图像特征提取综述..docx

图像特征提取的定位是计算机视觉和图像处理里的一个概念，表征图像的特性。输入是一张图像（二维的数据矩阵），输出是一个值、一个向量、一个分布、一个函数或者是信号。提取特征的方法千差万别，下面是图像特征的一些特性：边缘边缘是两个区域边界的像素集合，本质上是图像像素的子集，能将区域分开。边缘形状是任意的，实践中定义为大的梯度的像素点的集合，同时为了平滑，还需要一些算法进行处理。角顾名思义，有个突然较大的弧度。早起算法是在边缘检测的基础上，分析边缘的走向，如果突然转向则被认为是角。后来的算法不再需要边缘检测，直接计算图像梯度的高度曲率（合情合理）。但会出现没有角的地方也检测到角的存在。区域区域性的结构，很多区域检测用来检测角。区域检测可以看作是图像缩小后的角检测。脊长形的物体，例如道路、血管。脊可以看成是代表对称轴的一维曲线，每个脊像素都有脊宽度，从灰梯度图像中提取要比边缘、角和区域都难。特征提取检测到特征后提取出来，表示成特征描述或者特征向量。常用的图像特征：颜色特征、纹理特征形状特征空间关系特征。1.颜色特征1.1特点：颜色特征是全局特征，对区域的方向、大小不敏感，但是不能很好捕捉局部特征。优点：不受旋转和平移变化的影响，如果归一化不受尺度变化的影响。缺点：不能表达颜色空间分布的信息。1.2特征提取与匹配方法（1）颜色直方图适用于难以自动分割的图像，最常用的颜色空间：RGB和HSV。匹配方法：直方图相交法（相交即交集）、距离法、中心距法、参考颜色表法、累加颜色直方图法。对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。常见的直方图有两种：统计直方图，累积直方图。我们将分别实验两种直方图在图像聚类和检索中的性能。?统计直方图???????为利用图像的特征描述图像，可借助特征的统计直方图。图像特征的统计直方图实际是一个1-D的离散函数，即：???????上式中k代表图像的特征取值，L是特征可取值个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数，一个示例如下图：其中有8个直方条，对应图像中的8种灰度像素在总像素中的比例。累积直方图?图像特征统计的累积直方图也是一个1-D的离散函数，即：?上式的各个参数含义同前，与上图对应的累积直方图见下：直方图间的距离可使用一般的欧式距离函数来衡量：???????我们可以实验多种相似性度量准则，研究它们之间的差异，找出对于某类图像，那种相似性度量能更加准确的描述两幅图像之间的相似程度。?（2）颜色集近似于颜色直方图。将RGB颜色空间转换为视觉均衡的颜色空间（如HSV空间）将空间量化成若干个bin。将图像分为若干区域，每个区域用颜色空间的某个颜色分量来索引，从而将图像表达为二进制的颜色索引集。匹配方法：距离法和色彩区域的空间关系。（3）颜色矩数学基础：任何颜色分布可以用矩来表示。由于颜色分布主要在低阶矩，一般用一阶矩（均值）、二阶矩（方差）和三阶矩（偏度：skewness）表示颜色分布。（4）颜色聚合向量核心思想：将属于直方图的每一个bin的像素分成两部分，如果bin内的某些像素的连续面积大于给定阈值，则为聚合像素，否则为非聚合像素。（5）颜色相关图如果用颜色直方图匹配的方法进行图像匹配，在这种情况下：不同的图片直方图分部也是一致的，采用直方图匹配的方法则没有效果。对于直方图这种简单的统计方法，这种情况的存在不可避免。2.纹理特征2.1特点：纹理特征也是全局特征，描述图像的表面性质。纹理特征不是像素点的特征，而是区域进行统计的结果。适用于检索粗细有较大差别的纹理图像。优点：具有旋转不变性，对噪声有较强抵抗能力。缺点：分辨率变化纹理偏差大，受光照、反射的影响。2.2特征提取与匹配方法（1）统计法常用的是灰度共生矩阵分析方法，四个关键特征：能量、惯量、熵和相关性。另一个典型方法是自相关函数（图像的能量谱函数），通过计算图像的能量谱函数，提取纹理的粗细和方向等。Tamura 纹理特征基于灰度共生矩阵，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。（2）几何法建立在基本的纹理元素上的方法。但由于图像分割困难，不太常用。比较有影响的算法有：Voronio棋盘格特征法和结构法。（3）模型法以图像的构造模型为基础，模型的参数作为纹理特征。即将图像表示成一个分布，典型方法是随机场模型法，如马尔科夫随机场模型（MRF）和Gibbs随机场模型法。自回归纹理模型（SAR）是马尔科夫随机场模型的一种应用实例。（4）信号处理法将图像表示成信号，然后根据信号进行处理和匹配。3.形状特征3.1特点：基于形状的检索方法可以比较有效利用图像中感兴趣的目标进行检索。缺点：①基于形状的检索方法还缺乏比较完善的数学模型；②目标变形结果不可靠；③对计算时间和存储有较高要求；④特征空间的相似性和人感受到的相似性