Primeiramente, descritores manuais são características projetadas por especialistas humanos. Diferentemente do aprendizado profundo, elas não surgem automaticamente. O engenheiro define quais atributos da imagem importam. Por exemplo, bordas, cantos ou texturas servem como atributos. Estes atributos então se convertem em vetores numéricos. Consequentemente, um classificador simples pode utilizá-los. A grande vantagem reside na interpretabilidade e no controle total. Contudo, projetar bons descritores exige profundo conhecimento do domínio. Portanto, eles funcionam melhor em problemas bem compreendidos e controlados.
detectores de ponto de interesse (harris, sift, mser)
Detectores de ponto de interesse localizam características únicas na imagem. O detector de cantos Harris-Stephens representa um método clássico. Ele identifica regiões com mudança intensa em todas as direções. Por outro lado, o SIFT (Scale-Invariant Feature Transform) oferece mais robustez. Ele detecta pontos invariantes à escala e à rotação. O SIFT também gera descritores locais altamente discriminantes. O MSER (Maximally Stable Extremal Regions) detecta regiões do tipo blob. Ele se destaca para encontrar áreas com propriedades de intensidade consistentes. Por exemplo, usamos SIFT para casar imagens de um panorama. Estes descritores aparecem frequentemente em sistemas de tracking visual.
descritores de forma (fourier, momentos invariantes)
Descritores de forma capturam a geometria do contorno ou da região. Os descritores de Fourier representam o contorno como uma série de senos e cossenos. Poucos coeficientes de Fourier descrevem formas complexas de forma eficiente. Os momentos invariantes de Hu oferecem outra ferramenta poderosa. Eles mantêm invariância à translação, rotação e escala. Por exemplo, estes momentos diferenciam um triângulo de um quadrado. O número de Euler representa um descritor topológico simples. Ele conta componentes conectados menos os buracos. Portanto, a escolha do descritor depende da forma de interesse. Ambos se mostram úteis em inspeção industrial e reconhecimento de caracteres.
descritores de textura (glcm, histogramas de gradientes)
A textura descreve a variação espacial dos níveis de cinza. A matriz de co-ocorrência (GLCM) representa um descritor estatístico clássico. Ela conta quantas vezes pares de intensidades ocorrem juntos. A partir da GLCM, calculamos contraste, homogeneidade e energia. O HOG (Histogram of Oriented Gradients) representa outro descritor famoso. Ele conta a ocorrência de orientações de gradiente em regiões locais. Por exemplo, o HOG se destaca na detecção de pedestres. Descritores de textura são amplamente usados em imagens de sensoriamento remoto. Eles ajudam a diferenciar floresta de área urbana. Consequentemente, a análise de textura desempenha papel fundamental na medicina e na agricultura de precisão.