第10章 - 图像表示 III.pdfVIP

数字图像处理 第10章 图像表示、描述与识别 基本概念（Foundmentals） 基本概念（Foundmentals） 10.1 颜色描述（Color Discriptors） （ 10.1 颜色描述 Color Discriptors） 10.2 纹理描述（Texture Descriptors ） 10.2 纹理描述（Texture Descriptors ） 10.3 边界描述（Boundary Descriptors） 10.3 边界描述（Boundary Descriptors） 10.4 区域描述（Regional Descriptors） 10.4 区域描述（Regional Descriptors） 实例 1 ：中国车牌特征 中国车牌种类多样，下面以大陆小汽车车牌为例进 行说明：  车牌尺寸：440 ×140mm，（长宽比）用于车牌定位；  车牌颜色：蓝底白字，用于车牌定位；  车牌内容：通过识别文字（纹理），进行车牌识别， –汉字：30+， –英文字符：A~Z， –数字：0~9 实例2：硬币的特征 材料、颜色 尺寸 重量 图案 一元币 钢芯镀镍，直径25.00毫米，边厚1.85毫米， 单枚质量6.05克。 五角币 黄铜合金，直径20.50毫米，边厚1.65毫米， 单枚质量3.80克。 一角币 铝合金， 直径22.50毫米，边厚2.40毫米， 单枚质量2.20克。 五分硬币 直径24毫米，边厚1.65毫米。 二分硬币 直径21毫米，边厚1.25毫米。 一分硬币 直径18毫米，边厚1.25毫米 基本概念（Foundmentals） 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。 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。 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 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。 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：能够代表图像的某些特征； 可靠性高：受噪声等影响小； 独立性好：相互之间影响/关联小； 数量少（维数低）：降低计算量和存储量。 特征的应用 车牌识别：寻找车牌特征； 硬币自动分类：寻找不同硬币特征； 手写数字识别； 指纹识别：寻找指纹特征； 肿瘤识别； 等等。 特征提取项目实例 1-3 ：对象描述（特征提取） 数字描述 1.把分割出来的数字图像缩放至统一大小 （如70x50）； 2.把缩放之后的图像分割成7*5=35个子 区域； 3.计算每个小区域图像像素的平均值，放 入一个长度为35的35维向量（数组） 中，此向量就是每个数字的特征。 4.依次对每张数字的图像进行上述操作， 即可得到每张数字样本图像的35维特征 向量。 特征提取项目实例 1-4 ：对象识别 识别器输入 –分割之后数字图像的特征：35维向量； 识别方法 –使用分类器，如支持向量机（SVM），神经网络等； 识别步骤 –把35维的特征向量输入到分类器，分类器通过计算输 出识别结果； 分类器使用方法 –