我已经开始大量地使用计算机视觉技术，主要是深度学习，但是我想尝试并更好地理解更传统的技术，以取得良好的基础。我一直在尝试一些用于RF和SVM分类器分类的手动特征工程技术。我研究了HOG和LBP描述符之类的纹理表示形式，以及边缘过滤器，gabor过滤器和诸如Fourier描述符之类的空间特征。我所缺少的是一个很好的主意，说明不同的功能组以及它们各自属于什么类别。我知道有些被定义为全局和局部，但这到底意味着什么？还有其他应考虑的类别，例如纹理和几何形状吗？任何解释都将是有用的，并且非常感谢（我在网上已经看了很多，但似乎都有些零散）]
谢谢！
特征是从图像中提取的难以理解和关联的数值形式的信息。假设我们将图像视为数据，从数据中提取的信息称为特征。通常，从图像中提取的特征比原始图像的尺寸要低得多。三维度的降低减少了处理一堆图像的开销。
基本上，根据应用程序从图像中提取两种类型的特征。它们是本地和全局功能。功能有时称为描述符。全局描述符通常用于图像检索，对象检测和分类，而局部描述符用于对象识别/识别。检测和识别之间存在很大差异。检测是在发现某物/物体的存在（查找图像/视频中是否存在物体），而识别正在发现该物体/物体的身份（识别一个人/物体）。
全局特征从整体上描述图像，以概括整个对象，而局部特征则描述对象的图像块（图像中的关键点）。全局特征包括轮廓表示，形状描述符和纹理特征，而局部特征则表示图像补丁中的纹理。形状矩阵，不变矩（Hu，Zerinke），直方图定向梯度（HOG）和Co-HOG是全局描述符的一些示例。 SIFT，SURF，LBP，BRISK，MSER和FREAK是局部描述符的一些示例。
通常，对于诸如对象检测和分类之类的低级应用，使用全局特征，而对于诸如对象识别之类的高级应用，则使用局部特征。全局和局部特征的组合提高了识别的准确性，并具有计算开销的副作用。