最新[计算机]红外图像特征提取方法研究课件ppt.ppt

《最新[计算机]红外图像特征提取方法研究课件ppt.ppt》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、[计算机]红外图像特征提取方法研究红外图像：反应物体的热辐射差。红外目标检测与识别包括：图像预处理，图像特征提取，图像特征选择，图像分类红外目标识别的特征：1.颜色或灰度的统计特征2.纹理，边缘特征3.图像代数特征4.图像变换系数特征一.颜色或灰度的统计特征提取颜色(灰度）直方图是实践中最常用的图像统计特征.设s（xi）为图像P的某特征值为xi的像素的个数直方图1.空间自相关法对于大小为MxN的图像f(x,y),其中x=0,1，2…M-1;y=0,1，2…N-1,空间自相关函数定义为空间自相关函数用来描述纹理的粗

2、糙程度。2.共生矩阵法灰度共生矩阵特征于1973年由Haralick等首次提出，设（x,y)为图像中任意一点,(x+a,y+b)为其扰动点,它们形成一个点对，设其灰度值为(i,j)，固定a,b，令(x,y)在图像上移动，可得到不同的(i,j)值.若图像的灰度级为L，则i与j的组合共有L*L种.在整幅图像中，统计出每一种(i,j)值出现的次数，再将它们归一化为出现的概率P(i,j),则方阵P(i,j)称为灰度共生矩阵.利用灰度共生矩阵可得到描述纹理特征的统计量，常用的有对比度、能量、嫡等7个特征.2）图像边缘是指图

3、像灰度发生空间突变或者在梯度方向上发生突变的像素的集合。图像边缘特征提取方法大致可分为:基于经典微分边缘检测算子的提取方法、多尺度边缘检测方法、模糊增强边缘检测方法等.1.经典微分边缘检测算子的提取方法又分为一阶微分边缘检测算子方法和二阶微分边缘检测算子方法.有代表性的一阶微分边缘检测算子包括:Roberts算子、Sobel算子、Preivitt算子、Robinson算子和Canny算子等.Canny算子无论在定位精度还是抗噪声方面，明显优于其他的一阶微分边缘检测算子.Canny算子求边缘点具体算法步骤如下：1.

4、）用高斯滤波器平滑图像．2.）用一阶偏导有限差分计算梯度幅值和方向.Gx=[f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)]/2Gy=[f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)]/23.）对梯度幅值进行非极大值抑制．仅得到全局的梯度并不足以确定边缘，为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。4.）用双阈值算法检测和连接边缘．对非极大值抑制图像作用两个阈值th1和th2，两者关系th1=0.4th2。我们把梯度值小于th1的像素的灰度值设为0，得到图

5、像1。然后把梯度值小于th2的像素的灰度值设为0，得到图像2。对图像2进行扫描，当遇到一个非零灰度的像素p(x,y)时，跟踪以p(x,y)为开始点的轮廓线，直到轮廓线的终点q(x,y)。考察图像1中与图像2中q(x,y)点位置对应的点s(x,y)的8邻近区域。如果在s(x,y)点的8邻近区域中有非零像素s(x,y)存在，则将其包括到图像2中，作为r(x,y)点。从r(x,y)开始，重复第一步，直到我们在图像1和图像2中都无法继续为止。步骤1：步骤2：2.多尺度边缘检测的思想最初是山Rosenfcld提出的，因为图

6、像边缘就是一维图像中奇异点的集合，而多尺度变换如小波变换的模极大值点对应于图像信号的奇异点，因此通过对原始图像作多尺度分解，然后检测这此模极大值点可以确定图像的边缘。3.胡学娟等提出来二次样条小波提取边缘算法，该算法和Canny算子类似，都是先对图像进行平滑，再检测其模极大值但滤波器系数简单，计算量小，且可以对图像进行多尺度的边缘检测，对近红外图像进行功缘特征提取具有很好的效果。三.图像代数特征提取代数特征反映的是图像的一种内在属性.从表示图像的矩阵中提取出的特征称为代数特征.图像代数特征的提取是以存储图像数据的

7、数据结构为基础，利用矩阵理论提取图像特征的一种方法.主成分分析(PCA)、线性判据分析(LDA)、独立成分分析(ICA)和奇异值分解(SVD)是这种方法的典型代表.1.PCA在数字图像处理中也称为Hotelling变换，而在通信理论中称为K-L变换.PCA己广泛应用于数据压缩、图像处理、模式识别等领域.2.ICA最早是作为一种自源信号分离工具由Jutten和Herault提出的.通过PCA提取的图像特征是一种全局特征，为了更好地表小图像的特征，尤其是图像的局部特征，Bartlett和Sejnowski提出了用IC

8、A提取图像特征，就图像特征提取来说，ICA与PCA相比有下列优点.1)ICA具有高阶去相关特性，而PCA只具有一阶去相关特性;2)ICA具有比PCA较强的图像局部特征表小能力;3)通过ICA提取的图像特征具有较强的不变性.4.SVD是最重要的矩阵分解方法之一，它在信号处理、控制论、数据建模等许多领域都有重要应用.SVD方法提取出的特征具有许多优点，如稳定性，旋转、平移不变