中北大学图像处理图像特征提取和分析新.pptVIP

第8章 图像特征提取与分析 本章重点： 图像特征及特征提取的基本概念 常见的图像特征提取与描述方法 引言 在物体从图像中分割出来后，进一步就可以对它的几何特征进行测量和分析，在此基础上可以识别物体，也可以对物体分类，或对物体是否符合标准进行判别，实现质量监控。与图像分割一样，物体测量与形状分析在工业生产中有重要的应用。 引言 例如，能将马铃薯或苹果等农产品按品质自动分类的机器视觉系统，自动计算不规则形状所包含面积的测量系统，将传送带上不同工件自动分类的视觉系统；自动检查一个人的图像特征，判断是 不是某一个人；自动售货机可以识别纸币的面额；在先进的图像处理研究中，已进行指纹图像的自动处理，以代替电子钥匙，并已能够实现人的相貌的自动识别 等等。 本章作为一个简单的实例，以二值图像为对象，提取物体的形状、大小等特征，进而从图像中取出所需的对象，并去除不必要的部分。 引言 引言 图中有几个水果。要想从该图像中把香蕉提取出来，必须告诉计算机要提取什么样的物体。例如，应把香蕉的特征之一——细而长告诉给计算机。也就是说，要指示图像中物体的形状、大小等特征。即告诉计算机要提取的物体是大物体或是圆的、方的等。这时，就 要使用“大小”、“圆度”等表示物体形状的参数。 引言 什么是图像特征？ 就是图像中的物体有什么样的特点。 图像特征是表征一个图像最基本的属性或特征。 图像特征可以是人类视觉能够识别的自然特征；也可以是人为定义的某些特征。 8.1 基本概念 目的 让计算机具有认识或者识别图像的能力，即图像识别。 特征选择是图像识别中的一个关键问题，将直接影响到图像识别分类器的设计，性能及其识别结果的准确性。 特征选择和提取的基本任务是如何从众多特征中找出最有效的特征。 8.1 基本概念 特征形成 根据待识别的图像，通过计算产生一组原始特征，称之为特征形成。 特征提取 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 。 9.1 基本概念 特征选择 从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程就叫特征选择。 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 特征提取与选择总原则：尽可能减少整个识别系统的处理时间和错误识别率，当两者无法兼得时，需作出平衡。 8.2 颜色特征描述 颜色特征反映彩色图像的整体特征，一幅图像可以用它的颜色特性近似描述。 根据颜色与空间属性的关系，颜色特征的表示方法可以有颜色矩、颜色直方图、颜色相关等几种方法。 8.2.1 颜色矩 颜色矩是以数学方法为基础的，通过计算矩来描述颜色的分布。 颜色矩通常直接在RGB空间计算 颜色分布的前三阶矩表示为： 一阶-颜色分量的平均强度；二、三阶—方差和偏移度。 8.2.2 颜色直方图 颜色直方图是最基本的颜色特征表示方法，它反映的是图像中颜色的组成分布，即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下： nk是图像中特征值为k的像素的个数，N是图像像素的总数。 颜色直方图所描述的是不同色彩在整幅图像中所占的比例。它对于图像质量的变化不甚敏感，所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 8.2.2 颜色直方图 由于RGB颜色空间与人的视觉不一致，可将RGB空间转换到视觉一致性空间。除了转换到前面提及的HSI空间外，还可以采用一种更简单的颜色空间： 彩色图像变换成灰度图像的公式为： 8.3 形状特征描述 形状特征描述是在提取图像中的各目标形状特征基础上，对其进行表示。它是进行图像识别和理解的基础。 图像经过边缘提取和图像分割等操作，就会得到景物的边缘和区域，也就获得了景物的形状。 任何一个景物形状特征均可由其集合属性（如长短、面积、距离、凹凸等）和统计属性（连通、欧拉数）来进行描述。 形状特征 物体的形状特征主要包括: 矩形度 宽长比 圆形度 重心 欧拉数 3. 圆形度 圆形度用来刻画物体边界的复杂程度，例如，比较相同面积的圆形和星形，星形等图形要比圆形的周长大的多。因此，提出圆度e来表示物体的形状复杂程度： 举例： 4. 重心 重心是指图像中目标像素位置坐标(xi, yi)(i=0,1,……,n－1)的平均值，可用下式计算： 利用特征参数提取物体 利用特征参数去除噪声 5. 欧拉数 图像的欧拉数是图像的拓扑特性之一，它表明了图像的连通性。下图 (a)的图形有一个连接成分和一个孔，所以它的欧拉数为0，而下图 (b)有一个连接成分和两个孔，所以它的欧拉数为-1。 可见通过欧拉数可用于目标识别。