图像特征提取与剖析1.ppt

第8章 图像特征提取与分析 本章重点： 图像特征及特征提取的基本概念。 常见的图像特征提取与描述方法，如颜色特征、纹理特征和几何形状特征提取与描述方法。 8.1 基本概念 8.2 颜色特征描述 8.3 形状特征描述 8.4 图像的纹理分析技术 8.5 小结 8.1 基本概念 目的 让计算机具有认识或者识别图像的能力，即图像识别。 特征选择是图像识别中的一个关键问题，将直接影响到图像识别分类器的设计，性能及其识别结果的准确性。 特征选择和提取的基本任务是如何从众多特征中找出最有效的特征。 8.1 基本概念 特征形成 根据待识别的图像，通过计算产生一组原始特征，称之为特征形成。 特征提取 原始特征的数量很大，或者说原始样本处于一个高维空间中，通过映射或变换的方法可以将高维空间中的特征描述用低维空间的特征来描述，这个过程就叫特征提取 。 8.1 基本概念 特征选择 从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程就叫特征选择。 选取的特征应具有如下特点： 可区别性 可靠性 独立性好 数量少 特征提取与选择总原则：尽可能减少整个识别系统的处理时间和错误识别率，当两者无法兼得时，需作出平衡。 8.2 颜色特征描述 颜色特征反映彩色图像的整体特征，一幅图像可以用它的颜色特性近似描述。 根据颜色与空间属性的关系，颜色特征的表示方法可以有颜色矩、颜色直方图、颜色相关等几种方法。 8.2.1 颜色矩 颜色矩是以数学方法为基础的，通过计算矩来描述颜色的分布。 颜色矩通常直接在RGB空间计算 颜色分布的前三阶矩表示为： 一阶-颜色分量的平均强度；二、三阶—方差和偏移度。 8.2.2 颜色直方图 描述了图像颜色分布的统计特性。 设一幅图像包含M个像素，图像的颜色空间被量化成N个不同颜色。颜色直方图H定义为： 第i种颜色在整幅图像中具有的像素数。 归一化为： 8.2.2 颜色直方图 由于RGB颜色空间与人的视觉不一致，可将RGB空间转换到视觉一致性空间。除了转换到前面提及的HSI空间外，还可以采用一种更简单的颜色空间： 彩色图像变换成灰度图像的公式为： 8.3 形状特征描述 形状特征描述是在提取图像中的各目标形状特征基础上，对其进行表示。它是进行图像识别和理解的基础。 图像经过边缘提取和图像分割等操作，就会得到景物的边缘和区域，也就获得了景物的形状。 任何一个景物形状特征均可由其集合属性（如长短、面积、距离、凹凸等）和统计属性（连通、欧拉数）来进行描述。 8.3.1 几个基本概念 邻域与邻接 对于任意像素(i,j),(s,t)是一对适当的整数，则把像素的集合{(i+s,j+t)}叫做像素(i,j)的邻域. 直观上看，这是像素(i,j)附近的像素形成的区域. 最经常采用的是4-邻域和8-邻域 邻域与邻接 互为4-邻域的两像素叫4-邻接。 互为8-邻域的两像素叫8-邻接。 对于图像中具有相同值的两个像素A和B，如果所有和A、B具有相同值的像素序列 存在，并且 和 互为4-邻接或8-邻接，那么像素和叫做4-连接或8-连接，以上的像素序列叫4-路径或8-路径。 在图像中，把互相连接的像素的集合汇集为一组，于是具有若干个0值的像素和具有若干个l值的像素的组就产生了。把这些组叫做连接成分，也称作连通成分。 在研究一个图像连接成分的场合，若1像素的连接成分用4-连接或8-连接，而0像素连接成分不用相反的8-连接或4-连接就会产生矛盾。 假设各个1像素用8-连接，则其中的0像素就被包围起来。如果对0像素也用8-连接，这就会与左下的0像素连接起来，从而产生矛盾。因此0像素和1像素应采用互反的连接形式，即如果1像素采用8-连接，则0像素必须采用4-连接。 在0-像素的连接成分中，如果存在和图像外围的1行或1列的0-像素不相连接的成分，则称之为孔。不包含有孔的1像素连接成分叫做单连接成分。含有孔的l像素连接成分叫做多重连接成分。 区域内部空间域分析是不经过变换而直接在图像的空间域，对区域内提取形状特征。 1.欧拉数 图像的欧拉数是图像的拓扑特性之—，它表明了图像的连通性。下图 (a)的图形有一个连接成分和一个孔，所以它的欧拉数为0，而下图（b）有一个连接成分和两个孔，所以它的欧拉数为-1。 可见通过欧拉数可用于目标识别。 用线段表示的区域，可根据欧拉数来描述。如下图中的多边形网，把这多边形网内部区域分成面和孔。如果设顶点数为W，边数为Q，面数为F，则得到下列关系，这个关系称为欧拉公式。