图像处理篇-opencv中的图像特征
图像处理篇—opencv中的图像特征
前言
OpenCV 提供了 多种传统图像特征提取方法 ，这些特征可以用于 机器学习任务（如图像分类、目标检测） 。以下是 OpenCV 中常用的 纹理特征（LBP）和形状特征（Hu矩） 的详细介绍，以及其他可用于 传统机器学习的特征 。
一、纹理特征：局部二值模式（LBP）
1. LBP 简介
局部二值模式（Local Binary Pattern, LBP） 是一种用于描述 图像局部纹理特征的算子 。它通过比较 像素点与其邻域像素的灰度值，生成二进制模式，进而提取纹理信息。
2. LBP 计算步骤
选择一个 中心像素点。
比较 中心像素点与其邻域像素的灰度值 ：
如果 邻域像素值大于中心像素值 ，则标记为 1。
否则，标记为 0。
将 二进制结果转换为十进制数 ，作为该中心像素的 LBP 值。
对整个图像重复上述过程，生成 LBP 图像 。
3. OpenCV 实现
import cv2
import numpy as np
#读取图像并转换为灰度图
image = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE)
#计算 LBP 特征
radius = 1 # 邻域半径
n_points = 8 * radius # 邻域像素点数
lbp = np.zeros_like(image, dtype=np.uint8)
for i in range(radius, image.shape[0] - radius):
for j in range(radius, image.shape[1] - radius):
center = image[i, j]
binary = 0
for k in range(n_points):
x = i + int(radius * np.cos(2 * np.pi * k / n_points))
y = j - int(radius * np.sin(2 * np.pi * k / n_points))
binary |= (image[x, y] >= center) << k
lbp[i, j] = binary
#显示 LBP 图像
cv2.imshow("LBP Image", lbp)
cv2.waitKey(0)
cv2.destroyAllWindows()4. 优点
计算简单，速度快 。
对 光照变化具有一定的鲁棒性 。
5. 缺点
对 噪声敏感。
仅适用于局部纹理描述 。
二、形状特征：Hu矩
1. Hu矩简介
Hu矩是一种 基于图像几何矩的形状特征 ，具有 平移、旋转和缩放不变性 。它通过计算图像的 七个不变矩来描述图像的形状特征 。
2. Hu矩计算步骤
计算图像的 几何矩 。
计算 中心矩 。
归一化中心矩 。
计算 七个 Hu 不变矩 。
3. OpenCV 实现
import cv2
#读取图像并转换为灰度图
image = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE)
#二值化图像
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
#计算 Hu 矩
moments = cv2.moments(binary)
hu_moments = cv2.HuMoments(moments)
#打印 Hu 矩
print("Hu Moments:", hu_moments.flatten())4. 优点
具有 平移、旋转和缩放不变性 。
适用于 形状描述。
5. 缺点
对 噪声敏感。
仅适用于 全局形状描述。
三、其他可用于传统机器学习的特征
1. 颜色特征
颜色直方图
颜色直方图：描述图像中颜色的分布。
hist = cv2.calcHist([image], [0], None, [256], [0, 256])颜色矩
颜色矩：计算图像颜色的 均值、方差和偏度 。
2. 边缘特征
Canny边缘检测
Canny 边缘检测： 提取图像的边缘信息。
edges = cv2.Canny(image, 100, 200)HOG（方向梯度直方图）
HOG（ 方向梯度直方图 ）：描述图像的 局部形状和外观 。
hog = cv2.HOGDescriptor()
features = hog.compute(image)3. 关键点特征
SIFT
SIFT：检测图像的 关键点并计算描述符。
sift = cv2.SIFT_create()
keypoints, descriptors = sift.detectAndCompute(image, None)SURF
SURF：类似于 SIFT，但 计算速度更快。
surf = cv2.xfeatures2d.SURF_create()
keypoints, descriptors = surf.detectAndCompute(image, None)4. 纹理特征
Haralick纹理特征
Haralick 纹理特征：基于**灰度共生矩阵（GLCM）**计算纹理特征。
from skimage.feature import graycomatrix, graycoprops
glcm = graycomatrix(image, distances=[1], angles=[0], levels=256, symmetric=True, normed=True)
contrast = graycoprops(glcm, 'contrast')5. 几何特征
轮廓特征
轮廓特征：提取图像中 物体的轮廓信息。
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
area = cv2.contourArea(contour)
perimeter = cv2.arcLength(contour, True)四、总结
1. LBP
用于 局部纹理描述。
计算简单，但对 噪声敏感。
2. Hu矩
用于 全局形状描述。
具有 平移、旋转和缩放不变性 。
3. 其他特征
颜色特征、边缘特征、关键点特征、纹理特征和几何特征 均可用于传统机器学习任务。
根据具体 任务选择合适的特征组合 。
通过结合多种特征，可以提 高传统机器学习模型在图像任务中的性能 。