十一、OpenCVSharp 中的图像的特征提取
文章目录
- 简介
- 一、角点检测
- 1. Harris 角点检测算法
- 2. Shi-Tomasi 角点检测算法
- 3. 角点响应函数的计算和阈值选择
- 4. 角点检测在图像配准和目标跟踪中的应用
- 二、边缘特征
- 1. Canny 边缘检测后的边缘描述子（如链码、Freeman 链码）
- 2. 边缘的长度、方向和曲率计算
- 3. 基于边缘特征的图像匹配
- 三、纹理特征
- 1. 灰度共生矩阵
- 2. 纹理的统计特征（均值、方差、熵等）
- 3. 基于纹理特征的图像分类和分割
- 四、形状特征
- 1. 轮廓的提取和表示（如多边形逼近、样条拟合）
- 2. 形状的几何特征（面积、周长、质心等）
- 3. 基于形状特征的物体识别
- 总结
简介
图像特征提取是图像处理和计算机视觉中的关键步骤，它有助于从图像中提取有意义和显著的信息，以便进行后续的分析、识别和理解。
一、角点检测
1. Harris 角点检测算法
Harris 角点检测算法基于图像局部的自相关性。其核心思想是在图像的小窗口内，观察窗口在各个方向上的移动所引起的像素值变化。如果在多个方向上都有显著的变化，那么该点被认为是角点。
该算法通过计算图像的梯度和二阶导数来构建一个矩阵，然后根据该矩阵的特征值来判断是否为角点。
2. Shi-Tomasi 角点检测算法
Shi-Tomasi 角点检测算法是对 Harris 算法的改进。它直接使用两个较小的特征值来判断角点，而不是像 Harris 算法那样综合考虑特征值。
如果两个较小的特征值都大于某个阈值，那么该点被认为是角点。
3. 角点响应函数的计算和阈值选择
角点响应函数用于衡量一个点成为角点的程度。在 Harris 算法中，角点响应函数通常基于矩阵的特征值计算。
阈值的选择至关重要。过高的阈值可能导致检测到的角点数量过少，遗漏重要的角点；过低的阈值则可能引入过多的非显著角点，增加后续处理的复杂性。
通常通过实验和对图像的先验知识来选择合适的阈值。
4. 角点检测在图像配准和目标跟踪中的应用
在图像配准中，角点可以作为稳定和显著的特征点，用于建立不同图像之间的对应关系，从而实现图像的对齐和拼接。
在目标跟踪中，通过在初始帧中检测目标的角点，并在