图像信息表示与特征提取小课件.ppt

第四章 图像信息表示与特征提取 引言 信息和特征是图像理解最近本的处理和分析对象，是完成目标识别，场景分类以及语义分析推理等任务的先决条件。 图像特征依赖于图像内容。特征提取旨在获取图像中视觉特征信息，减少视觉特征数据量。提取特征要尽量反映目标重要的本原特性。 图像特征对图像理解的效果有重要的影响 图像信息表示 图像数据结构 线性表，金字塔结构，图结构以及复杂循环结构 平面曲线链码（Freeman码）常用于进行数据信息的线性表表示 Freeman码 假设简单图像： f =1?????1?????0?????1? 11?????1?????1?????1?????11?????1?????1?????1?????10?????1?????1?????1?????10?????1?????1?????1?????1求其边界： t=boundaries(f,4) t =????[19x2 double] Freeman码 求其Freeman链码（4方向数）： c=fchcode(t{:},4) %注意fchcode的第一个参数是n*2的点集，而边界t是cell类型的c =???x0y0: [1 1]???fcc: [0 3 0 0 1 0 3 3 3 3 2 2 2 1 1 2 1 1]??diff: [3 1 0 1 3 3 0 0 0 3 0 0 3 0 1 3 0 3] ?mm: [0 0 1 0 3 3 3 3 2 2 2 1 1 2 1 1 0 3]????diffmm: [0 1 3 3 0 0 0 3 0 0 3 0 1 3 0 3 3 1] Freeman码 Freeman码 金字塔结构 图像数据结构 金字塔结构 处理和分析多分辨率图像时图像数据存储的一种有效方式。 底层为原图像，每层像素尺寸大小不变，图像尺寸改变，因此，各层有不同分辨率。 金字塔结构 图结构 图结构表述了图像中点，线，面之间的更为复杂的连接关系和空间关系。 为了表示和控制可视模型，可以采用RSE结构，即区域，线段和端点组成的图 基于基函数的图像信息表示 基于基函数的图像信息表示是指设计一副图像的生成模型，然后用生成模型里的成分给出图像的一个“表示” “表示”是指通过某种方式对图像数据进行变换获得，使其本质结构更显著或更容易理解 生成模型与判别模型 令o和s分别代表观察序列（观察值）和标记序列（模型），对o和s进行统计建模，通常有两种方式： (1)生成模型?（产生模型） 构建o和s的联合分布p(s,o) (2)判别模型 （条件概率模型， 条件模型） ? 构建o和s的条件分布p(s|o) 两者皆为概率模型 生成模型和判别模型的区别 1.对于观察序列的处理不同 生成模型中，观察序列作为模型的一部分； 判别模型中，观察序列只作为条件，因此可以针对观察序列设计灵活的特征。 2.是否支持无指导训练 只有生成模型支持无知道训练 基于基函数的变换 1.傅里叶变化 2.小波变换 3.主分量变换 4.独立分量分析 5.稀疏编码 傅里叶变换和小波变换基函数一旦确定就不再改变，和数据无关 其余变换通过建立图像的生成模型，利用不同的目标函数，得到图像的基函数以及该基函数的表示 知识表示 图像理解系统中世纪可用的知识是由人的经验获得的常识性知识和由专家研究的启发性知识。 1.基于规则的产生式表示（人工智能专家系统） 2.框架结构表示（图像理解不多见） 3.语义网络表示（网络结构表示方法，个体和集合ISA弧。全体和部分之间的HAS-PART弧） 数据与知识的融合 图像中的数据和人类知识构成了图像理解的信息流，处理和分析这些信息流需要建立两类信息之间的统一对应关系，体香“数据”和“知识”的融合。 保证视觉信息的存储方式和知识信息处理方式的一直连贯性，选择合适的计算机特征表示方法实现人类的知识表示。 相似度 相似度是实体间视觉相似度的度量，既有可能是目标之间，又有可能是场景之间。 任何目标和场景的信息均存储在反应视觉特征的结构单元中。 可采用特征共享编码矩阵表示实体间的相似关系 因果关系，位置关系等 因果关系式认知体系中最常见的关系 专家系统，人工智能 位置关系主要包括特征线面间和目标实体间的位置关系。P175 网格结构 “场景→目标→区域→线段→像素点”逐层认知包含关系。 图像特征提取 图像特征提取是图像理解中从图像获得数据信息并进行相关分析的前提条件和关键环节 基本特征提取方法 常用特征提取方法 基本特征提取方法 1.颜色特征 RGB,XYZ,HIS,LAB，颜色统计 2.形状特征 全局几何特征，变换域几何特征 纹理特征 从纹理图像中计算相应统计分布值，对纹理内部灰度级变化的特征进行量化 包含了物体表面组织结构排列的重要信息，