4. 计算机视觉基础（下）：图像特征提取与几何变换

好，咱们接着往下聊。上一节我们把图像预处理和滤波讲透了，这一节要聊的，是真正让计算机「看懂」图像的关键——特征提取，以及图像在空间中的变换。说白了，特征就是图像的「指纹」，而几何变换就是让图像「动起来」的手段。

4.1 图像特征提取：HOG 与 LBP

特征提取这件事，我个人的理解是：把一张几千几万像素的图，浓缩成几百个有意义的数字。你想想看，直接拿像素去比，光照一变、角度一变，结果就全乱了。所以我们需要更鲁棒的特征。

4.1.1 HOG（方向梯度直方图）

HOG 在行人检测领域可是个传奇。2005 年 Dalal 和 Triggs 提出后，直到深度学习兴起前，它一直是主流方案。它的核心思想很简单：物体的形状和外观，可以通过局部梯度方向的分布来描述。

HOG 提取流程：

1. 图像预处理：灰度化 + Gamma 校正（降低光照影响）
2. 计算梯度：用 Sobel 算子算水平和垂直梯度
3. 构建 Cell 直方图：每个 8×8 像素块为一个 cell，统计 9 个方向的梯度
4. Block 归一化：2×2 个 cell 组成一个 block，做局部对比度归一化
5. 串联特征：把所有 block 的特征向量拼起来

# OpenCV 中提取 HOG 特征的示例
import cv2
import numpy as np

# 初始化 HOG 描述子
hog = cv2.HOGDescriptor()
# 设置 SVM 检测器为默认行人检测器
hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())

# 读取图像并检测
img = cv2.imread('pedestrian.jpg')
# 调整图像大小到 64×128
img_resized = cv2.resize(img, (64, 128))
features = hog.compute(img_resized)
print(f'HOG 特征维度: {features.shape}')  # 输出: (3780, 1)

4.1.2 LBP（局部二值模式）

LBP 是另一种经典特征，特别擅长描述纹理。它的思路更直接：比较中心像素和周围像素的大小关系。

LBP 的计算步骤：

1. 取 3×3 邻域，中心像素为阈值
2. 周围 8 个像素与阈值比较，大于等于为 1，小于为 0
3. 按顺时针方向得到一个 8 位二进制数（0-255）
4. 统计所有像素的 LBP 值，得到直方图作为特征

# 手动实现 LBP 特征提取
def lbp_feature(image):
    h, w = image.shape
    lbp_image = np.zeros((h-2, w-2), dtype=np.uint8)
    
    # 定义邻域偏移
    offsets = [(-1,-1), (-1,0), (-1,1), (0,1), 
               (1,1), (1,0), (1,-1), (0,-1)]
    
    for i in range(1, h-1):
        for j in range(1, w-1):
            center = image[i, j]
            binary = 0
            for k, (dx, dy) in enumerate(offsets):
                binary |= (image[i+dx, j+dy] >= center) << k
            lbp_image[i-1, j-1] = binary
    
    # 计算直方图
    hist = cv2.calcHist([lbp_image], [0], None, [256], [0, 256])
    # 归一化
    hist = cv2.normalize(hist, hist).flatten()
    return hist

4.2 图像金字塔与缩放

为什么要聊图像金字塔？因为在目标检测中，物体的大小是不确定的。一个行人可能在近处占满屏幕，也可能在远处只有几十个像素。图像金字塔就是解决这个问题的经典方案。

4.2.1 高斯金字塔

高斯金字塔由一系列逐渐缩小的图像组成。每一层都是对上一层进行高斯模糊后下采样得到的。

# 构建高斯金字塔
def build_gaussian_pyramid(image, levels=4):
    pyramid = [image]
    for i in range(levels - 1):
        # 高斯模糊 + 下采样
        blurred = cv2.GaussianBlur(pyramid[-1], (5, 5), 1.5)
        down = cv2.resize(blurred, (blurred.shape[1]//2, blurred.shape[0]//2))
        pyramid.append(down)
    return pyramid

# 使用示例
img = cv2.imread('scene.jpg', 0)
pyramid = build_gaussian_pyramid(img, 5)
for i, layer in enumerate(pyramid):
    print(f'第 {i+1} 层: {layer.shape}')

4.2.2 拉普拉斯金字塔

拉普拉斯金字塔记录的是高斯金字塔相邻层之间的差异。它常用于图像压缩和重建。

4.3 图像几何变换

几何变换说白了就是让图像「变形」。在目标跟踪中，我们需要预测目标在下一帧的位置和姿态，这就离不开几何变换。

4.3.1 仿射变换

仿射变换保持图像的「平行性」——直线还是直线，平行线还是平行线。它由平移、旋转、缩放、剪切组成。

# 仿射变换示例
import cv2
import numpy as np

img = cv2.imread('car.jpg')
h, w = img.shape[:2]

# 定义三个源点和目标点
src_points = np.float32([[50, 50], [200, 50], [50, 200]])
dst_points = np.float32([[10, 100], [200, 50], [100, 250]])

# 计算仿射变换矩阵
M = cv2.getAffineTransform(src_points, dst_points)

# 应用变换
transformed = cv2.warpAffine(img, M, (w, h))

4.3.2 透视变换

透视变换（也叫投影变换）有 8 个自由度，可以处理更复杂的变形。它不保持平行性，但能模拟真实的透视效果。

# 透视变换示例
# 定义四个角点（比如矫正一张倾斜拍摄的文档）
src_pts = np.float32([[0, 0], [w-1, 0], [w-1, h-1], [0, h-1]])
dst_pts = np.float32([[50, 50], [w-50, 30], [w-30, h-20], [40, h-40]])

# 计算透视变换矩阵
M = cv2.getPerspectiveTransform(src_pts, dst_pts)

# 应用变换
perspective = cv2.warpPerspective(img, M, (w, h))

4.4 综合实战：特征提取 + 几何变换

最后，我把这些知识串起来，给一个实际场景中的应用思路。

场景	特征选择	几何变换	我的建议
行人检测	HOG	图像金字塔	多尺度检测，缩放因子 1.05
纹理识别	LBP	仿射变换	使用旋转不变 LBP
车辆跟踪	HOG + LBP 融合	透视变换	先矫正视角再提取特征
文档矫正	边缘特征	透视变换	先检测文档四个角点

好了，这一节的内容就到这里。说白了，特征提取和几何变换是计算机视觉的两大基石。你想想看，没有特征，计算机就是「盲人摸象」；没有几何变换，目标一变形就认不出来了。下一节我们会把这些技术用到实际的目标检测框架中，到时候你就知道这些基础有多重要了。