使用scikit-image feature计算图像特征与常见特征示例

canny

corner_harris

greycomatrix

greycoprops

hog

local_binary_pattern

scikit-image feature是一个强大的python可以调用的计算特征库。对于常见的图像特征可以直接调用scikit-image feature中封装好的函数来计算，速度也比自己编写的函数快（别问我怎么知道的，心塞了）。

具体来说有以下特征：

skimage.feature.blob_dog（image，min_sigma，...）	在给定的灰度图像中查找斑点。
skimage.feature.blob_doh（image，min_sigma，...）	在给定的灰度图像中查找斑点。
skimage.feature.blob_log（image，min_sigma，...）	在给定的灰度图像中查找斑点。
skimage.feature.canny（图片，西格玛，...）	使用Canny算法边缘过滤图像。
skimage.feature.corner_fast（image，n，...）	提取给定图像的FAST角点。
skimage.feature.corner_foerstner（image，sigma）	计算Foerstner角落测量响应图像。
skimage.feature.corner_harris（image，...）	计算哈里斯角度测量响应图像。
skimage.feature.corner_kitchen_rosenfeld（图像）	Compute Kitchen和Rosenfeld角落测量响应图像。
skimage.feature.corner_moravec（图片，...）	计算Moravec角落测量响应图像。
skimage.feature.corner_orientations（图片，...）	计算拐角的方向。
skimage.feature.corner_peaks（image，...）	在角落测量响应图像中找到角点。
skimage.feature.corner_shi_tomasi（image，sigma）	计算Shi-Tomasi（Kanade-Tomasi）角落测量响应图像。
skimage.feature.corner_subpix（图像，角落）	确定拐角的亚像素位置。
skimage.feature.daisy（img，step，radius，...）	为给定图像密集提取DAISY特征描述符。
skimage.feature.draw_multiblock_lbp（img，r，...）	多块本地二进制模式可视化。
skimage.feature.greycomatrix（image，...，...）	计算灰度共生矩阵。
skimage.feature.greycoprops（P，道具）	计算GLCM的纹理属性。
skimage.feature.hessian_matrix（图片，...）	计算Hessian矩阵。
skimage.feature.hessian_matrix_det（image，...）	计算图像上的近似Hessian行列式。
skimage.feature.hessian_matrix_eigvals（Hxx，...）	计算Hessian矩阵的特征值。
skimage.feature.hog（图像，方向，...）	提取给定图像的定向梯度直方图（HOG）。
skimage.feature.local_binary_pattern（image，P，R）	灰度和旋转不变LBP（局部二元模式）。
skimage.feature.match_descriptors（...，...）	描述符的蛮力匹配。
skimage.feature.match_template（图片，模板）	使用归一化相关将模板匹配到2-D或3-D图像。
skimage.feature.multiblock_lbp（int_image，r，...）	多块本地二进制模式（MB-LBP）。
skimage.feature.peak_local_max（图片，...）	在图像中查找峰值作为坐标列表或布尔掩模。
skimage.feature.plot_matches（ax，image1，...）	绘制匹配的功能。
skimage.feature.register_translation（...，...）	通过互相关高效的子像素图像平移配准。
skimage.feature.shape_index（image，sigma，...）	计算形状索引。
skimage.feature.structure_tensor（image，...）	使用平方差和计算结构张量。
skimage.feature.structure_tensor_eigvals（...）	计算结构张量的特征值。
skimage.feature.BRIEF（descriptor_size，...）	简单二进制描述符提取器。
skimage.feature.CENSURE（min_scale，...）	CENSURE关键点检测器。
skimage.feature.ORB（缩放，n_scales，...）	面向快速和旋转的简要特征检测器和二进制描述符提取器。
skimage.feature.blob
skimage.feature.brief
skimage.feature.brief_cy
skimage.feature.censure
skimage.feature.censure_cy
skimage.feature.corner
skimage.feature.corner_cy
skimage.feature.match
skimage.feature.orb
skimage.feature.orb_cy
skimage.feature.peak
skimage.feature.template
skimage.feature.texture	表征图像纹理的方法。
skimage.feature.util

对于经常使用的一些特征，举例如下：

canny

skimage.feature.canny(image, sigma=1.0, low_threshold=None, high_threshold=None, mask=None, use_quantiles=False)[source]

使用Canny算法边缘过滤图像。

参数：	图像：二维数组灰度输入图像检测边缘; 可以是任何dtype。sigma：float高斯滤波器的标准偏差。low_threshold：float滞后阈值的下限（链接边）。如果没有，low_threshold被设置为dtype的最大值的10％。high_threshold：float滞后阈值上限（链接边缘）。如果没有，high_threshold被设置为dtype最大值的20％。mask：array，dtype = bool，可选Mask用于限制Canny对某个区域的应用。use_quantiles：bool，可选如果为True，则将low_threshold和high_threshold视为边缘幅度图像的分位数，而不是绝对边缘幅度值。如果为True，那么阈值必须在0,1范围内。
返回：	输出：2D数组（图像）二进制边缘图。

另请参阅：skimage.sobel

注意

该算法的步骤如下：

使用sigma宽度高斯平滑图像。

应用水平和垂直Sobel算子来获取图像中的渐变。边缘强度是渐变的常态。

薄到1像素宽曲线的潜在边缘。首先，找到每个点的边缘法线。这是通过查看X-Sobel和Y-Sobel的符号和相对大小来将点分为4类：水平，垂直，对角线和反对角线。然后查看正常方向和反向方向，以查看这两个方向中的任何一个的值是否大于所讨论的点。使用插值来获得混合点，而不是选择最接近正常点的点。

执行滞后阈值：首先将高于阈值的所有点标记为边缘。然后递归地标记8个连接到带标记点的低阈值以上的点作为边。

示例

from skimage import feature
# Generate noisy image of a square
im = np.zeros((256, 256))
im[64:-64, 64:-64] = 1
im += 0.2 * np.random.rand(*im.shape)# First trial with the Canny filter, with the default smoothing
edges1 = feature.canny(im)# Increase the smoothing for better results
edges2 = feature.canny(im, sigma=3)

corner_harris

skimage.feature.corner_harris(image, method='k', k=0.05, eps=1e-06, sigma=1)[source]

计算哈里斯角度测量响应图像。

该角点检测器使用来自自相关矩阵A的信息：

A = [(imx**2)   (imx*imy)] = [Axx Axy][(imx*imy)   (imy**2)]   [Axy Ayy]

其中imx和imy是一阶导数，用高斯滤波器进行平均。角落测量然后被定义为：

det(A) - k * trace(A)**2

要么：

2 * det(A) / (trace(A) + eps)

参数：	图像：ndarray输入图像。方法：{'k'，'eps'}，可选用于从自相关矩阵计算响应图像的方法。k：float，可选灵敏度因子，用于分离边缘的角点，通常范围为0，0.2。较小的k值会导致检测到尖角。eps：float，可选归一化因子（Noble的角点测量）。sigma：float，可选用于高斯核的标准偏差，用作自相关矩阵的加权函数。
返回：	回应：ndarray Harris反应形象。

示例：

>>> from skimage.feature import corner_harris, corner_peaks
>>> square = np.zeros([10, 10])
>>> square[2:8, 2:8] = 1
>>> square.astype(int)
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 1, 1, 1, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 1, 1, 1, 0, 0],[0, 0, 1, 1, 1, 1, 1, 1, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],[0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
>>> corner_peaks(corner_harris(square), min_distance=1)
array([[2, 2],[2, 7],[7, 2],[7, 7]

greycomatrix

skimage.feature.greycomatrix(image, distances, angles, levels=None, symmetric=False, normed=False)

计算灰度共生矩阵。

灰度级共生矩阵是图像上给定偏移处的共生灰度值的直方图。

参数：	image：array_like整型输入图像。只支持正值图像。如果type不是uint8，则需要设置参数级别。距离：array_like像素对距离偏移列表。angles：array_like以弧度表示的像素对角度列表。levels：int，可选输入图像应该包含0和level-1的整数，其中level指示计数的灰度数（对于8位图像通常为256）。该参数对于16位或更高的图像是必需的，通常是图像的最大值。由于输出矩阵至少为x水平，因此可能最好使用输入图像的分档而不是较大的水平值。symmetric：bool，可选如果为True，则输出矩阵P：，：，d，theta是对称的。这是通过忽略值对的顺序来实现的，所以（i，j）和（j，i）在给定偏移量时遇到（i，j）时被累加。默认值是False。normed：bool，可选如果为True，则将每个矩阵P：，：，d，theta除以给定偏移量的累计同现事件总数。结果矩阵的元素总和为1.默认值为False。
返回：	P：4-D ndarray灰度共生直方图。值Pi，j，d，theta是灰度级j在距离d和与灰度级i成角度θ时出现的次数。如果normed为False，则输出为uint32类型，否则为float64。尺寸是：水平x水平x距离数量x角度数量。

示例

计算2个GLCM：一个用于向右偏移1像素，另一个向上偏移1像素。

>>> image = np.array([[0, 0, 1, 1],
...                   [0, 0, 1, 1],
...                   [0, 2, 2, 2],
...                   [2, 2, 3, 3]], dtype=np.uint8)
>>> result = greycomatrix(image, [1], [0, np.pi/4, np.pi/2, 3*np.pi/4],
...                       levels=4)
>>> result[:, :, 0, 0]
array([[2, 2, 1, 0],[0, 2, 0, 0],[0, 0, 3, 1],[0, 0, 0, 1]], dtype=uint32)
>>> result[:, :, 0, 1]
array([[1, 1, 3, 0],[0, 1, 1, 0],[0, 0, 0, 2],[0, 0, 0, 0]], dtype=uint32)
>>> result[:, :, 0, 2]
array([[3, 0, 2, 0],[0, 2, 2, 0],[0, 0, 1, 2],[0, 0, 0, 0]], dtype=uint32)
>>> result[:, :, 0, 3]
array([[2, 0, 0, 0],[1, 1, 2, 0],[0, 0, 2, 1],[0, 0, 0, 0]], dtype=uint32

greycoprops

skimage.feature.greycoprops(P, prop='contrast')[source]

计算GLCM的纹理属性。

计算灰度共生矩阵的特征以作为矩阵的紧凑总结。属性计算如下：

‘contrast’: (\sum_{i,j=0}^{levels-1} P_{i,j}(i-j)^2)

‘dissimilarity’: (\sum_{i,j=0}^{levels-1}P_{i,j}|i-j|)

‘homogeneity’: (\sum_{i,j=0}^{levels-1}\frac{P_{i,j}}{1+(i-j)^2})

‘ASM’: (\sum_{i,j=0}^{levels-1} P_{i,j}^2)

‘energy’: (\sqrt{ASM})

‘correlation’: [\sum_{i,j=0}^{levels-1} P_{i,j}\left\frac{(i-\mu_i) \ (j-\mu_j)}{\sqrt{(\sigma_i^2)(\sigma_j^2)}}\right]

参数：	P：ndarray输入数组。P是计算指定属性的灰度共生直方图。值Pi，j，d，theta是灰度级j在距离d和与灰度级i成角度θ时出现的次数。prop：{'contrast'，'dissimilarity'，'homogeneity'，'energy'，'correlation'，'ASM'}，可选GLCM的特性来计算。默认值是'对比'。
返回：	结果：2-D ndarray 2维阵列。resultd，a是第d个距离和第a个角度的属性'prop'。

例子：

计算距离为1，2和角度为0度，90度的GLCM的对比度

>>> image = np.array([[0, 0, 1, 1],
...                   [0, 0, 1, 1],
...                   [0, 2, 2, 2],
...                   [2, 2, 3, 3]], dtype=np.uint8)
>>> g = greycomatrix(image, [1, 2], [0, np.pi/2], levels=4,
...                  normed=True, symmetric=True)
>>> contrast = greycoprops(g, 'contrast')
>>> contrast
array([[ 0.58333333,  1.        ],[ 1.25      ,  2.75      ]]

hog

skimage.feature.hog(image, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(3, 3), block_norm='L1', visualise=False, transform_sqrt=False, feature_vector=True, normalise=None)[source]

提取给定图像的定向梯度直方图（HOG）。

计算面向梯度的直方图（HOG）

（可选）全局图像标准化

2. 在x和y中计算渐变图像

3. 计算梯度直方图

4. 正常化块

5. 展平成一个特征向量

参数：	图像：（M，N）ndarray输入图像（灰度）。方向：int，可选方向箱的数量。pixels_per_cell：2元组（int，int），可选的单元格大小（以像素为单位）。cells_per_block：2元组（int，int），可选每个块中的单元格数。block_norm：str {'L1'，'L1-sqrt'，'L2'，'L2-Hys'}，可选块归一化方法：L1使用L1范数进行归一化。（默认）L1-sqrt使用L1-norm进行归一化，然后是平方根。L2规范化使用L2范数。使用L2范数进行L2-Hys归一化，然后将最大值限制为0.2（Hys代表滞后）并使用L2范数重新归一化。有关详细信息，请参阅R196，R197。可视化：布尔，可选还返回HOG的图像。transform_sqrt：bool，可选应用幂法压缩以在处理前对图像进行归一化。如果图像包含负值，请不要使用它。另请参阅下面的注释部分。feature_vector：bool，可选通过在返回前对结果调用.ravel（）来返回数据作为特征向量。normalize：bool，不赞成参数已弃用。使用transform_sqrt进行幂法压缩。规范化已被弃用。
返回：	newarr：ndarray HOG将图像视为一维（展平）阵列。hog_image：ndarray（if visualize = True）HOG图像的可视化。

注意

所提出的代码实现了从[R195]的HOG提取方法，其具有以下变化：（I）使用（3,3）单元的块（（2,2））;（II）单元内没有平滑（高斯空间窗口sigma = 8pix在论文中）;（III）使用L1块标准化（本文中的L2-Hys）。

幂律压缩也称为伽玛校正，用于减少阴影和光照变化的影响。压缩使黑暗区域变得更轻。当kwarg transform_sqrt设置为True，该函数计算每个颜色通道的平方根，然后将宏算法应用于图像。

local_binary_pattern

skimage.feature.local_binary_pattern(image, P, R, method='default')[source]

灰度和旋转不变LBP（局部二元模式）。

LBP是一种可用于纹理分类的不变描述符。

参数：	图像：（N，M）阵列Graylevel图像。P：int圆对称邻居设置点的数量（角度空间的量化）。R：float圆的半径（操作员的空间分辨率）。方法：{'default'，'ror'，'uniform'，'var'}确定模式的方法。'default'：原始的局部二值模式，它是灰度但不是旋转不变的。'ror'：扩展灰度和旋转不变的默认实现。'uniform'：改进的旋转不变性和均匀的模式以及角度空间的更精细的量化，灰度和旋转不变。'nri_uniform'：非旋转不变的均匀图案变体，它只是灰度不变的R199。'VAR'：
返回：	输出：（N，M）阵列LBP图像。

'default'：原始的局部二值模式，它是灰度但不是旋转不变的。

'ror'：扩展灰度和旋转不变的默认实现。

'uniform'：改进的旋转不变性和均匀的模式以及角度空间的更精细的量化，灰度和旋转不变。

'nri_uniform'：非旋转不变统一模式变体，它只是灰度不变的[R199]。

'var'：旋转不变方差测量局部图像纹理的对比度，其是旋转但不是灰度不变的。

Returns:  **output** : (N, M)