传统图像特征提取方法列表
文章目录特征是什么？图像特征的操作步骤常见的特征提取方法：其他常用的特征检测算法特征是什么？常见的特征有：边缘、角，区域；
图像特征的操作步骤目前图像特征的提取主要有两种方法：传统图像特征提取方法和深度学习方法。
传统的特征提取方法：基于图像本身的特征进行提取；深度学习方法：基于样本自动训练出区分图像的特征分类器；传统的图像特征提取一般分为三个步骤：预处理、特征提取、特征处理；然后在利用机器学习等方法对特征进行分类等操作；
预处理：预处理的目的主要是排除干扰因素，突出特征信息；主要的方法有：图片标准化：调整图片尺寸；图片归一化：调整图片重心为0；特征提取：利用特殊的特征提取子对图像进行特征提取，主要有：Harris、SIFT、SURF、LBF、HOG、DPM：特征处理：主要目的是为了排除信息量小的特征，减少计算量等：常见的特征处理方法是降维，常见的降维方法有：主成分分析；奇异值分解；线性判别分析；常见的特征提取方法：Harris
Harris具有以下特点：
Harris是一种角点特征描述子；角点对应于物体的拐角：例如：道路的十字路口等；Harris是一个非常热门的特征检测算法；GoodFeatureToTrackerDectector;SIFT：尺度不变特征变换（Scale-invarialtfeaturetransform）
该方法由DavidLowe发表在ICCV；该算法具有对旋转、尺度缩放、亮度变化保持不变性；对视角变化、仿射变换、噪声也保持一定程度的稳定性；SIFT唯一的缺点就是实时性不足；SURF（SpeededUpRobustFeatures）以更高效的方式改进了特征提取和描述的方式；HOG：(HistogramofOrientedGradient)方向梯度直方图
效果很好，应用也广；基于统计的特征提取算法：通过统计不同梯度方向的像素而获取图像的特征向量；LBP：(LocalBinaryPattern，局部二值模式)
一种纹理特征描述算子；具有旋转和灰度不变性等显著的优点；DPM：(DiscriminativelyTrainedPartBasedModels)
想法很好，效果不错；提出了很多对后续目标识别和深度学习影响深远的思想；其他常用的特征检测算法FAST：FastFeatureDetector;STAR：StarFeatureDetector;ORB：ORB;MSER：MSERGFTT：GoodFeatureToTrackerDetector;Dense：DenseFeatureDetector;SimpleBlob：SimpleBlobDetector;