图像特征的选择与提取

《图像特征的选择与提取》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、图像特征的选择与提取刘旭图像识别一般包括图像预处理、图像特征提取、图像特征选择和图像分类4个步骤。目录1.论述2.图像特征3.提取方法3.基本任务求出一组对分类最有效的特征，即从众多特征中找出最有效的特征。特征提取(FeatureExtraction)图像原始特征的数量很大，或者说原始样本处于一个高维空间中，通过映射或变换的方法可以将高维空间中的特征描述用低维空间的特征来描述，这个过程就叫特征提取。图像特征常见的目标特征分为灰度（颜色）、纹理和几何形状特征等。其中，灰度和纹理属于内部特征，几何形状属于外部特征。纹理特征几何特

2、征，判断凹凸选取的特征应具有如下特点：可区别性可靠性独立性好数量少对尺寸、变换、旋转等变换尽可能不敏感颜色特征的描述颜色特征和图像的大小、方向无关，而且对图像的背景颜色不敏感，因此颜色特征被广泛应用于图像识别。颜色特征中包括颜色直方图、颜色相关图、颜色矩等。颜色特征8.2.1颜色矩8.2.2颜色直方图8.2.3颜色聚合向量8.2.4颜色相关图颜色矩（ColorMoments）颜色矩是一种图像的颜色特征，可以用来描述图像的颜色分布信息。由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩(mean)、二阶矩(

3、Variance)和三阶矩(Skewness)就足以表达图像的颜色分布。一阶矩(mean)设P(j,i)为图像的第j个像素的第i个颜色分量值，一阶矩为：即表示待测区域的颜色均值。二阶矩(Variance)表示待测区域的颜色方差，即不均匀性。三阶矩(Skewness)三阶矩反映颜色的不对称性。如果图象颜色完全对称，其值应为零。颜色直方图（ColorHistogram）颜色直方图是在许多图像识别系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。

4、计算颜色直方图需要将颜色空间划分成若干个小的颜色区间(每个小区间称为直方图的一个bin),这个过程称为颜色量化。然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。颜色直方图设一幅图像包含M个像素，图像的颜色空间被量化成N个不同颜色。颜色直方图H定义为：pi=hihi为第i种颜色在整幅图像中具有的像素数。归一化为：pi=hi/M颜色直方图可以是基于不同的颜色空间和坐标系。最常用的颜色空间是RGB颜色空间，此外基于HSI空间、Luv空间和Lab空间的颜色直方图。形状特征8.3.1几个基本概念8.3.2区域内部空间域

5、分析8.3.3区域内部变换分析8.3.4区域边界的形状特征描述提取方法点特征提取线特征提取区域分割点特征提取点特征主要指图像中的明显点，如房屋角点、圆点等.用于点特征提取得算子称为有利算子或兴趣算子二值图像的边缘特征提取二值图像边缘特征提取的过程实际上是寻找像素灰度值急剧变化的位置的过程，并在这些位置上将像素值置为“1”，其余位置上的像素值置为“0”，从而求出目标的边界线。二值图像的边缘特征提取是用数学算子实现的，如Sobel、Prewitt、Kirsch、拉普拉斯等多种算子。这些算子都是以一个3×3的模板与图像中3×3的区

6、域相乘，得到的结果作为图像中这个区域中心位置的边缘强度。在计算出图像中每一个像素的边缘强度后，将边缘强度大于一定值的点提取出来，并赋以像素值“1”，其余赋以像素值“0”。设f(i,j)是(i,j)处的像素值，(i,j)位置处的边缘强度通常用差分值或其函数来表示。简单的差分算法有：x方向差分值：△xf(i,j)=f(i,j)-f(i,j-1)y方向差分值：△yf(i,j)=f(i,j)-f(i-1,j)边缘强度=

7、△xf(i,j)

8、+

9、△yf(i,j)

10、或=△x2f(i,j)+△y2f(i,j)，线特征提取线特征包括影像的“边

11、缘”与“线”。“边缘”通常定义为影像局部特征不相同的那些区域间的分界线，表现为局部影像的不连续，例如呈现出灰度级的突变，纹理结构突变等。而“线”则可以认为是具有很小宽度的，其中间区域具有相同的影像特征的边缘对，也就是距离很小的一对边缘构成一条线。边缘检测边缘检测试抽取边缘轮廓信息并用于区域分割，边缘检测和区域分割具有互补性。在边缘检测中提取不连续部分的特征，根据闭合的边缘求区域：在区域中把图像分割成特征相同的连续区域，将区域间的边界定义为边缘。线检测用于线检测的算法有多种，如光栅跟踪、全向跟踪和hough变换等。不同算法有其

12、各自的适用场合。光栅跟踪用于一般曲线的检测，全向跟踪主要用于对工程图纸中的标准曲线的检测。三、区域分割把图像分割成特征相同的互不重叠的连续区域叫做区域分割。图像的二值化处理还是区域分割的最常用方法1颜色或灰度的统计特征2纹理、边缘特征;3代数特征;4变换系数特征或滤波器系数特征