⑴ 图像处理之特征提取
图像处理的一个重要环节是特征提取，它在物体识别和区分中扮演着核心角色。最初，通过计算图像梯度，即灰度图中像素强度的变化，可以确定图像的边缘，这是后续物体识别的基础。灰度化处理能够简化RGB颜色的复杂性，从而提升特征提取的效率。理想特征应具备可重复性、可区分性和稳定性，例如SIFT（尺度不变特征变换）特征提取技术，它在不同的尺度空间中寻找关键点，并为其赋予方向信息，以实现这一点。SIFT技术通过模拟多尺度特征的差分图像（DoG）来增强其鲁棒性，并使用高斯平滑来处理。生成的关键点描述子不仅包括关键点本身，还涵盖了其周围区域，以增强特征的不变性。HOG（方向梯度直方图）技术则通过统计梯度的方向来形成特征，常用于行人检测。与SIFT相比，HOG的单元较小，对局部对比度的变化不敏感，因此适合识别刚性物体。将SIFT和HOG结合使用，能够体现出各自在处理复杂环境和刚性物体识别方面的优势。传统的特征提取方法，如SURF、ORB、LBP和HAAR等，都有其独特的特点。例如，SURF的运算简化使其更具有鲁棒性，ORB适合用于实时应用，LBP强调灰度的不变性，HAAR则用于人脸检测。这些传统方法通过不同的机制来增强图像匹配的性能。然而，随着深度学习的兴起，特别是卷积神经网络（CNN）的自学习能力，它们逐渐成为特征提取领域的新宠，尤其是在数据量有限的情况下。