| 失效链接处理 |
|
图象特征提取 PDF 下载
本站整理下载：
提取码：f4cb
相关截图：
主要内容：
图象特征提取
特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图
像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上
的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
特征的定义
至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应
用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算
法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提
取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相
同的。
特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的
第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一
个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提
取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通
过局部导数运算来计算图像的一个或多个特征。
有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一
个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。
由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量
特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也
非常不同。
边缘
边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形
状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大
的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个
更完善的边缘的描写。这些算法也可能对边缘提出一些限制。
局部地看边缘是一维结构。
角
角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘
检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需
要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样
有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。
区域
与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能
仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测
图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像
缩小，然后在缩小的图像上进行角检测。
脊
长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，
此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边
缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它
被用来分辨血管。
特征抽取
特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处
理的计算机。其结果被称为特征描述或者特征向量。
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
一 颜色特征
（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的
表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的
像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，
所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查
询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最
常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步
借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的
信息。
（二）常用的特征提取与匹配方法
（1） 颜色直方图
其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整
幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物
体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩
所处的空间位置，即无法描述图像中的某一具体的对象或物体。
最常用的颜色空间：RGB 颜色空间、HSV 颜色空间。
颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色
表法、累加颜色直方图法。
（2） 颜色集
颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信
息。颜色集是对颜色直方图的一种近似首先将图像从 RGB 颜色空间转化成视觉
均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色
彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量
来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同
图像颜色集之间的距离和色彩区域的空间关系
（3） 颜色矩
这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。
此外，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（variance）和三阶矩（skewness）就足以表达图像的颜色
分布。
（4） 颜色聚合向量
其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的
某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合
像素，否则作为非聚合像素。
（5） 颜色相关图
二 纹理特征
（一）特点：纹理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景
物的表面性质。但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点的特征，它需要在包含多个像素点的区域中进行统
计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的
偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对
于噪声有较强的抵抗能力。但是，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候，所计算出来的纹理可能会有较大偏差。另外，由于有
可能受到光照、反射情况的影响，从 2-D 图像中反映出来的纹理不一定是 3-D
物体表面真实的纹理。
例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的
变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些
虚假的纹理会对检索造成“误导”。
在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一
种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时
候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。
（二）常用的特征提取与匹配方法
纹理特征描述方法分类
（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方
法 Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实
验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中
另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特
征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数
（2）几何法
所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹
理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以
一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：
Voronio 棋盘格特征法和结构法。 （3）模型法
模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的
方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随
机场模型法
（4）信号处理法
纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回
归纹理模型、小波变换等。
灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参
数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出 6 种属性，
即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型
（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种
应用实例。
|
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
