图像特征提取方法.docVIP

图像特征提取方法 摘 要 ? 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。 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。Fourier变换、窗口Fourier变换（Gabor)、小波变换、、由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果W W 现在，平均梯度方向 ∈[0，180]可以由下面的公式得到： r l80， DFx=0 and DFx=0 o(x，Y)={[l80 DF ． (7) — — 丽， m№M 因此，边界方向直方图可以定义为： H(k)：H(k)+1，／f ( ，Y)：k and k∈ [0，180] (8) = 180是一个特例．它并不意味着像素的边界方向是水平方向且与 =0的相同．它表示在这个像素的周。 围没有亮度变化．边界方向直方图之间距离D 的计算采用与上面颜色直方图距离之间的相同的计算公式(3)而得到。 (2) 基于PCA的图像数据特征提取 　主成分分析 （ Principal Component Analysis ， PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。,已远远不能满足人们的需要,近年来,国际上广泛开展了基于内容的图像检索(CBIR) 的研究,CBIR 是指根据图像的颜色、形状、纹理等特征以及这些特征的组合来查询图像,是计算机图像处理和数据库技术的有效结合。颜色是彩色图像的最显著特征之一。因此,基于颜色的查询是基于内容的图像检索中最基本的方法。这种查询可针对任何类型的彩色图像。目前,人们已提出了许多种借助于颜色特征对图像进行检索的方法。这些方法常用的彩色空间有RGB 和HSV ,提取的主要特征是颜色直方图。常用的计算直方图之间距离的方法有直方图相交法、距离法等，以直方图作为图像的颜色特征进行图像检索,需存储大量的冗余特征信息,不能精确而简洁地描述图像。本文提出了一种基于HSV 颜色模型,利用主元分析法(PCA) 对图像的颜色进行特征