machinevision重点.ppt

特征提取 姓名： 专业：软件工程 学号： 基本概念 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。 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。 灰度值特征 灰度值：指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0，故黑白图片也称灰度图像，在医学、图像识别领域有很广泛的用途。 灰度值特征：顾名思义，就是灰度值所具有的一些特性。常见的有：最大、最小灰度值，灰度值的平均值，灰度值的方差，灰度值直方图、累积直方图等。 最大灰度值和最小灰度值 灰度值方差 灰度直方图和累积直方图 灰度值的矩 所有基于矩的的灰度值特征与相应的基于矩的区域特性非常相似。如果我们使用区域的特征函数作为灰度值时，灰度值矩就简化为区域矩。 特征函数可以被解释为某像素对于此区域是否具备隶属关系。隶属关系为1时意味着此像素是区域内的，而0表示此像素在区域外。 由于这种判断方法要针对每个像素点都必须做一次硬性判断，因此这种办法是脆弱的。 基于上述所述，人们使用一个“软的”或”模糊的“判断来描述像素是否在区域内，这样我们对隶属于区域的程度进行编码，编码使用的数∈[0,1]。 把图像看作为一个模糊集合的好处是我们不必对一个像素点是否属于某物体做出硬性判断，而是用模糊隶属关系值确定此像素属于此物体的百分比程度。这让我们能在测定物体的位置和尺寸时更准确，特别是测定小的物体时。因为在前景与背景间的过度区域中会存在一些混合像素，这些像素使我们在获取物体几何信息时更准确。 p171给出一个例子，图3.39的模糊隶属关系的灰度值按比例缩放到0~200之间。图中显示了以阈值100进行分割后得到的一个像素精度区域，此区域对应的隶属关系高于0.5，图中显示了两个圆，一个圆的重心和面积是从区域矩获取的，另一个是从灰度值矩中获取的。灰度值矩是在整个图像上计算得到。 可以看出，由于避免了判断某个像素是否属于前景，所以由灰度值矩计算得到的面积和重心更准确。 我们假定摄像机有100%的填充因子且摄像机和图像采集设备的灰度值响应是线性的，那么一个像素与背景的灰度值差异是与物体上被此像素所覆盖的面积成比例的。因此模糊隶属关系定义为： 灰度值低于背景灰度值gmin 的每个像素，他们的隶属关系值都是0。相反，灰度值高于前景灰度值gmax的每个像素，他们的隶属关系为1。灰度值落在此范围中的像素，它们的隶属关系值通过线性插值得到。 由于这一计算过程需要使用浮点图像，所以通常将隶属关系值按比例放到一个b位整数图像上，一般是8位整数图像。 当我们使用此方式来按比例缩放隶属关系图像时，灰度值面积必须除以最大灰度值，比如除以255，以得到真正的面积。 归一化处理后的灰度值矩和中心灰度值矩无需调整，因为由定义可知，它们在灰度值缩放时是恒定不变的。 p173图3.40给出了应用上述理论分析BGA焊点的实例。 轮廓特征 形状特征 在计算机视觉中,轮廓特征点的提取有着十分重要的意义.轮廓特征点包括角点、切点、和拐点,其中角点是目标轮廓线上曲率超过一定阈值的局部极大值点,切点是圆弧和直线的平滑过渡点,拐点是凹圆弧和凸圆弧的平滑过渡点.由于它们对目标形状起着决定作用,一旦找到了目标的这些轮廓特征点也就大致掌握了目标的形状.因此在形状表征、形状分析、图像匹配及目标识别中,角点、切点及拐点是最基本的表征目标形状的特征基元。 角点 角点是目标轮廓上曲率的局部极大点，对掌握目标的轮廓特征具有决定作用，一旦找到了目标的轮廓特征也就大致掌握了目标的形状。 角点特征是图像的重要特征，在各种图像特征中角点具有旋转不变性和不随光照条件改变而改变的优点，在一些应用中使用角点特征进行处理，可以减少参与计算的数据量，同时又不损失图像的重要灰度信息，利用角点特征进行匹配可以大大提高匹配的速度。 什么是角点 目前关于角点的具体定义和描述主要有如