1.直方圖
用於計算圖片特征，表達， 使得數據具有總結性， 顏色直方圖對數據空間進行量化，好比10個bin
2. 聚類
類內對象的相關性高
類間對象的相關性差
常用算法：kmeans， EM算法， meanshift， 譜聚類（密度聚類）， 層次聚類
kmeans聚類
選取k個類中心，隨機選取
計算每個點跟k個類中心的位置
把數據點分配給距離最近的一個類中心
計算新的類中心-對該類中的所有點取均值
類中心數K的選取
K類平均質心的距離加權平均值， 當k=5時的斜率發生變化，我們可以選取5作為分類的個數
kmeans ++ 半隨機（初始點的選取）
第一類中心 - 隨機選取
記D（x） 為數據點x距離最近的聚類中心的距離
選取下一個聚類中心， 選取的概率正比於D(x) ^ 2
以此類推，到第k個
量化顏色直方圖
聚類顏色直方圖： 使用聚類算法對像素點顏色向量進行聚類， 單元由聚類中心代表
3. 邊緣檢測
像素明顯變化的區域， 具有豐富的語義信息
用途： 物體識別，幾何視角變化
定義： 像素函數快速變化的區域， 一階導數的極值區域，二階導數的0點位置
步驟：
先高斯去噪，再使用一階導數獲取極值
公式： 對x方向進行求導 б 表示的是標准差 對y方向進行求導
梯度幅值/強度
hx（x，y）^ 2 + hy(x, y) ^ 2
梯度（增加最快）方向
arctan（hy（x, y）/ hx（x, y）)
4. 興趣點/關鍵點
穩定局部
特點： 可重復性，顯著性
抗圖片變化
外貌變化（亮度，光照）
幾何變化（平移， 選擇，尺度）
5.Harris角點
一種顯著點：在任何方向上移動小觀察窗，導致大的像素變動
Ｅ(u, v) = ΣW(x, y)[I(x+u, y+v)-I(x, y)] ^2
W(x, y)是高斯函數進行加權的， x，y表示當前位置， u和v表示移動了的位置
6.斑點（Blob）
拉普拉斯梯度：一階導數極值點 - 二階導數零點
梯度/邊緣可以通過查找：二階導數接近零， 一階導數足夠大
對噪聲很敏感， 需要先做高斯平滑
公式： Δf = δ2f / δ2x + δ2f / δ2y 對x求二階導， 對y方向求二階導
斑點是找拉普拉斯的極值
邊緣是找拉普拉斯的零值
7.SIFT
SIFT特征計算
計算高斯差分（DoG）尺度空間，獲取極值點
特征點處理： 位置插值， 去除低對比度點， 去除邊緣點
方向估計： 2*2網格， 8個方向，獲得最高值為關鍵點的主方向，特征點方向歸一化，即所有方向為同一方向
描述子提取: 在旋轉坐標上采樣16*16的像素窗， 4*4網格，8方向直方圖，總共178維
8.紋理特征
HOG（方向梯度直方圖）
梯度幅值，方向 s = sqrt（sx^2 + sy^2）
Block 拆分
16*16的block 步長是8， 包含2*2個cell， 每個cell8*8， 9個方向
積累梯度幅值，使用位置高斯加權，使用相鄰bin線性插值
64&128的維度圖：7*15 * （2*2） * 9 = 3780
LBP(局部二值模式)
將每個像素點與周圍點大小半徑比較，半徑R的圓上，均勻采樣P個點，根據赫值大小，量化為0或1