1.LBP

LBP（Local Binary Pattern，局部二值模式）是一種用來描述圖像局部紋理特征的算子；它具有旋轉不變性和灰度不變性等顯著的優點。它是首先由T. Ojala, M.Pietik?inen, 和D. Harwood 在1994年提出，用于紋理特征提取。而且，提取的特征是圖像的局部的紋理特征；

1.1 圓形LBP算子

基本的 LBP算子的最大缺陷在于它只覆蓋了一個固定半徑范圍內的小區域，這顯然不能滿足不同尺寸和頻率紋理的需要。為了適應不同尺度的紋理特征，并達到灰度和旋轉不變性的要求，Ojala等對 LBP 算子進行了改進，將 3×3鄰域擴展到任意鄰域，并用圓形鄰域代替了正方形鄰域，改進后的 LBP 算子允許在半徑為 R 的圓形鄰域內有任意多個像素點。從而得到了諸如半徑為R的圓形區域內含有P個采樣點的LBP算子：

1.2 旋轉不變的LBP

從 LBP 的定義可以看出，LBP 算子是灰度不變的，但卻不是旋轉不變的。圖像的旋轉就會得到不同的 LBP值。
Maenpaa等人又將 LBP算子進行了擴展，提出了具有旋轉不變性的 LBP 算子，即不斷旋轉圓形鄰域得到一系列初始定義的 LBP值，取其最小值作為該鄰域的 LBP 值。

下圖給出了求取旋轉不變的 LBP 的過程示意圖，圖中算子下方的數字表示該算子對應的 LBP值，圖中所示的 8 種 LBP模式，經過旋轉不變的處理，最終得到的具有旋轉不變性的 LBP值為 15。也就是說，圖中的 8種 LBP 模式對應的旋轉不變的 LBP模式都是00001111。

2.HOG

方向梯度直方圖（Histogram of Oriented Gradient, HOG）特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子。它通過計算和統計圖像局部區域的梯度方向直方圖來構成特征。Hog特征結合SVM分類器已經被廣泛應用于圖像識別中，尤其在行人檢測中獲得了極大的成功。

與其他的特征描述方法相比，HOG有很多優點。首先，由于HOG是在圖像的局部方格單元上操作，所以它對圖像幾何的和光學的形變都能保持很好的不變性，這兩種形變只會出現在更大的空間領域上。其次，在粗的空域抽樣、精細的方向抽樣以及較強的局部光學歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細微的肢體動作，這些細微的動作可以被忽略而不影響檢測效果（對于發生較大形變，HOG特征表現乏力）。因此HOG特征是特別適合于做圖像中的人體檢測的。

3.FAST(角點檢測器)

Edward Rosten和Tom Drummond在2006年發表的“Machine learning for high-speed corner detection”文章中提出了一種FAST特征，并在2010年對這篇論文作了小幅度的修改后重新發表。FAST的全稱為Features From Accelerated Segment Test。Rosten等人將FAST角點定義為：若某像素點與其周圍領域內足夠多的像素點處于不同的區域，則該像素點可能為角點。也就是某些屬性與眾不同，考慮灰度圖像，即若該點的灰度值比其周圍領域內足夠多的像素點的灰度值大或者小，則該點可能為角點。

FAST算法比其他已知的角點檢測算法要快很多倍，但是當圖片中的噪點較多時，它的健壯性并不好，而且算法的效果還依賴于一個閾值tt。而且FAST不產生多尺度特征而且FAST特征點沒有方向信息，這樣就會失去旋轉不變性。

引用：http://www.cnblogs.com/ronny/p/4078710.html

4.SIFT/SURF(特征點檢測器)

http://www.cnblogs.com/ronny/p/4028776.html

http://www.cnblogs.com/ronny/p/4045979.html

如果說SIFT算法中使用DOG對LOG進行了簡化，提高了搜索特征點的速度，那么SURF算法則是對DoH的簡化與近似。雖然SIFT算法已經被認為是最有效的，也是最常用的特征點提取的算法，但如果不借助于硬件的加速和專用圖像處理器的配合，SIFT算法以現有的計算機仍然很難達到實時的程度。對于需要實時運算的場合，如基于特征點匹配的實時目標跟蹤系統，每秒要處理8-24幀的圖像，需要在毫秒級內完成特征點的搜索、特征矢量生成、特征矢量匹配、目標鎖定等工作，這樣SIFT算法就很難適應這種需求了。SURF借鑒了SIFT中簡化近似的思想，把DoH中的高斯二階微分模板進行了簡化，使得模板對圖像的濾波只需要進行幾個簡單的加減法運算，并且，這種運算與濾波器的尺度無關。實驗證明，SURF算法較SIFT在運算速度上要快3倍左右。

5.MSER（最大穩定區域檢測器）

最大穩定極值區域（MSER-Maximally Stable Extremal Regions）可以用于圖像的斑點區域檢測。該算法最早是由Matas等人于2002年提出，它是基于分水嶺的概念。
MSER的基本原理是對一幅灰度圖像（灰度值為0～255）取閾值進行二值化處理，閾值從0到255依次遞增。閾值的遞增類似于分水嶺算法中的水面的上升，隨著水面的上升，有一些較矮的丘陵會被淹沒，如果從天空往下看，則大地分為陸地和水域兩個部分，這類似于二值圖像。在得到的所有二值圖像中，圖像中的某些連通區域變化很小，甚至沒有變化，則該區域就被稱為最大穩定極值區域。這類似于當水面持續上升的時候，有些被水淹沒的地方的面積沒有變化。

https://blog.csdn.net/tcorpion/article/details/73326833

6.MinEngen （角點檢測器）

7.Brisk

BRISK算法是2011年ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中，提出來的一種特征提取算法，也是一種二進制的特征描述算子。

它具有較好的旋轉不變性、尺度不變性，較好的魯棒性。在圖像配準應用中，速度比較：SIFT>SURF>BRISK>FREAK>ORB，在對有較大模糊的圖像配準時，BRISK算法在其中表現最為出色。

http://www.mamicode.com/info-detail-940675.html

https://blog.csdn.net/luoshixian099/article/details/50731801

總結

以上是生活随笔為你收集整理的几个常用有力的特征的分析LBP、HOG、FAST、SIFT/SURF、MSER、BRISK的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。