢測候選特征點，然后再對非極大值的點進行抑制。

在特征向量的方向確定上，SIFT算法是在正方形區域內統計梯度的幅值的直方圖，找到最大梯度幅值所對應的方向。SIFT算子確定的特征點可以有一個或一個以上方向，其中包括一個主方向與多個輔方向。SURF算法則是在圓形鄰域內，檢測各個扇形范圍內水平、垂直方向上的Haar小波響應，找到模值最大的扇形指向，且該算法的方向只有一個。

（4）SIFT算法生成描述子時，是將16x16的采樣點劃分為4x4的區域，從而計算每個分區種子點的幅值并確定其方向，共計4x4x8=128維。SURF算法在生成特征描述子時將的正方形分割成4x4的小方格，每個子區域25個采樣點，計算小波haar響應，一共4x4x4=64維。

綜上，SURF算法在各個步驟上都簡化了一些繁瑣的工作，僅僅計算了特征點的一個主方向，生成的特征描述子也與前者相比降低了維數。

OpenCV SURF特征檢測

六、ORB算法

ORB 是 Oriented Fast and Rotated Brief 的簡稱，可以用來對圖像中的關鍵點快速創建特征向量，這些特征向量可以用來識別圖像中的對象。

其中，Fast和Brief 分別是特征檢測算法和向量創建算法。ORB 首先會從圖像中查找特殊區域，稱為關鍵點。關鍵點即圖像中突出的小區域，比如角點，比如它們具有像素值急劇的從淺色變為深色的特征。然后 ORB 會為每個關鍵點計算相應的特征向量。ORB 算法創建的特征向量只包含 1 和 0，稱為二元特征向量。1 和 0 的順序會根據特定關鍵點和其周圍的像素區域而變化。該向量表示關鍵點周圍的強度模式，因此多個特征向量可以用來識別更大的區域，甚至圖像中的特定對象。

ORB 的特點是速度非常快，而且在一定程度上不受噪點和圖像變換的影響，例如旋轉和縮放變換等。

OpenCV中的ORB提取結果

喜歡本文的話，歡迎關注活在信息時代哦：）