色盲测试搜索引擎优化的英文
LBP描述
LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征
计算过程
原始的LBP算子定义为在3\*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3\*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。数学表达式方式如下图所示
上述表述可能会比较抽象，接下来我们举一个例子表述 一下：
代码实现
class LBP
{
public:LBP(string url = "mm.jpg") :img(imread(url, IMREAD_GRAYSCALE)) {result["img"] = img;}void GetLBP(){result["LBP"] = Mat::zeros(img.rows - 2, img.cols - 2, CV_8UC1);for (int i = 1; i < img.rows - 1; i++) {for (int j = 1; j < img.cols - 1; j++) {uchar temp = img.at<uchar>(i, j);uchar color = 0;color |= (img.at<uchar>(i - 1, j - 1) > temp) << 7;color |= (img.at<uchar>(i - 1, j) > temp) << 6;color |= (img.at<uchar>(i - 1, j + 1) > temp) << 5;color |= (img.at<uchar>(i, j + 1) > temp) << 4;color |= (img.at<uchar>(i+1, j + 1) > temp) << 3;color |= (img.at<uchar>(i+1, j) > temp) << 2;color |= (img.at<uchar>(i+1, j - 1) > temp) << 1;color |= (img.at<uchar>(i, j - 1) > temp) << 0;result["LBP"].at<uchar>(i - 1, j - 1) = color;}}}void Show() {for (auto v : result) {imshow(v.first, v.second);}waitKey(0);}protected:map<string, Mat> result;Mat img;
}; 
SIFT特征检测
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。 其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。
SIFT算法是为了解决图片的匹配问题，想要从图像中提取一种对图像的大小和旋转变化保持鲁棒的特征，从而实现匹配。这一算法的灵感也十分的直观：人眼观测两张图片是否匹配时会注意到其中的典型区域（特征点部分），如果我们能够实现这一特征点区域提取过程，再对所提取到的区域进行描述就可以实现特征匹配了。
SIFT算法大致流程
高斯金字塔
- 人看物体时近大远小，可以对图片下采样实现
- 远处模糊，可以对图像高斯平滑实现
高斯差分金字塔特征提取
- 获取了不同尺度的图片
- 获取高频区域（边缘检测的算法使用差分滤波器如拉普拉斯滤波器、sobel滤波器）
特征点处理
- 阈值化操作(去噪)
- 非极大值抑制
- 二阶泰勒修正
- 低对比度去除
- 边缘效应去除
描述特征点
- 确定特征点区域方向
- 特征点区域描述子
API介绍
static Ptr<SIFT> create(int nfeatures = 0, int nOctaveLayers = 3,double contrastThreshold = 0.04, double edgeThreshold = 10,double sigma = 1.6);
/*******************************************************************
* nfeatures: 保留的最佳特性的数量
* cornOctaveLayersners: 高斯金字塔最小层级数
* contrastThreshold: 对比度阈值用于过滤区域中的弱特征
* edgeThreshold: 用于过滤掉类似边缘特征的阈值
* sigma: 高斯输入层级
*********************************************************************/
virtual void detect( InputArray image,std::vector<KeyPoint>& keypoints,InputArray mask=noArray());
/*******************************************************************
* image: 输入图
* keypoints: 角点信息
* mask: 计算亚像素角点区域大小
*********************************************************************/
void drawKeypoints( InputArray image, const std::vector<KeyPoint>& keypoints, InputOutputArray outImage,const Scalar& color=Scalar::all(-1), DrawMatchesFlags flags=DrawMatchesFlags::DEFAULT );
/*******************************************************************
* image: 输入图
* keypoints: 角点信息
* outImage: 输出图
* color: 颜色
* flags: 绘制标记
*********************************************************************/
完整代码
#include <iostream>
#include <map>
#include <new>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
class SIFTFeature
{
public:SIFTFeature() :img(imread("mm.jpg")) {result["img"] = img;}void TestSIFT() {Ptr<SIFT> sift = SIFT::create();sift->detect(img, point);drawKeypoints(img, point, result["SIFT"], Scalar(255, 0, 255));}void Show() {for (auto& v : result) {imshow(v.first, v.second);}waitKey(0);}
protected:Mat img;vector<KeyPoint> point;map<string, Mat> result;
};int main()
{unique_ptr<SIFTFeature> p(new SIFTFeature);p->TestSIFT();p->Show();return 0;
}效果图：
