CV Review

颜色特征

颜色直方图

RGB颜色空间不符合人眼对颜色相似度的主观判断，颜色直方图方法中一般转换至HSV空间。
将灰度值分为n个bins，统计每个bins上的像素数目，再归一化，作为颜色特征向量。

Bag of colors

与颜色直方图类似，只是用CIE-Lab颜色空间（更符合人眼视觉感知），并且bins由聚类产生，再统计直方图。

LUCID

（Locally Uniform Comparison Image Descriptor， NIPS 2012）
用归一化小图上的像素颜色的排序作为颜色描述符，从获取描述符到图像pair之间的距离计算，只需要三行matlab代码即可完成。简单快速。

纹理特征

Gabor小波

。。。

共生矩阵

。。。

LBP

应用非常广泛！

算法原理：原始的LBP算子定义在像素3*3的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经过比较可产生8位二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值，LBP值共有28种可能，因此LBP值有256种。中心像素的LBP值反映了该像素周围区域的纹理信息。
备注：计算LBP特征的图像必须是灰度图，如果是彩色图，需要先转换成灰度图。

局部特征

SIFT

来了！大名鼎鼎的SIFT，应用最广泛的hand-craft特征没有之一了吧。

1、构建尺度空间

用不同的高斯卷积核进行卷积，得到不同模糊程度的图，为了更好地检测关键点，用的是它们的差，称之为高斯差分（DOG）。
构建图像金字塔，对图像通过下采样得到不同尺度的图像（每个尺度都按上文进行高斯差分）
这样可以保证尺度不变性

2、关键点检测

每个点与其26邻域比较，若它是极小、极大值点，则标记为关键点。

3、形成描述符

在关键点周围取一个小邻域（是吧？）统计梯度方向直方图，得到关键点的主方向。
将图像坐标轴旋转至关键点主方向（为了保证旋转不変性），取关键点周围16*16邻域，其中每4*4的小块统计一个8个bins的梯度直方图，共16个直方图，最终形成一个16*8 = 128维的特征向量。

局部特征聚合方法

BOF

。。。

FV

。。。

VLAD

。。。

Hashing算法

ITQ

。。。

PQ

。。。

OPQ

。。。

索引构建

倒排索引

。。。

Inverted MUlti-Index

。。。