直方图：
用于计算图片特征，表达
对图片数据/特征分布的一种统计
灰度，颜色 / 梯度/边缘，形状，纹理 / 局部特征点，视觉词汇
区间：
具有一定的统计或物理意义
一种数据或特征的代表
需要预定义或基于数据进行学习
数值是一种统计量：概率，频数，特定积累
维度小于原始数据
聚类：
目标：找出混合样本集中内在的组群关系
把一个对象集合分组或分割为子集或类，使得，类内对象之间的相关性高，类间对象之间的相关性差。
常用方法：Kmeans（数据分类大多首用kmeans），EM算法，谱聚类，层次聚类......
Kmeans:数据集（），
是d维特征向量，目标：把n个数据分成k组s={
}这种分类具有最小类内平方和
算法流程：1，首选K个类中心，首次随机选取，2，计算每个点跟K个类中心的距离，3，把数据点分配给距离最近的一个类中心，4，计算新的类中心（重复迭代2,3,4），5，满足终止条件后，终止迭代。
kmeans类数K的选取：
最简单：多值尝试取聚类指标最优或提升转折点
kmenas初始中心选择：
多次全随机取最优。
最远选取：第一类中心->随机选择，第二类中心->距离第一个中心最远的点，第三类中心->距离前2个中心最远的点，以此类推，到第K个
Kmeans++半随机：第一个类中心->随机选择，记D（x）为数据点x距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 ,以此类推，到第K个
其他。
颜色特征：
量化颜色直方图：
适用颜色空间：RGB，HSV等均匀空间
操作：颜色空间量化，单元由单元中心代表，统计落在量化单元上的像素数量。
聚类颜色直方图：
适用颜色空间：Lab等非均匀空间
操作：使用聚类算法对所有像素点颜色向量进行聚类，kmeans
单元（bin）由聚类中心代表。
几何特征：
边缘：像素明显变化的区域，具有丰富的语义信息，用于：物体识别，几何，时间变换
边缘定于：像素值函数快速变化的区域->一阶导数的极值区域
边缘提取：先高斯去噪（高斯滤波），再使用一阶导数获取极值，导数对噪声敏感，高斯核的标准差越大，核越大，面积约广。
边缘提取尺度问题：不同标准差的滤波（x方向）捕捉到的不同尺度的边缘，尺度越小细节越明显。
兴趣点/关键点：不同视角图片之间的映射，稳定局部特征点（可重复性，显著性，抗图片变换（外貌变换（平亮，光照），几何变换（平移，选择，尺度）））
兴趣点/关键点：图片匹配/拼接，运动跟踪，物体识别，机器人导航，3D重建
Harris角点（捕捉稳定的边缘组合点/关键点，不受光照/平移等影响）：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，说明信息点集中。
斑点：拉普拉斯限度，一阶导极值点->二阶导数零点，梯度/边缘可以通过寻找，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
二阶导数高斯滤波（LOG）于标准差相关，若标准差越大，图像越粗糙，标准差越小，图像越繁杂。
捕捉斑点寻找拉普拉斯限度的极值，捕捉边缘寻找拉普拉斯的绝对值
SIFT关键点
基于尺度空间不变的特征，特点：具有良好的不变性，旋转，尺度缩放，平移，亮度变化，遮挡和噪声。独特性好，信息量丰富，适用于在海量特征数据库中进行快速，准确的匹配。多量性，即使少数物体也可以产生大量的SIFT特征。
尺度空间，使用不同标准差的LoG对图片进行滤波
Dog，LoG近似等于2个不同尺度的高斯差分
SIFT特征计算：计算高斯差分，尺度空间，获取极值点，特征点处理（位置插值，去除低对对比度，去除边缘点），方向估计，描述子提取。
SIFT特征点方向估计：在尺度上计算梯度直方图，2*2网格，8个方向，获取最高值为关键点主方向。
SIFT特征点方向归一化：将坐标轴方向旋转为关键点方向（旋转不变性）
SIFT计算特征点描述子：在旋转后的坐标上采样16*16的像素窗，4*4网格，8方向直方图，共计128维。
SURF：近似SIFT算法，实现快速版，均值滤波，积分滤波，精度略有牺牲。
纹理特征
HOG（方向梯度直方图）
LBP（局部二值模式）；将每个像素点于周围点大小比较，半径为R的圆上，均匀采样P个点，大小量化为0或1，多个bit组成一个数，统计每个数的直方图。
Garbor滤波器组：具有高斯和的特性，模拟人类的视觉系统。
