MATLAB图像处理：图像特征概念及提取方法HOG、SIFT

图像特征是计算机视觉中用于描述图像内容的关键信息，其提取质量直接影响后续的目标检测、分类和匹配等任务性能。本文将系统解析 全局与局部特征的核心概念，深入讲解 HOG（方向梯度直方图）与SIFT（尺度不变特征变换）的算法原理，并提供MATLAB代码实现及典型应用场景分析。

1. 图像特征基础

1.1 定义与分类

• 图像特征：能够表征图像中目标形状、纹理或结构的关键信息，可为像素值、几何结构或变换域系数的抽象表达。
• 分类：
  • 全局特征：描述图像整体属性（如颜色直方图、纹理统计量）。
  • 局部特征：捕捉图像中显著点或区域的结构（如角点、边缘、关键点）。

1.2 特征提取核心目标

• 区分性：不同类别的特征差异显著
• 鲁棒性：对光照变化、旋转、缩放等干扰不敏感
• 高效性：计算速度快，适合实时处理

2. 方向梯度直方图（HOG）

2.1 算法原理

HOG通过局部区域的梯度方向分布描述物体形状，适用于行人检测、手势识别等整体轮廓分析任务。

处理流程：

1. 预处理：转为灰度图像，应用Gamma校正减少光照影响
2. 计算梯度：使用Sobel算子求取水平和垂直方向的梯度幅值G和方向 

1. 分块统计：将图像划分为细胞单元（Cell），统计每个单元的梯度方向直方图（通常9个区间）
2. 块归一化：将相邻的2×2细胞单元合并为块（Block），对直方图进行L2归一化提升光照鲁棒性
3. 特征拼接：所有块的直方图串联成最终的高维特征向量

%% 读取图像并预处理
I = imread('刘亦菲.jpg');        % 替换为你的图像路径
I = imresize(I, [128, 128]);     % 调整图像大小
I_gray = rgb2gray(I);           % 转换为灰度图

%% 提取HOG特征
[hogFeatures, hogVisualization] = extractHOGFeatures(I_gray, ...
    'CellSize', [8 8], ...      % 每单元格大小
    'BlockSize', [2 2], ...     % 每块含2x2单元格
    'BlockOverlap', [1 1], ...  % 块间重叠单元格数
    'NumBins', 9);              % 梯度方向分9个区间

%% 可视化结果
figure;
subplot(1,2,1);
imshow(I_gray);
title('原图');

subplot(1,2,2);
imshow(I_gray); 
hold on;
plot(hogVisualization, 'Color','red'); % 叠加HOG特征
title('HOG特征可视化');
hold off;

%% 输出特征维度
disp(['HOG特征维度: ', num2str(length(hogFeatures))]);

关键步骤说明

1. 图像预处理

   • 调整尺寸 (imresize)：统一输入尺寸，特征维度固定。
   • 转灰度图 (rgb2gray)：HOG通常处理单通道梯度。

2. 参数设置

   • CellSize: 8x8 像素的单元格统计直方图。
   • BlockSize: 2x2 单元格的块归一化直方图，提升光照鲁棒性。
   • NumBins: 将梯度方向量化为 9 个区间。

3. 可视化

   • 红色线条表示梯度方向分布，反映物体轮廓。

3. 尺度不变特征变换（SIFT）

3.1 算法原理

SIFT通过检测并描述尺度空间的极值点，实现对旋转、缩放、亮度变化的不变性，适用于图像匹配、三维重建等任务。

处理流程：

1. 构建尺度空间：通过高斯金字塔生成不同尺度的图像
2. 检测关键点：在高斯差分（DoG）金字塔中寻找局部极值点
3. 精确定位：去除低对比度和边缘响应点（通过Hessian矩阵筛选）
4. 方向分配：计算关键点主方向（利用邻域梯度方向直方图）
5. 生成描述子：将关键点邻域划分为4×4子区域，统计每个区域的梯度方向直方图（总计128维向量）

3.2 MATLAB实现示例

% 读取图像并提取SIFT特征
img1 = rgb2gray(imread('img1.jpg'));
img2 = rgb2gray(imread('img2.jpg'));

% 检测SIFT特征点
points1 = detectSIFTFeatures(img1);
points2 = detectSIFTFeatures(img2);

% 提取特征描述子
[features1, valid_points1] = extractFeatures(img1, points1);
[features2, valid_points2] = extractFeatures(img2, points2);

% 特征匹配
index_pairs = matchFeatures(features1, features2, 'MaxRatio', 0.6);
matched_points1 = valid_points1(index_pairs(:,1));
matched_points2 = valid_points2(index_pairs(:,2));

% 可视化匹配结果
figure; 
 imshowpair(img1,img2,'montage') 
title('原图（图1左侧，图2右侧）');
figure; 
showMatchedFeatures(img1, img2, matched_points1, matched_points2, 'montage');
title('SIFT特征匹配结果');

4. HOG与SIFT对比及应用场景

4.1 性能对比

4.2 典型应用案例

• HOG：
  • 行人检测（配合SVM分类器）
  • 车牌识别中的字符定位
• SIFT：
  • 全景图像拼接（特征点匹配）
  • 基于内容的图像检索