1.直方图
用于计算图片特征，表达， 使得数据具有总结性， 颜色直方图对数据空间进行量化，好比10个bin
2. 聚类
类内对象的相关性高
类间对象的相关性差
常用算法：kmeans， EM算法， meanshift， 谱聚类（密度聚类）， 层次聚类
kmeans聚类
选取k个类中心，随机选取
计算每个点跟k个类中心的位置
把数据点分配给距离最近的一个类中心
计算新的类中心-对该类中的所有点取均值
类中心数K的选取
K类平均质心的距离加权平均值， 当k=5时的斜率发生变化，我们可以选取5作为分类的个数
kmeans ++ 半随机（初始点的选取）
第一类中心 - 随机选取
记D（x） 为数据点x距离最近的聚类中心的距离
选取下一个聚类中心， 选取的概率正比于D(x) ^ 2
以此类推，到第k个
量化颜色直方图
聚类颜色直方图： 使用聚类算法对像素点颜色向量进行聚类， 单元由聚类中心代表
3. 边缘检测
像素明显变化的区域， 具有丰富的语义信息
用途： 物体识别，几何视角变化
定义： 像素函数快速变化的区域， 一阶导数的极值区域，二阶导数的0点位置
步骤：
先高斯去噪，再使用一阶导数获取极值
公式： 对x方向进行求导 б 表示的是标准差 对y方向进行求导
梯度幅值/强度
hx（x，y）^ 2 + hy(x, y) ^ 2
梯度（增加最快）方向
arctan（hy（x, y）/ hx（x, y）)
4. 兴趣点/关键点
稳定局部
特点： 可重复性，显著性
抗图片变化
外貌变化（亮度，光照）
几何变化（平移， 选择，尺度）
5.Harris角点
一种显著点：在任何方向上移动小观察窗，导致大的像素变动
Ｅ(u, v) = ΣW(x, y)[I(x+u, y+v)-I(x, y)] ^2
W(x, y)是高斯函数进行加权的， x，y表示当前位置， u和v表示移动了的位置
6.斑点（Blob）
拉普拉斯梯度：一阶导数极值点 - 二阶导数零点
梯度/边缘可以通过查找：二阶导数接近零， 一阶导数足够大
对噪声很敏感， 需要先做高斯平滑
公式： Δf = δ2f / δ2x + δ2f / δ2y 对x求二阶导， 对y方向求二阶导
斑点是找拉普拉斯的极值
边缘是找拉普拉斯的零值
7.SIFT
SIFT特征计算
计算高斯差分（DoG）尺度空间，获取极值点
特征点处理： 位置插值， 去除低对比度点， 去除边缘点
方向估计： 2*2网格， 8个方向，获得最高值为关键点的主方向，特征点方向归一化，即所有方向为同一方向
描述子提取: 在旋转坐标上采样16*16的像素窗， 4*4网格，8方向直方图，总共178维
8.纹理特征
HOG（方向梯度直方图）
梯度幅值，方向 s = sqrt（sx^2 + sy^2）
Block 拆分
16*16的block 步长是8， 包含2*2个cell， 每个cell8*8， 9个方向
积累梯度幅值，使用位置高斯加权，使用相邻bin线性插值
64&128的维度图：7*15 * （2*2） * 9 = 3780
LBP(局部二值模式)
将每个像素点与周围点大小半径比较，半径R的圆上，均匀采样P个点，根据赫值大小，量化为0或1
