灰度级同现矩阵 - read.pptVIP

第六讲 图像分析与识别 信息学院计算机系 裴明涛 peimt@ 灰度级同现矩阵 灰度级同现矩阵P[i,j]是一个二维相关矩阵，规定一个位移矢量d=(dx,dy),计算被d分开且具有灰度级i和j的所有象素对的个数。 灰度级同现矩阵表示了图像灰度空间分布； 由于具有灰度级[i,j]的像素对数量不需要等于灰度级[j,i]的像素对数量，因此，灰度级同现矩阵是非对称矩阵； 用于测量灰度级分布随机性的一种特征参数叫做熵，定义为：(以下计算均针对归一化同现矩阵) 用灰度级同现矩阵还可以定义能量特征、对比度特征和均匀度特征： 熵值图像内容随机性的量度，熵值大表示随机性比较强； 能量参数反映了区域图像的均匀性或平滑性，能量小则图像比较均匀或平滑； 对比度是反映图像点对中前后点间灰度差的度量，灰度差大的点对大量出现则对比度增大，图像较粗糙，反之图像较柔和； 均匀度反映图像的均匀程度； 灰度级同现矩阵的优点： 灰度级同现矩阵特别适用于描述微小纹理； 易于理解和计算； 灰度级同现矩阵的缺点： 不适合描述含有大面积基元的纹理，因为矩阵没有包含形状信息； 矩阵的大小只与最大灰度级有关系，而与图像大小无关； 基于小波变换的纹理特征 对一幅图像进行小波分解，得到一系列的小波系数，小波系数的形状和尺寸与原始图像相同； 例如一幅16×16的图像经过三层小波分解，可得到十块小波分解结果，共256个系数； 小波分解示意图 分解出来的子图像称为小波分解通道，共有四种小波通道：LL，LH，HL以及HH； 每个通道对应于原始图像在不同尺度（频率）和方向下的信息： LL 图像在水平低频和垂直低频下的信息； LH 图像在水平低频和垂直高频下的信息； HL 图像在水平高频和垂直低频下的信息； HH 图像在水平高频和垂直高频下的信息； 当图像在某个频率和方向下具有比较明显的纹理特征时，与之对应的小波通道的输出就具有较大的能量； 纹理特征可以由小波通道的能量和方差来表示： HH通道反映的是图像的高频特征，包含了图像中的大部分的噪声，不适合用于纹理的提取； 形状特征 形状特征的表达必须以对图像中物体或区域的分割为基础； 由于当前的技术无法做到准确而稳健的自动图像分割，所以形状特征只能应用在某些特定的场合； 形状特征必须满足对变换、旋转和缩放无关； 形状特征的轮廓表示法：用物体或区域的外边界来表示； 边界的长度，直径； 边界的曲率； 傅立叶描述符； 基于内角的表示法； 形状特征的区域表示法：用物体的区域的整体性质来表示； 区域面积，区域重心，区域灰度等； 边界的曲率 曲率是斜率的改变率，描述了边界上各点沿边界方向的变化情况； 某个边界点的曲率的符号描述了边界在该点的凹凸性； 直接计算边界的曲率由于边界的粗糙不平而变得不可靠； 用线段逼近边界后计算线段交点处的曲率比较可靠； 傅立叶描述符 用复数的形式来表示边界上的每个点； 基于内角的表示法 与形状所在的位置、旋转、大小无关； 需要将形状近似表达成多边形的形式； 基于内角的形状可以表示为： 顶点数； 内角平均值及方差； 内角直方图 形状特征的区域表示法 区域面积； 描述区域的大小，通过对属于区域的象素进行计数得到； 区域重心； 区域内点的坐标的均值； 区域灰度； 描述区域的灰度特性，包括灰度（或各种颜色分量）的最大值，最小值，均值，方差等； 三维形状的表示 Spin Image 图像空间关系特征 表示了图像中存在的各种物体及其空间关系的特征； 提取空间关系特征的方法： 基于图像分割的方法 基于图像子块的方法 基于图像分割的方法： 符号图像：将图像中每个对象用质心坐标和一个符号名字代表，从而构成整幅图像的索引。 图像分割方法： 基于边界的方法 基于区域的方法 图像分割：把图像分成各具特性的区域并提取出感兴趣目标的技术和过程； 图像分割是由图像处理进到图像分析的关键步骤； 对灰度图像的分割主要基于象素灰度值的2个性质：不连续性和相似性； 基于边界的方法（基于不连续性）； 基于区域的方法（基于相似性）； 线性变换生成的特征 K-L变换（PCA）； 奇异值分解（SVD）； 独立成分分析（ICA）； K-L变换和奇异值分解是基于信号二阶统计特性的分析方法, 其目的用于去除图像各分量之间的相关性，主要应用于图像数据的压缩以及识别； 独立成分分析则是基于信号高阶统计特性的分析方法，经过ICA分解出的各信号之间是相互独立的； 对两个随机变量x 和y, 如果： E[xy]-E[x]E[y]=0 那么x和y不相关； p和q对任何整数都成立, 那么x和y统计独立； 如果x 和y 独立, 那么它们一定不相关； 相反, 如果x 和y 不相关，则并不意味着它们是独立的； K-L