Belial计算机视觉&机器视觉专栏

图像处理中，特征算子比较流行的现在已经不下上十种，而且关于图像特征算子的综述论文时有见刊。随着对图像处理及相关领域的进一步了解。一直就觉得有必要写一个关于图像处理中的特征算子的系列博文，来详细介绍这些算子的原理及其实现相关的内容。随着时间的推移，一直没有时间将这个工作付诸行动，不知不觉就毕业了。工作后，主要的工作内容还是和图像处理相关，而且发现工作中遇到的很多问题都可以从这些算子的设计思路中找到一

看到OpenCV2.4.6里面ORB特征提取算法也在里面了，套用给的SURF特征例子程序改为ORB特征一直提示错误，类型不匹配神马的，由于没有找到示例程序，只能自己找答案。（ORB特征论文：ORB： an efficient alternative to SIFT or SURF.点击下载论文）经过查找发现：描述符数据类型有是float的，比如说SIFT，SURF描述符，还

本文在前续介绍的Moravec、Harris、SUSAN以及FAST特征点检测算法的基础上，介绍了高斯差分算子DoG。在介绍DoG之前，介绍了尺度空间以及拉普拉斯金字塔以及其他的相关知识；接着对DoG算子的详细过程进行了分析，包括高斯金字塔的构建、DoG的计算以及特征点的求法。

灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。 由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵定义为像素对的联合分布概率，是一个对称矩阵，它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，但也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。本文介绍了灰度共生矩阵的原理及计算方法，并给出了灰度共生矩阵的C++实现。

由于这方面的文章比较多，这里不再赘述，可以参考：

注明：文章来自网上：纹理分类（一）全局特征：http://blog.sina.com.cn/s/blog_631a4cc401013pkn.html          纹理分类是一个很老的topic，但是一些纹理分类的方法为以后的图片分类奠定了基础。首先定义一下纹理图片，他是一个随一下变量变化的函数：纹理表面材质，反射率，光照，照相机和他的角度。现在纹理分类比较流行的有两种方法：一个是全局特征

基于纹理边缘抑制的轮廓和边界检测（Contour and Boundary Detection）kezunhai@gmail.comhttp://blog.youkuaiyun.com/kezunhai               一幅复杂的自然场景图像中包含丰富的信息，视觉不可能对空间中的每一点赋予相同的关注程度。对人类视觉系统的实验表明：图像中的轮廓特征特别重要，它们在保留关于物体的边

在本文中主要介绍了由Kanade-Lucas两人在上世纪80年代在其论文：An Iterative Image Registration Technique with an Application to Stereo Vision中提出的一个算子，后来称为KLT算法。该算法最开始是一种图像点定位的方法，即图像的局部匹配，将图像匹配问题，从传统的滑动窗口搜索方法变为一个求解偏移量d的过程。后来，Jianbo Shi和Carlo Tomasi两人在1994的CVPR上发表了篇论文：Good Features T

非极大值抑制详解（Non-Maximum Suppression）kezunhai@gmail.comhttp://blog.youkuaiyun.com/kezunhai          在前面介绍图像不变特征算子的时候，很多处都用到了非极大值抑制。对于非极大值抑制的分析，很多论文或资料都是一带而过，留下傻傻的自己似懂非懂，就那么忽悠过了。本文针对日常中应用的非极大值抑制进行详细的分析

本文接着前面图像特征不变检测的基础上，接着介绍一种极为优秀的基于机器学习的特征检测算子--FAST算子。FAST算子通过对固定半径圆上的像素进行分割测试，通过逻辑测试可以去处大量的非特征候选点，并且利用ID3 分类器根据16个特征判决候选点是否为角点特征，最后采用非极大值抑制方法抑制伪角点。在FAST特征提出之后，实时计算机视觉应用中特征提取性能才有显著改善。目前以其高计算效率(computational performance)、高可重复性(high repeatability)成为计算机视觉领域最流行的

本文在前面介绍的Morevec算子和Harris算子的基础上，进一步介绍了一种具有边缘检测和角点检测等多功能的SUSAN算子。SUSAN算子通过移动模板，若模板内的像素灰度与模板中心的像素灰度值小于一定的阈值，则认为该点与核Nucleus具有相同的灰度，满足该条件的像素组成的区域就称为USAN，通过对USAN的分析，从而实现边缘、角点检测的功能。

本文主要介绍Harris特征算子，该算子针对Moravec算子的不足提出了改进，以二阶矩阵M(又称为自相关矩阵)为基础，二阶矩阵描述了像素点局部邻域内的梯度分布信息，提高了Harris角点检测率；但是，该算子计算量大，对尺度很敏感，不具有尺度不变形。

本文主要介绍图像不变特征中角点检测算子的moravec算子，该算子通过滑动二值矩形窗口寻找灰度变化的局部最大值，从而实现对角点的检测。

OpenCV的feature2d module中提供了从局部图像特征（Local image feature）的检测、特征向量（feature vector）的提取，到特征匹配的实现。其中的局部图像特征包括了常用的几种局部图像特征检测与描述算子，如FAST、SURF、SIFT、以及ORB。对于高维特征向量之间的匹配，OpenCV主要有两种方式：1）BruteForce穷举法；2）FLANN近似K近