圖片怎麼提取形狀特徵

① 圖像之間的特徵差別不是很大，應該怎麼提取其特徵

圖像特徵特點及常用的特徵提取與匹法
常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。
一 顏色特徵
（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。
（二）常用的特徵提取與匹法
（1）
顏色直方圖
其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。
最常用的顏色空間：RGB顏色改散空間、HSV顏色空間。
顏色直方圖特徵匹法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。
（2） 顏色集
顏色直方圖法皮早是一種全局顏色特徵提取與匹法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色燃殲雀分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系。

② 圖像特徵提取方法

特點：
1、局部特徵
2、對旋轉，縮放，亮度變化保持不變性
3、高速性

缺點：
1、局部特徵
2、對邊緣光滑的圖像難以准確提取特徵點

原理：
1、在尺度空間（例如高斯金字塔）上搜尋keypoints興趣點（對於尺度和旋轉不變）
2、篩選上一步獲得的興趣點
（1）對空間中的極值點進行精確定位
（2）用Hessian矩陣消除邊緣效應3、在選定的尺度下，在興趣點附近構造梯度方向直方圖
4、對直方圖進行統計，以此來描述此keypoints

總結：
這個方法是通過尋找通過高斯模糊來構造不同尺度下的高斯尺度空間金字塔，通過遍歷所有點，找出尺度空間中的極值點（與26個點進行比較，分別是這一層的周圍8個點，以及上下兩層的9個點）。在初步探查之後，通過對尺度空間下的DoG函數進行擬合，來確定keypoints的精確位置。DoG運算元的缺點是有較強的邊緣效應，在消除邊緣效應之後，得到的就是篩選後的精確keypoints。最後就是對找到的keypoints統計梯度方向直方圖，並將其向量化。

簡單來說，這個方法由於其旋轉及尺度不變性，主要被應用於圖片匹配的應用中。

參考鏈接1
參考鏈接2

原理：
1、圖片預處理：灰度化，亮度空間標准化
2、計算圖中每個像素的梯度
3、將圖像劃分成一個個cell
4、統計每個cell內的梯度直方圖
5、將每幾個cell組成一個block，將該block內的所有cell的的梯度特徵串起來組成該block內的HoG特徵
6、將整張圖內的所有block的HoG向量串起來組成此圖的HoG特徵向量（可歸一化）

總結：
這個方法通過設定不同大小的cell以及block作為參數，統計出整張圖像的梯度特徵（梯度可以反應物體的形狀，邊緣等特徵），通過cell以及block的形式去統計局部特徵。拍吵斗該方法配合SVM曾是圖像分類任務中最為常用的。

參考鏈接1
參考鏈接2

步驟：
1、確定cell大小
2、遍歷cell中的像素，將其周圍的8個像素與其相比較，若大於中心像素，則對應像素標記為1，否則為0
3、統計cell中的二值直方圖，全部串起來組成圖像的特徵向量

總結：
這個方法通過二值降維的方式，提取出了圖像的紋理特徵，並且有效的減少了高頻雜訊的影響。

參考鏈接

步驟：
1、構建Hessian矩陣，生成所有的邊緣點
2、構建尺度空間金字塔
3、keypoints定位，對第一步生成的所有邊緣襲磨點進行尺度空間中的極值篩選
4、進行SIFT中的精確定位
5、特徵點主方向選擇，與SIFT不同的是，SURF採用的是Harr演算法中的扇形統計
6、統計4*4cell中的梯度值，並整合成特徵向量

總結：
這碰晌個方法是SIFT的優化演算法，通過在第一步構造Hessian矩陣選出邊緣點作為第一批keypoints，減少了SIFT中所有點在尺度空間中的極值對比。同時，通過該用Harr的扇形統計並沿主方向統計特徵，使得每一個cell中的向量維度由原來的128降到了64 。

參考鏈接

③ 圖像的特徵提取都有哪些演算法

圖像的經典特徵提取方法：
1 HOG(histogram of Oriented Gradient,方向梯塵備度直方圖）
2 SIFT(Scale-invariant features transform,尺度不變特徵變換）
3 SURF(Speeded Up Robust Features,加速穩健租橡特徵，對sift的改進）
4 DOG(Difference of Gaussian，高斯函數差分)
5 LBP(Local Binary Pattern,局部二值模式）
6 HAAR(haar-like ,haar類特徵，注意haar是個人名弊兄旁，haar這個人提出了一個用作濾波器的小波，為這個濾波器命名為haar濾波器，後來有人把這個濾波器用到了圖像上，就是圖像的haar特徵）

圖像的一般提取特徵方法：
1 灰度直方圖，顏色直方圖
2 均值，方差
3 信號處理類的方法：灰度共生矩陣，Tamura紋理特徵，自回歸紋理特徵，小波變換。
4 傅里葉形狀描述符，小波描述符等，

④ 怎樣在ppt上把一張圖片中的圖案摳出來

1、第一步：選擇ppt菜單欄中的「插入--圖片」。

⑤ 圖像特徵提取-SIFT

濾波一般指就是一個二維矩陣（卷積核），卷積就是用這個矩陣與原圖像進行卷積運算得到一個新的圖像。

尺度是一個視覺問題，不是數學問題，簡單的來講就是你在不同距離上觀察一個物體，產生的視覺感受是不同的。比如你站在不同距離觀察一片雪花，離的越遠你感受的形狀越接近於a->b->c->d的順序，就是越遠，你看到的越是一個大概的輪廓。

一幅圖像的SIFT特徵提取，分為4個步驟：

SIFT特徵點其實就是尺度空間中穩定的點/極值點，那麼，為了得到這些穩定點

對於一幅輸入圖像，為了進行sift特徵檢測、實現scale-invariant（任何尺度下都能夠有對應的特徵點），需要對該圖像的尺度空間進行分析，即建立高斯金字塔圖像、得到不同scale的圖像，這里的高斯金字塔與最原始的高斯金字塔稍微有點區別，因為它在構造尺度空間時，將這些不同尺度圖像分為了多個Octave、每個Octave又分為了多層。下圖給出了Sift中的高斯金字塔的結構圖；

構造完尺度空間（差分高斯金字塔）後，接下來的任務就是「在尺友友寬度中間中檢測出圖像中的穩定特徵點」：

對於DoG中每一個采樣點（每一個Octave中每一層），將其與它鄰域內所有像素點（8+18=26）進行比較，判斷其是否為局部極值點（極大或者極小），更加具體地：如下圖所示，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。 一個點如果在DOG尺度空間本層以及上下兩層的26個領域中是最大或最小值時，就認為該點是圖像在該尺度下的一個特徵點。但要注意：這種相鄰層之間的極值點的尋找是在同一Octave中的相鄰尺度之間進行尋找的，而不要跨組！

通過擬和「三維二次函數」可以精確確定關鍵點的位置和尺度（達到亞告猜像素精度），具體方法還未知，可以得到一系列的SIFT候選特徵點集合，但由於這些關好亮鍵點中有些具有較低的對比對，有些輸屬於不穩定的邊緣響應點(因為DoG運算元會產生較強的邊緣響應)，所以，為了增強匹配穩定性、提高抗雜訊能力，應該將這2類關鍵點去除，實現對候選SIFT特徵點集合的進一步凈化：

上面只是得到了每個關鍵點的方向，接下來，需要確定每個關鍵點的特徵向量，具體方式如下：

現有A、B兩幅圖像，分別利用上面的方法從各幅圖像中提取到了k1個sift特徵點和k2個特徵點及其對應的特徵描述子，即k1 * 128維和k2 * 128維的特徵，現在需要將兩圖中各個scale（所有scale）的描述子進行匹配。
接下來採用關鍵點特徵向量的歐式距離來作為兩幅圖像中關鍵點的相似性判定度量。

[1] SIFT特徵提取及匹配
[2] 圖像處理之特徵提取