Image processing 直方图归一化特征

我对如何使用直方图归一化提取特征感到困惑。也许这听起来太傻了，但很抱歉我太傻了，我只是糊涂了。我已经规范化了图像，但是我如何将其表示为特征。是直方图成为特征还是HOG（有向梯度直方图）的概念。我对如何将直方图表示为特征感到困惑。我可以得到一些解释吗。

特征描述符可以定义为部分或全部描述它的模式的任何属性。当您提取图像的直方图时，您正在提取图像的一些属性，这些属性可能会以各种方式应用或利用。例如，如果大多数直方图总体偏向较暗的一侧，则可以得出结论，图像要么充满了暗图案，要么照明不足。因此，直方图本身就是一种有效的特征描述符

---

为了使直方图具有可比性，通常需要进行归一化。例如，您可能希望比较不同大小的图像。在这种情况下，两幅图像的直方图总体将不同。但是，一旦你将直方图标准化，它们就会变得可比，这反过来又使特征描述变得有效和可用。

非常感谢你的清晰解释。一个问题，比如我想为我的项目做图像检索。图像是各种场景和地点的图像。我已经对所有的训练集进行了规范化，现在我只能进行特征提取了。我想对特征做的是使用柱状图的箱子和维度，而不是使用KNN来重新处理。你认为那个特征正确吗。我不能使用sift等，因为项目是基于直方图的概念。我的特征有什么线索或帮助吗？你会覆盖什么样的地方和场景？在过去，我发现HSV颜色空间中色调和值的标准化直方图在识别地点时非常有效。数据集由建筑物、森林、海边组成。。我唯一的困惑是在使用直方图时我的特征向量是什么。（你认为使用HOG是个好主意）…HOG在这些情况下不相关，因为它对于检测具有一致边缘和方向的对象很有用。只需使用归一化直方图作为特征向量。直方图实际上是256个值的列表（箱的总体）。使用这个作为256长度的特征向量。我知道了，谢谢，这是有用的信息。对于256长度向量，每个存储单元中的像素计数数成为特征向量。我说对了吗。