一般提取的是邊緣、角，文理等。傳統的影象特徵提取一般分為三個步驟：預處理、特徵提取、特徵處理；然後在利用機器學習等方法對特徵進行分類等操作。
特徵提取：利用特殊的特徵提取子對影象進行特徵提取，主要有：harris、sift、surf、lbf、hog、dpm、orb。
特徵處理：主要目的是為了排除資訊量小的特徵，減少計算量等：常見的特徵處理方法是降維，常見的降維方法有：主成分分析、奇異值分解、線性判別分析；
1、scale-invarialt feature transform(sift):尺度不變特徵變換（1）sift特徵是影象的區域性特徵，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、雜訊也保持一定程度的穩定性；
（2）獨特性（distinctiveness）好，資訊量豐富，適用於在海量特徵資料庫中進行快速、準確的匹配；
（3）多量性，即使少數的幾個物體也可以產生大量的sift特徵向量；
（4）高速性，經優化的sift匹配演算法甚至可以達到實時的要求；
（5）可擴充套件性，可以很方便的與其他形式的特徵向量進行聯合；
（6）需要較少的經驗主義知識，易於開發。
實時性不高，因為要不斷地要進行下取樣和插值等操作；
有時特徵點較少（比如模糊影象）；
對邊緣光滑的目標無法準確提取特徵（比如邊緣平滑的影象，檢測出的特徵點過少，對圓更是無能為力）。
目標的自身狀態、場景所處的環境和成像器材的成像特性等因素影響影象配準/目標識別跟蹤的效能。而sift演算法在一定程度上可解決：
目標的旋轉、縮放、平移（rst）
影象仿射/投影變換（視點viewpoint）
光照影響（illumination）
目標遮擋（occlusion）
雜物場景（clutter）
雜訊近來不斷有人改進，其中最著名的有 surf（計算量小，運算速度快，提取的特徵點幾乎與sift相同）和 csift（彩色尺度特徵不變變換，顧名思義，可以解決基於彩色影象的sift問題）。
sift演算法的優點是特徵穩定，對旋轉、尺度變換、亮度保持不變性，對視角變換、雜訊也有一定程度的穩定性；缺點是實時性不高，並且對於邊緣光滑目標的特徵點提取能力較弱。surf改進了特徵的提取和描述方式，用一種更為高效的方式完成特徵的提取和描述。surf在執行效率上有兩大制勝法寶——乙個是積分圖在hessian（黑塞矩陣）上的使用，乙個是降維的特徵描述子的使用。
詳情可檢視部落格1，部落格2
通過計算和統計影象區域性區域的梯度方向直方圖來構成特徵。hog特徵結合svm分類器已經被廣泛應用於影象識別中，尤其在行人檢測中獲得了極大的成功。
（1）由於hog是在影象的區域性方格單元上操作，所以它對影象幾何的和光學的形變都能保持很好的不變性，這兩種形變只會出現在更大的空間領域上。
（2）在粗的空域抽樣、精細的方向抽樣以及較強的區域性光學歸一化等條件下，只要行人大體上能夠保持直立的姿勢，可以容許行人有一些細微的肢體動作，這些細微的動作可以被忽略而不影響檢測效果。因此hog特徵是特別適合於做影象中的人體檢測的。
共同點：都是基於影象中梯度方向直方圖的特徵提取方法
不同點：sift 特徵通常與使用sift檢測器得到的興趣點一起使用。這些興趣點與乙個特定的方向和尺度相關聯。通常是在對乙個影象中的方形區域通過相應的方向和尺度變換後，再計算該區域的sift特徵。
hog特徵的單元大小較小，故可以保留一定的空間解析度，同時歸一化操作使該特徵對區域性對比度變化不敏感。
結合sift和hog方法，可以發現sift對於複雜環境下物體的特徵提取具有良好的特性；而hog對於剛性物體的特徵提取具有良好的特性。
在自然場景分類中，可以發現sift的準確率比hog高，而如果檢測像人這種目標，hog的表現要比sift好。
orb特徵描述演算法的執行時間遠優於sift與surf，可用於實時性特徵檢測。orb特徵基於fast角點的特徵點檢測與描述技術，具有尺度與旋轉不變性，同時對雜訊及透視仿射也具有不變性，良好的效能使得用orb在進行特徵描述時的應用場景十分廣泛。詳細細節可以參考這個和這個。
方向fast特徵點檢測：fast角點檢測是一種基於機器學習的快速角點特徵檢測演算法，具有方向的fast特徵點檢測是對興趣點所在圓周上的16個畫素點進行判斷，若判斷後的當前中心畫素點為暗或亮，將候定其是否為角點。fast角點檢測計算的時間複雜度小，檢測效果突出。fast角點檢測為加速演算法實現，通常先對回周上的點集進行排序，排序使得其計算過程大大得到了優化。fast對多尺度特性的描述是還是通過建立影象金字塔實現的，而對於旋轉不變性即方向的特徵則引入灰度質心法用於描述特徵點的方向。
brief特徵描述：brief描述子主要是通過隨機選取興趣點周圍區域的若干點來組成小興趣區域，將這些小興趣區域的灰度二值化並解析成二進位製碼串，將串特徵作為該特徵點的描述子，brief描述子選取關鍵點附近的區域並對每一位比較其強度大小，然後根據影象塊中兩個二進位制點來判斷當前關鍵點編碼是0還是1.因為brief描述子的所有編碼都是二進位制數的，這樣就節省了計算機儲存空間。
lbp是一種描述影象區域性紋理的特徵運算元，具有旋轉不變性與灰度不變性等顯著優點。lbp特徵描述的是一種灰度範圍內的影象處理操作技術，針對的是輸入源為8位或16位的灰度影象。lbp特徵是高效的影象特徵分析方法，經過改進與發展已經應用於多個領域之中，特別是人臉識別、表情識別、行人檢測領域已經取得了成功。lbp特徵將視窗中心點與鄰域點的關係進行比較，重新編碼形成新特徵以消除對外界場景對影象的影響，因此一定程度上解決了複雜場景下（光照變換）特徵描述問題。
lbp演算法根據視窗領域的不同分為經典lbp和圓形lbp兩種。下面分別介紹：
經典lbp：經典lbp運算元視窗為3×3的正方形視窗，以視窗中心畫素為閾值，將其相鄰8領域畫素灰度與中心畫素值比較，若中心畫素值小於周圍畫素值，則該中心畫素位置被標記為1，否則為0（顯然這種規則下，對於中心點大於或等於這兩種情況，演算法無法區分，後續經過改進引入lbp+與lbp-因子用來區分這兩種情況）。影象經過這種遍歷操作後，影象就被二值化了，每乙個視窗中心的8鄰域點都可以由8位二進位制數來表示，即可產生256種lbp碼，這個lbp碼值可以用來反映視窗的區域紋理資訊。lbp具體在生成的過程中，先將影象劃分為若干個子區域，子區域視窗可根據原影象的尺寸進行調整，而不一定非得為3×3的正方形視窗。一般對於512×640的影象，子區域視窗區域選取大小為16×16。
圓形lbp：經典lbp用正方形來描述影象的紋理特徵，其缺點是難以滿足不同尺寸和頻率的需求。ojala等人對經典lbp進行了改進，提出了將3×3的正方形視窗領域擴充套件到任意圓形領域。由於圓形lbp取樣點在圓形邊界上，那麼必然會導致部分計算出來的取樣點座標不是整數，因此這裡就需要對得到的座標畫素點值進行處理，常用的處理方法是最近鄰插值或雙線性插值。
ref:(42條訊息) 傳統特徵提取方法總結_seventhblue-csdn部落格_傳統特徵提取方法
(42條訊息) 傳統影象特徵提取方法列表_zachzheng的專欄-csdn部落格_傳統影象特徵提取
邊緣特徵提取方法
邊緣檢測是圖形影象處理 計算機視覺和機器視覺中的乙個基本工具，通常用於特徵提取和特徵檢測，旨在檢測一張數字影象中有明顯變化的邊緣或者不連續的區域，在一維空間中，類似的操作被稱作步長檢測 step detection 邊緣是一幅影象中不同屈原之間的邊界線，通常乙個邊緣影象是乙個二值影象。邊緣檢測的目的...
邊緣特徵提取方法
分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！邊緣檢測是圖形影象處理 計算機視覺和機器視覺中的乙個基本工具，通常用於特徵提取和特徵檢測，旨在檢測一張數字影象中有明顯變化的邊緣或者不連續的區域，在一維空間中，類似的操作被稱作步長檢測 step detection 邊緣是一幅影象中不同屈原之間的邊...
特徵工程 特徵提取
特徵提取 將任意資料 如文字或影象 轉換為可用於機器學習的數字特徵 注 特徵值化是為了計算機更好的去理解資料 字典特徵提取 作用 對字典資料進行特徵值化 dictvectorizer.get feature names 返回類別名稱 from sklearn.feature extraction i...