深度学习&图像处理（相关文献学习）系列一

《深度学习在图像处理领域中的应用综述》部分概念解读：

1.特征表达/提取方法->特征学习

图像特征是指图像的原始特性或属性，可以分为视觉特征或统计特征。视觉特征主要是人的视觉直觉感受的自然特征（图像的颜色、纹理和形状）；统计特征是指需要通过变换或测量才能得到的人为特征（频谱、直方图等）。

常见特征提取方法：

• LBP算法（Local Binary Patterns）：一种用来描述图像局部纹理特征的算子，具有灰度不变性。

  其主要思想是在目标像素周围定义一个3x3的窗口，以目标像素为阈值，将相邻的8个像素的灰度值与目标像素进行对比,大于目标像素标记为1，小于等于则标记为0。每个窗口都可以产生一个8位的二进制数，这样就得到了目标像素的LBP值。然后计算每个区域的直方图，然后对该直方图进行归一化处理。最后将得到的每个区域的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量。然后便可利用SVM或者其他机器学习算法进行分类。

• HOG特征提取算法（Histogram of Oriented Gradient）：在一幅图像中，图像的表象和形状能够被边缘或梯度的方向密度分布很好的表示，具有几何和光学不变性。

  其主要思想是将图像灰度化，采用Gamma校正法对输入图像进行颜色空间的标准化以调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；计算图像每个像素的梯度，将图像划分成小区域，统计每个区域的梯度直方图，将每几个区域组成一个批次，一个批次内所有区域的特征串联起来便得到该批次的HOG特征。将图像内的所有批次的HOG特征串联起来就可以得到该图像的HOG特征。这个就是最终的可供分类使用的特征向量了。

• SIFT算子（Scale-invariant feature transform）：通过求一幅图中的特征点及其有关尺寸和方向的描述子得到特征并进行图像特征点匹配，具有尺度不变性和旋转不变性。

  其主要思想是首先生成尺度空间->检测尺度空间极值点->去除不