第周周二实验四图像压缩编码周五运动会不上课第.pptVIP

第10周 周二 实验四 图像压缩编码 周五 运动会，不上课 第11周 周二 上课（复习） 周五 五一放假 第12周 周二 实验五 手写体邮政编码识别 周五 （5月8日）考试：13：15 - 15：15 三教107  7-2 纹理特征提取  纹理特征提取 描述一块图象区域的纹理有三种主要的方法，统计分析方法、结构分析方法和频谱分析方法。 纹理特征提取 统计方法 Statistical approach 有基于图像灰度直方图的矩分析法、灰度共生矩阵法、灰度行程和自回归模型。 统计方法将纹理描述为光滑、粗糙、粒状等等。 纹理特征提取 结构方法 Structural approach 研究基元及其空间关系。基元一般定义为具有某种属性而彼此相连的单元的集合，属性包括灰度、连通区域的形状、局部一致性等。空间关系包括基元的相邻性、在一定角度范围内的最近距离等等。根据基元间的空间联系，纹理可以分为弱纹理或强纹理。进一步细分，可以根据基元的空间共生概率来划分，也可以根据单位面积内的边缘数来区别。 纹理特征提取 频谱方法 Spectral approach 根据傅立叶频谱，根据峰值所占的能量比例将图象分类。包括计算峰值处的面积、峰值处的相位、峰值与原点的距离平方、两个峰值间的相角差等手段。 灰度共生矩阵法 The Gray-level Co-occurrence Matrix 共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。 The Gray-level Co-occurrence Matrix 定义：位置算子 The Gray-level Co-occurrence Matrix 假设给定如下的仅具有3个灰度级的图象区域，分别记数符合上述位置算子的象素空间组合的数目形成频度矩阵，再将其归一化，即除以符合位置关系的总数就得到共生矩阵。共生矩阵的阶数与图象的灰度级别数相等。 The Gray-level Co-occurrence Matrix The Gray-level Co-occurrence Matrix The Gray-level Co-occurrence Matrix 纹理的统计特征 基于共生矩阵的纹理特征 选择合适的位置算子，计算出 共生矩阵，然后可以计算如下的 纹理描述特征： 傅立叶频谱法—将二维频谱转化为一维图像 傅立叶频谱法 7-3 颜色特征提取 引言 人眼对彩色的分辨率大大高于对黑白图像的分辨率。彩色图像所带的信息，远远大于灰度图像。因此，在计算机图像处理中，颜色的特征提取占有很重要的地位。 颜色特征提取 为减少真实彩色所带来的海量数据，前人提出采用R、G、B （三基色波长（CIE）Blue: 435.8nm, Green: 546.1nm, Red: 700nm）相加法实现自然色彩的表示、传输与还原。 颜色特征提取 颜色表示系统 虽然RGB系统广泛应用于电视传输、彩色成象，但RGB系统与人眼对颜色的识别方式还是有一定的差距的。常用的彩色表示系统还有HSV、YCrCb、YUV、YES等。 颜色特征提取 HSV颜色模型 根据人眼对颜色感知的视觉特性，RGB颜色空间可以变换到HSV（Hue, Saturation, Value）色彩空间，即在此空间一点的颜色可以由色度、饱和度和亮度值来表示。HSV空间可以用一个锥体表示 . 颜色特征提取 从RGB空间到HSV空间的转换关系如下 颜色特征提取 由HSI变换为RGB坐标的公式如下 颜色特征提取 应用：人脸识别中的人脸分割 通过对实验室的环境下人脸肤色块图像的统计，得到人脸肤色在不同的颜色空间分布如下： 颜色特征提取 颜色特征提取 用肤色模型进行人脸分割及实验结果 HSV颜色空间比RGB空间更加接近人眼睛对颜色的感知机理，它分离了颜色的亮度和色度信息，因此选择HSV颜色模型作为肤色模型空间。 通过实验选择HSV肤色模型的参数如下：　　　 　　　H[0, 0.139][0.944, 1]，S[0.15, 0.68] 　　　利用此参数对一张在实验室照的照片进行肤色区域的分割，对分割的结果应用高斯低通滤波器消除一些面积很小的连通区域。分割结果如图(b)所示，滤波和填充连通区域后的结果如图(c)所示： 颜色特征提取 (a)原始图像 (b)分割图像 (c)滤波填充后图像 开