3、信息理论在图像特征提取中的应用

信息理论在图像特征提取中的应用

1. 引言

在图像分析和计算机视觉领域，特征提取是一个关键的基础步骤。它旨在检测图像中的视觉线索，以提高相关算法的结果和速度。信息理论为特征提取提供了一种有效的方法，特别是在寻找图像中最具信息性的区域方面。本文将深入探讨基于信息理论的特征提取算法，包括Kadir和Brady的尺度显著性算法及其优化。

2. 图像特征提取概述

图像特征提取是许多视觉应用的第一步，如目标识别、机器人定位和同时定位与地图构建等。这些应用通常基于对一组图像的处理来产生结果。然而，对整组图像的所有像素重复相同的操作会带来极高的计算负担，导致这些应用可能无法实时运行。因此，特征提取可以被视为一个预处理步骤，其目标是提供一组足够有信息性的图像区域，以成功完成上述任务。

为了有效，提取的区域应具有对常见变换（如平移和缩放）以及更复杂变换的不变性。例如，当尝试从不同视角识别物体，或机器人需要将当前图像与数据库中的图像进行比较以确定其在地图上的位置时，这种不变性就非常有用。

近年来，已经开发了大量不同的特征提取算法，其中最著名的包括Harris角点检测器的多尺度推广及其多尺度修改，以及最近的最大稳定极值区域算法。如果要设计一个搜索图像中信息区域的算法，基于信息理论的解决方案是一个值得考虑的选择。

3. 基于熵的特征提取算法

3.1 Gilles算法

Gilles的特征提取算法基于局部强度来定义局部显著性。给定一个点x、一个局部邻域Rx和一个取值于{d1, …, dL}的描述符D（例如，在8位灰度图像中D = {0, …, 255}），局部熵定义为：
[
H