图像纹理特征描述与提取方法-YiruiWu.PPT

(a)原图像 (b)纹理区域1 (c )纹理区域2 (d)纹理区域3 纹理 均值 标准差 R（归一化的） 三阶矩 一致性 熵 图（b） 190.8927 17.1283 0.0045 -0.4939 0.0639 4.4521 图（c） 167.6592 49.1318 0.0358 -2.3640 0.0132 7.0354 图（d） 152.6835 66.8056 0.0642 -2.5118 0.0052 7.7865 分析可知，均值的结果说明图(b)的整体灰度较亮，图(d)的整体灰度相对较暗，图(c )的整体灰度介于两者之间。平滑度描述子R、一致性、熵的结果可知，图(b)较平滑、一致性较强、熵值较小，图(d)较粗糙、一致性较弱、熵值较大，图(c )的各结果均介于两者之间。图像的三阶矩是图像直方图偏斜度的量度，它可以用于确定直方图的对称性，由计算值可知这三幅图像的直方图均向左倾斜且它们的对称性依次较差 图像特征介绍 图像的边缘特征 图像点特征 图像纹理特征 图像形状特征 图像中目标的形状特征包括拓扑特征，距离、周长和面积的测量，几何特征，形状方位的描述等。与之相应，图像中目标形状特征可由其几何属性（如长短、距离、面积、周长、形状、凸凹等）、统计属性（如不变矩等）、拓扑属性（如孔、连通、欧拉数）等来描述。 矩形度 目标的矩形度是指目标区域的面积与其最小外接矩形面积之比，反映了目标对其外接矩形的充满程度。矩形度的定义如下： （10.47） 其中， 是最小外接矩形（Mininum External Rectangle）的面积； 是目标区域的面积，可通过对属于该目标区域的像素个数进行统计得到，也即有 （10.48） 分析可知R 的取值范围为 ，当目标为矩形时，R 取最大值1；圆形的目标R 取π/4。 圆形性 目标圆形性（doularity）是指用目标区域R的所有边界点定义的特征量，其定义式为 （10.49） 其中，若设(xi，yi)为图像边界点坐标， 为图像的重心坐标，则： 圆形性 是从区域重心到边界点的平均距离，定义为 （10.50） 是从区域重心到边界点的距离的均方差，定义为 （10.51） 灰度图像的目标区域的重心定义为 （10.52） 球状性 目标的球状性(Sphericity)定义为 （10.53） 式（10.53）既可以描述二维目标,也可以描述三维目标。在描述二维目标时，表示目标区域内切圆的半径，表示目标区域外接圆的半径，两个圆的圆心都在区域的重心上，如下图。 分析可知S 的取值范围为 。当目标区域为圆形时, 目标的球状性值S 达到最大值1，而当目标区域为其他形状时，则有 。显然。S 不受区域平移、旋转和尺度变化的影响。 THANK YOU * * * * * * 基于生物特征的模式识别：笔迹，人脸，虹膜/视网膜，指纹，语音 SUSAN角点检测算法 1、SUSAN算法的原理（续） 当某一像素点的灰度值与模板核心像素点灰度的差值小于阈值t 时，就认为该点与核心点具有相近的灰度值，由满足该条件的所有像素点组成的区域称为USAN区域。 SUSAN角点检测算法 1、SUSAN算法的原理（续） USAN区域包含了图像的局部结构信息，其大小反映了图像局部特征的强度。 当模板在图像上移动时，USAN区域大体可以分为三类：当模板完全处于图像的背景或目标中时，USAN区域最大，大小为模板大小，如位置a。 模板核心点 a b c d e 圆形窗口 SUSAN角点检测算法 1、SUSAN算法的原理（续） 当模板中心处于角点上时，USAN区域最小，如位置b；当模板中心处于边界上时，USAN区域大小为模板大小的一半，如位置c；当模板由图像中逐渐移向图像边缘时，USAN区域逐渐变小，如位置e。 模板核心点 a b c d e 圆形窗口 SUSAN角点检测算法 2、利用SUSAN算法进行角点检测的过程 （1）首先，当模板在图像上进行扫描时，利用阈值t ，通过模板内某一像素点与核心像素点灰度的差值，来判别该像素点是否属于USAN区域。其数学表达式为： 其中， 为图像中模板核心点像素的位置， 表示图像中的模板除中心以外的其它任意一点的位置； 和 分别表示待定像素点 和 中心像素点的灰度值。 SUSAN角点检测算法 2、利用SUSAN算法进行角点检测的过程 为了计算可靠，用该式来代替上式: