东北大学自动化毕业论文之图像特征提取(原创).docVIP

3、图像特征提取 图像处理中最初级的运算就是特征提取。 图像特征提取是图像处理研究中的重要内容，而图像特征提取的关键则是图像特征的描述和定义。 数字图像特征表述是在图像分类技术的基础上形成的，从不同角度可分为不同特征，根据视觉效果可分为文特征（如关键字、注释等）和视觉特征（色彩、纹理、形状、对象表面等）两类；根据属性不同可分为颜色特征、纹理特征、形状特征、空间关系特征等；根据是否经过人为处理可以分为人工特征和自然特征。对于某个特定的图像特征，通常又有多种不同的表达方法。 实际上，图像特征的不同表述方式从不同的角度刻画了图像的某些特性。下面，先分别简单介绍一些由实践证明对图像处理比较有效的特征。 颜色特征是一种全局特征,描述了图像及其图像区域所对应的表面性质，在图像检索中应用最为广泛的视觉特征，主要原因在于颜色往往和所包含的物质或场景相关。此外，与其他的视觉特征相比，图像本身的方向、尺寸、视角对颜色特征影响相对较小。颜色直方图是最常用的颜色特征的表征方法，其优点是不受图像旋转和平移变化的影响，借助归一化该特征还可不受图像尺度变化的影响；其缺点是没有表达出颜色空间分布的信息。 纹理特征是图像的另一种重要的视觉特征，也是一种全局特征，它也描述了图像或图像区域所对应的表面性质。由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素的特征，它需要在包含多个像素的区域中进行统计计算。纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时，计算出来的纹理可能会有较大偏差。 按统计学的观点,由于图像分布具有块状结构,因此各像素间有位置上的相关性,那么可以用信息熵来描述图像形状，也即图像熵。图像熵反映了图像色彩的统计信息，反映了图像的总体概貌,图像熵之间的差别对应着图像之间的视觉差别,可以将图像熵作为表征特征的属性。因此，图像的熵可以作为一种图像特征的表述，对分割、匹配等图像处理有着重要的意义。 大量实验表明, 基于小波分析的能量特征，在一定程度上，能区分图像目标区域和其他区域；对于各种情况下如陆地、海面、天空等自然纹理背景下的目标检测, 该方法具有较好的适应性, 而且能量特征的选取与背景纹理的方向无关。因此，小波分解之后，图像中的信息被分散到各个小波子图中, 能量在各个小波子图上的分布，就可以作为一种对图像特征的很好描述。 在本章中，我们将着重研究那些在图像分割检测技术中所常用的特征提取方法，主要有局部熵、小波提取能量特征和灰度共生矩阵分析纹理特征等方法。 3.1 局部熵特征 3.1.1信息熵 1948年，美国科学家香农(C．E．Shannon)发表了一篇著名的论文《通信的数学理论》，他从通信系统传输的实质出发，对信息做了科学的定义，并进行了定性和定量的描述，他指出，信息是事物存在方式或运动状态的不确定性的描述。其通信系统的模型如下所示： 信 宿 编 码 信 源 解 码 信息通道 噪声干扰 Shannon 借鉴了热力学的概念，把信息中排除了冗余后的平均信息量称为“信息熵”，并给出了计算信息熵的数学表达式。 信息的基本作用就是消除人们对事物的不确定性。信息熵是信息论中用于度量信息量的一个概念。假定X是随机变量x的集合，px表示其概率密度，计算此随机变量的信息熵HX的公式是: HX=-x=1Npxlogp(x) （） 信息熵描述的是信源的不确定性，是信源中所有目标的平均信息量。信息量是信息论的中心概念，将熵作为一个随机事件的不确定性的量度，它奠定了现代信息论的科学理论基础，大大地促进了信息论的发展。 图像处理和分析过程中，为了得到感兴趣的目标，可以用很多方法来处理和分析图像，如灰度共生矩阵法、Markov随机场法、灰度直方图统计法、灰度匹配法、二维傅立叶变换法、6abor变换法、小波变换法和数学形态法等。在灰度共生矩阵研究当中，用于测量灰度级分布随机性的一种特征参数就叫做熵。它的定义为： Hx,y=-x=1My=1Npx,ylogp(x,y) () 其中，p(x,y)表示一对随机变量的联合密度函数，Hx,y表示联合熵。 当矩阵p(x,y)的所有项皆为零时，其熵值最高。除此之外，还有和熵、灰度熵、梯度熵、混合熵等，这也说明了熵是图像的重要特征之一。 3.1.2局部熵 设 f(i,j) 为图像中点x,y 处的灰度，显然f(i,j)≥0，对于一幅 M×N 大小的图像。定义： Hf=-i=1Mj=1Npijlog pij Pij=fi,ji=1Mj=1Nfi,j