是一种监督学习的降维技术，也就是说它的数据集的每个样本都是有类别输出的，这点与PCA（无监督学习）不同。LDA试图找到两类物体或事件的特征的一个线性组合，以能够特征化或区分它们。
LDA是对费舍尔的线性鉴别方法的归纳，使用统计学、模式识别和机器学习方法。 LDA可以用于分类、降维等领域。
应用场景
LDA在模式识别领域（比如人脸识别，舰艇识别等图形图像识别领域）中有非常广泛的应用。
此外，LDA还可以用来识别大规模文档集或语料库中潜藏的主题信息
优缺点
LDA是一种线性判别分析方法，它可以用于数据预处理，以减少特征的数量，就像PCA一样降维，显着降低了计算成本。LDA也可以非常有效地处理多个分类问题。
LDA算法的主要优点有：
在降维过程中可以使用类别的先验知识经验，而像PCA这样的无监督学习则无法使用类别先验知识。LDA在样本分类信息依赖均值而不是方差的时候，比PCA之类的算法较优。
LDA算法的主要缺点有：
LDA不适合对非高斯分布样本进行降维，PCA也有这个问题。LDA降维最多降到类别数k-1的维数，如果我们降维的维度大于k-1，则不能使用LDA。
如何使用
如果你想使用LDA，
你需要先安装Python和一些必要的库，例如numpy、pandas、matplotlib和scikit-learn。
接下来，你需要导入数据集并将其分为训练集和测试集。
然后，你可以使用scikit-learn库中的LDA类来拟合模型并进行预测。
尺度不变特征变换（SIFT）
SIFT算子是一种用于图像特征提取的算法，全称为尺度不变特征变换（Scale-invariant feature transform，SIFT）。它在尺度空间中寻找极值点，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。
应用场景
SIFT算子的应用场景包括物体辨别、机器人地图感知与导航、影响拼接、3D模型建立、手势识别、影像追踪等。
其中，物体辨别是SIFT算法最常用的应用之一，它可以在不受光照变化和尺度变化的情况下，对物体进行辨别。
优缺点
SIFT算子的优点
特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；
SIFT算子的缺点
实时性不高，并且对于边缘光滑目标的特征点提取能力较弱，不够优化。如果您需要更快速的算法，可以考虑使用SURF算法。
如何使用
SIFT算法的主要步骤包括：尺度空间极值检测、关键点定位、方向确定、关键点描述和匹配。
SIFT算子与SURF算子
SIFT算子和SURF算子都是计算机视觉中的特征点检测算法。
SIFT算法是一种尺度不变的特征检测算法，对于旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱，不够优化。
SURF算法是SIFT算法的增强版，它的计算量小，运算速度快，提取的特征与SIFT几乎相同
SURF算子（Speeded-Up Robust Features）
是一种稳健的局部特征点检测和描述算法，是对SIFT算法的改进。SURF算法在保持SIFT算法优良性能特点的基础上，同时解决了SIFT计算复杂度高、耗时长的缺点，对兴趣点提取及其特征向量描述方面进行了改进，且计算速度得到提高。
应用场景
SURF算法的应用场景包括图像匹配、物体识别、三维重建、运动跟踪等。
SURF算法在保持SIFT算法优良性能特点的基础上，同时解决了SIFT计算复杂度高、耗时长的缺点，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。
如何使用
SURF算子的使用步骤如下：
- 定义SURF对象：cv2.xfeatures2d.SURF_create()
- 检测关键点：detector.detect(img,None)
- 计算描述符：kp,des = detector.compute(img,kp)
- 可视化关键点：cv2.drawKeypoints(img,kp,img,color=(255,0,255))
其中，第一步是定义SURF对象，第二步是检测关键点，第三步是计算描述符，第四步是可视化关键点。
HOG特征提取算法
是一种图像特征提取算法，全称为方向梯度直方图（Histogram of Oriented Gradient），发表于2005年的CVPR。它是一种用于表征图像局部梯度方向和梯度强度分布特性的描述符，用于解决人体目标检测的图像描述子。
HOG特征描述算法主要用于物体检测和行人检测等任务。HOG特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。除此之外，HOG特征也被应用于人脸检测、车辆检测、手势识别等领域。
应用场景
行人检测：由于HOG特征能够反映人体的轮廓，并且它对图像中的人体的亮度和颜色变化不敏感，在其检测方面有优良的性能；
车辆检测：由于HOG特征对光照的不敏感、即使存在部分遮挡也可检测出来，在各种复杂的交通路和停车场所，有很好的鲁棒性；
跟踪：HOG特征在跟踪具有明显边沿轮廓的运动目标时表现良好。
优缺点
优点：
- 对图像几何和光学形变都保持良好的不变性；
- 对于刚性物体的特征提取就有良好的特性；可以忽略细微的动作而不影响检测效果。
缺点：
特征维度大（63x128图片的特征维度有3780个）；
计算量大；
无法处理遮挡。
如何使用
HOG特征提取算法的主要步骤包括：
将输入样本缩放为：64 x 128，把样本图像分割为8 x 8像素的单元（cellsize），把梯度方向平均划分为9个区间（bin），在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，每相邻的4个单元构成一个块（blocksize），把一个块内的特征向量联起来得到36维的特征向量，用块（blocksize）对样本图像进行扫描，扫描步长（blockstride）为一个单元（cellsize）。
LBP算法
