圖像特征是計算機視覺中用于描述圖像內容的關鍵信息，其提取質量直接影響后續的目標檢測、分類和匹配等任務性能。本文將系統解析 全局與局部特征的核心概念，深入講解 HOG（方向梯度直方圖）與SIFT（尺度不變特征變換）的算法原理，并提供MATLAB代碼實現及典型應用場景分析。

1. 圖像特征基礎

1.1 定義與分類

• 圖像特征：能夠表征圖像中目標形狀、紋理或結構的關鍵信息，可為像素值、幾何結構或變換域系數的抽象表達。
• 分類：
  • 全局特征：描述圖像整體屬性（如顏色直方圖、紋理統計量）。
  • 局部特征：捕捉圖像中顯著點或區域的結構（如角點、邊緣、關鍵點）。

1.2 特征提取核心目標

• 區分性：不同類別的特征差異顯著
• 魯棒性：對光照變化、旋轉、縮放等干擾不敏感
• 高效性：計算速度快，適合實時處理

2. 方向梯度直方圖（HOG）

2.1 算法原理

HOG通過局部區域的梯度方向分布描述物體形狀，適用于行人檢測、手勢識別等整體輪廓分析任務。

處理流程：

1. 預處理：轉為灰度圖像，應用Gamma校正減少光照影響
2. 計算梯度：使用Sobel算子求取水平和垂直方向的梯度幅值G和方向?

1. 分塊統計：將圖像劃分為細胞單元（Cell），統計每個單元的梯度方向直方圖（通常9個區間）
2. 塊歸一化：將相鄰的2×2細胞單元合并為塊（Block），對直方圖進行L2歸一化提升光照魯棒性
3. 特征拼接：所有塊的直方圖串聯成最終的高維特征向量

%% 讀取圖像并預處理
I = imread('劉亦菲.jpg');        % 替換為你的圖像路徑
I = imresize(I, [128, 128]);     % 調整圖像大小
I_gray = rgb2gray(I);           % 轉換為灰度圖%% 提取HOG特征
[hogFeatures, hogVisualization] = extractHOGFeatures(I_gray, ...'CellSize', [8 8], ...      % 每單元格大小'BlockSize', [2 2], ...     % 每塊含2x2單元格'BlockOverlap', [1 1], ...  % 塊間重疊單元格數'NumBins', 9);              % 梯度方向分9個區間%% 可視化結果
figure;
subplot(1,2,1);
imshow(I_gray);
title('原圖');subplot(1,2,2);
imshow(I_gray); 
hold on;
plot(hogVisualization, 'Color','red'); % 疊加HOG特征
title('HOG特征可視化');
hold off;%% 輸出特征維度
disp(['HOG特征維度: ', num2str(length(hogFeatures))]);

?

關鍵步驟說明

1. 圖像預處理

   • 調整尺寸 (imresize)：統一輸入尺寸，特征維度固定。
   • 轉灰度圖 (rgb2gray)：HOG通常處理單通道梯度。

2. 參數設置

   • CellSize: 8x8 像素的單元格統計直方圖。
   • BlockSize: 2x2 單元格的塊歸一化直方圖，提升光照魯棒性。
   • NumBins: 將梯度方向量化為 9 個區間。

3. 可視化

   • 紅色線條表示梯度方向分布，反映物體輪廓。

3. 尺度不變特征變換（SIFT）

3.1 算法原理

SIFT通過檢測并描述尺度空間的極值點，實現對旋轉、縮放、亮度變化的不變性，適用于圖像匹配、三維重建等任務。

處理流程：

1. 構建尺度空間：通過高斯金字塔生成不同尺度的圖像
2. 檢測關鍵點：在高斯差分（DoG）金字塔中尋找局部極值點
3. 精確定位：去除低對比度和邊緣響應點（通過Hessian矩陣篩選）
4. 方向分配：計算關鍵點主方向（利用鄰域梯度方向直方圖）
5. 生成描述子：將關鍵點鄰域劃分為4×4子區域，統計每個區域的梯度方向直方圖（總計128維向量）

3.2 MATLAB實現示例

% 讀取圖像并提取SIFT特征
img1 = rgb2gray(imread('img1.jpg'));
img2 = rgb2gray(imread('img2.jpg'));% 檢測SIFT特征點
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));% 可視化匹配結果
figure; imshowpair(img1,img2,'montage') 
title('原圖（圖1左側，圖2右側）');
figure; 
showMatchedFeatures(img1, img2, matched_points1, matched_points2, 'montage');
title('SIFT特征匹配結果');

4. HOG與SIFT對比及應用場景

4.1 性能對比

指標	HOG	SIFT
特征維度	較高（數千維度）	高（每關鍵點128維）
魯棒性	對遮擋敏感	對旋轉、縮放、光照魯棒
速度	快	較慢（需構建多尺度空間）
適用任務	目標檢測（整體形狀分析）	圖像匹配、三維重建（局部特征）

4.2 典型應用案例

• HOG：
  • 行人檢測（配合SVM分類器）
  • 車牌識別中的字符定位
• SIFT：
  • 全景圖像拼接（特征點匹配）
  • 基于內容的圖像檢索