图片怎么提取形状特征

① 图像之间的特征差别不是很大，应该怎么提取其特征

图像特征特点及常用的特征提取与匹法
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
一 颜色特征
（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。
（二）常用的特征提取与匹法
（1）
颜色直方图
其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。
最常用的颜色空间：RGB颜色改散空间、HSV颜色空间。
颜色直方图特征匹法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。
（2） 颜色集
颜色直方图法皮早是一种全局颜色特征提取与匹法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色燃歼雀分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系。

② 图像特征提取方法

特点：
1、局部特征
2、对旋转，缩放，亮度变化保持不变性
3、高速性

缺点：
1、局部特征
2、对边缘光滑的图像难以准确提取特征点

原理：
1、在尺度空间（例如高斯金字塔）上搜寻keypoints兴趣点（对于尺度和旋转不变）
2、筛选上一步获得的兴趣点
（1）对空间中的极值点进行精确定位
（2）用Hessian矩阵消除边缘效应3、在选定的尺度下，在兴趣点附近构造梯度方向直方图
4、对直方图进行统计，以此来描述此keypoints

总结：
这个方法是通过寻找通过高斯模糊来构造不同尺度下的高斯尺度空间金字塔，通过遍历所有点，找出尺度空间中的极值点（与26个点进行比较，分别是这一层的周围8个点，以及上下两层的9个点）。在初步探查之后，通过对尺度空间下的DoG函数进行拟合，来确定keypoints的精确位置。DoG算子的缺点是有较强的边缘效应，在消除边缘效应之后，得到的就是筛选后的精确keypoints。最后就是对找到的keypoints统计梯度方向直方图，并将其向量化。

简单来说，这个方法由于其旋转及尺度不变性，主要被应用于图片匹配的应用中。

参考链接1
参考链接2

原理：
1、图片预处理：灰度化，亮度空间标准化
2、计算图中每个像素的梯度
3、将图像划分成一个个cell
4、统计每个cell内的梯度直方图
5、将每几个cell组成一个block，将该block内的所有cell的的梯度特征串起来组成该block内的HoG特征
6、将整张图内的所有block的HoG向量串起来组成此图的HoG特征向量（可归一化）

总结：
这个方法通过设定不同大小的cell以及block作为参数，统计出整张图像的梯度特征（梯度可以反应物体的形状，边缘等特征），通过cell以及block的形式去统计局部特征。拍吵斗该方法配合SVM曾是图像分类任务中最为常用的。

参考链接1
参考链接2

步骤：
1、确定cell大小
2、遍历cell中的像素，将其周围的8个像素与其相比较，若大于中心像素，则对应像素标记为1，否则为0
3、统计cell中的二值直方图，全部串起来组成图像的特征向量

总结：
这个方法通过二值降维的方式，提取出了图像的纹理特征，并且有效的减少了高频噪声的影响。

参考链接

步骤：
1、构建Hessian矩阵，生成所有的边缘点
2、构建尺度空间金字塔
3、keypoints定位，对第一步生成的所有边缘袭磨点进行尺度空间中的极值筛选
4、进行SIFT中的精确定位
5、特征点主方向选择，与SIFT不同的是，SURF采用的是Harr算法中的扇形统计
6、统计4*4cell中的梯度值，并整合成特征向量

总结：
这碰晌个方法是SIFT的优化算法，通过在第一步构造Hessian矩阵选出边缘点作为第一批keypoints，减少了SIFT中所有点在尺度空间中的极值对比。同时，通过该用Harr的扇形统计并沿主方向统计特征，使得每一个cell中的向量维度由原来的128降到了64 。

参考链接

③ 图像的特征提取都有哪些算法

图像的经典特征提取方法：
1 HOG(histogram of Oriented Gradient,方向梯尘备度直方图）
2 SIFT(Scale-invariant features transform,尺度不变特征变换）
3 SURF(Speeded Up Robust Features,加速稳健租橡特征，对sift的改进）
4 DOG(Difference of Gaussian，高斯函数差分)
5 LBP(Local Binary Pattern,局部二值模式）
6 HAAR(haar-like ,haar类特征，注意haar是个人名弊兄旁，haar这个人提出了一个用作滤波器的小波，为这个滤波器命名为haar滤波器，后来有人把这个滤波器用到了图像上，就是图像的haar特征）

图像的一般提取特征方法：
1 灰度直方图，颜色直方图
2 均值，方差
3 信号处理类的方法：灰度共生矩阵，Tamura纹理特征，自回归纹理特征，小波变换。
4 傅里叶形状描述符，小波描述符等，

④ 怎样在ppt上把一张图片中的图案抠出来

1、第一步：选择ppt菜单栏中的“插入--图片”。

⑤ 图像特征提取-SIFT

滤波一般指就是一个二维矩阵（卷积核），卷积就是用这个矩阵与原图像进行卷积运算得到一个新的图像。

尺度是一个视觉问题，不是数学问题，简单的来讲就是你在不同距离上观察一个物体，产生的视觉感受是不同的。比如你站在不同距离观察一片雪花，离的越远你感受的形状越接近于a->b->c->d的顺序，就是越远，你看到的越是一个大概的轮廓。

一幅图像的SIFT特征提取，分为4个步骤：

SIFT特征点其实就是尺度空间中稳定的点/极值点，那么，为了得到这些稳定点

对于一幅输入图像，为了进行sift特征检测、实现scale-invariant（任何尺度下都能够有对应的特征点），需要对该图像的尺度空间进行分析，即建立高斯金字塔图像、得到不同scale的图像，这里的高斯金字塔与最原始的高斯金字塔稍微有点区别，因为它在构造尺度空间时，将这些不同尺度图像分为了多个Octave、每个Octave又分为了多层。下图给出了Sift中的高斯金字塔的结构图；

构造完尺度空间（差分高斯金字塔）后，接下来的任务就是“在尺友友宽度中间中检测出图像中的稳定特征点”：

对于DoG中每一个采样点（每一个Octave中每一层），将其与它邻域内所有像素点（8+18=26）进行比较，判断其是否为局部极值点（极大或者极小），更加具体地：如下图所示，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。 一个点如果在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点。但要注意：这种相邻层之间的极值点的寻找是在同一Octave中的相邻尺度之间进行寻找的，而不要跨组！

通过拟和“三维二次函数”可以精确确定关键点的位置和尺度（达到亚告猜像素精度），具体方法还未知，可以得到一系列的SIFT候选特征点集合，但由于这些关好亮键点中有些具有较低的对比对，有些输属于不稳定的边缘响应点(因为DoG算子会产生较强的边缘响应)，所以，为了增强匹配稳定性、提高抗噪声能力，应该将这2类关键点去除，实现对候选SIFT特征点集合的进一步净化：

上面只是得到了每个关键点的方向，接下来，需要确定每个关键点的特征向量，具体方式如下：

现有A、B两幅图像，分别利用上面的方法从各幅图像中提取到了k1个sift特征点和k2个特征点及其对应的特征描述子，即k1 * 128维和k2 * 128维的特征，现在需要将两图中各个scale（所有scale）的描述子进行匹配。
接下来采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。

[1] SIFT特征提取及匹配
[2] 图像处理之特征提取