⑴ 圖像處理之特徵提取
圖像處理的一個重要環節是特徵提取，它在物體識別和區分中扮演著核心角色。最初，通過計算圖像梯度，即灰度圖中像素強度的變化，可以確定圖像的邊緣，這是後續物體識別的基礎。灰度化處理能夠簡化RGB顏色的復雜性，從而提升特徵提取的效率。理想特徵應具備可重復性、可區分性和穩定性，例如SIFT（尺度不變特徵變換）特徵提取技術，它在不同的尺度空間中尋找關鍵點，並為其賦予方向信息，以實現這一點。SIFT技術通過模擬多尺度特徵的差分圖像（DoG）來增強其魯棒性，並使用高斯平滑來處理。生成的關鍵點描述子不僅包括關鍵點本身，還涵蓋了其周圍區域，以增強特徵的不變性。HOG（方向梯度直方圖）技術則通過統計梯度的方向來形成特徵，常用於行人檢測。與SIFT相比，HOG的單元較小，對局部對比度的變化不敏感，因此適合識別剛性物體。將SIFT和HOG結合使用，能夠體現出各自在處理復雜環境和剛性物體識別方面的優勢。傳統的特徵提取方法，如SURF、ORB、LBP和HAAR等，都有其獨特的特點。例如，SURF的運算簡化使其更具有魯棒性，ORB適合用於實時應用，LBP強調灰度的不變性，HAAR則用於人臉檢測。這些傳統方法通過不同的機制來增強圖像匹配的性能。然而，隨著深度學習的興起，特別是卷積神經網路（CNN）的自學習能力，它們逐漸成為特徵提取領域的新寵，尤其是在數據量有限的情況下。