第十二讲模式识别中的特征提取研究报告.pptVIP

灰度共生距阵可以理解为象素对和灰度级对的直方图。这里所说的象素对和灰度级对是有特定含义的。一是象素对的距离不变，二是灰度差不变，这里距离由（Dx,Dy)构成。如图： 这样，2个象素灰度级同时发生的概率，就将（x,y)的空间坐标转换为(i,j)的“灰度对”的描述。它们形成的距阵称为灰度共生距阵。 图象A 图象B 图象A的灰度共生距阵 图象B的灰度共生距阵 例子：计算4×4大小，灰度级为4的图象 图象： 计算d=1，θ为0度与90度的共生矩阵。 ， 从灰度共生矩阵提取的纹理特征系数有 以下几种： （1）能量： 对矩阵有贡献的象素对总数比物体内部的象素个数少，而且随着距离的增加逐渐减少。小物体的矩阵相当稀疏，稀疏的矩阵无法充分反映统计特性。因此，为了控制矩阵的规模，防止矩阵稀疏，灰度级划分常常被减少，如从256级到8级。有共生矩阵可以计算出一组参数，用来定量描述纹理特性。比较常用的参数有： （2）熵： 熵值是图像所具有的信息量的度量 若图像没有任何纹理，则灰度共生矩阵几乎为零，则熵值接近为零； 若图像充满细纹理，则灰度共生矩阵的值近似相等则该图像的熵值最大 ； 若图像中分布较少的纹理，灰度共生矩阵的数值差别较大，则该图像的熵值较小 ??（3） 惯性矩： （4）相关： （5）局部平稳： 其中： 相关使用来衡量灰度共生矩阵的元素在行的方向或列的方向的相似程度。 例如，某图像具有水平方向的纹理占主导地位，则图像在0度的灰度共生矩阵的相关值往往大于90、135、45度的灰度共生矩阵的相关值。 二、如何用GABOR小波来提取图象目标的特征 1.傅里叶变换（Fourier Transform) 傅里叶变换定义为： 此式称为基于FT的信号分析。 此式称为基于FT的信号综合。 连续 离散 一维信号的连续傅立叶变换与离散的傅立叶变换形式如下： 0 1 2 1 2 3 4 5 6 7 u F（u） F（u）=[ 2， 0 ， ， ， ， ， ， ] 二维傅立叶变换 连续 f(x,y) x y 0 X Y A 二维连续傅立叶变换举例： X Y (0,0) 图像屏幕显示 离散 问题：从模拟信号中提取频谱信息，就是取无限的时间量，即使用（－∞，∞）的时间信息来计算单个频率的频谱；或者说，频域过程 的任一频率组成部分的值，是由时域过程 在（－∞，∞）上决定的。而过程 在任一时刻的状态也是由 在整个频域（－∞，∞）的量决定。故， 和 的彼此的整个刻画，不能反映各自局部区域上的特征，不能用于局部分析。这就意味着，对于一个特别简单的信号、或信号突然变化和不可预测的情况，傅立叶分析不可用。从另一个角度看，从傅立叶变换能使人清楚地看到一个信息包含的每一个频率的多少，但很难看出不同信号何时发射和发射了多长时间，缺少时间信息使得傅立叶分析变得脆弱而容易失误。 伊利诺依斯大学教授梅耶尔曾说：“若你记录1小时长的信息而在最后5分钟出错，这一错误就会毁了整个傅立叶变换。相位的错误是灾难性的，如果在相位上哪怕犯了一个错误，你最后就会发现你所干的事与最初的信号无关了。” 2、空间Fourier变换和功率谱函数 用二维空间Fourier变换来描述纹理的优点是这种方法容易发现图象在空间域中的特性，例如，可检测纹理基元的大致大小和基元的空间组织。但缺点是对EPQ这样的线性变换来说，Fourier变换不能保持不变性。而更为严重的困难是，为了正确地检测纹理的特性，在作变换时要求足够大的图象矩阵。而在进行纹理分割时，这是难以实现的。 功率谱的方法是以图象 的Fourier变换为基础的：　 的幅度就是图象 的功率谱，即 　　　　 其中 和 分别表示 的实部和虚部。图象 的相位谱 纹理的粗细度可用 的分布特性来表示。 如果 中幅度高的部分集中在 附近，这表示是粗的纹理。因为低频分量与大的基元相联系。相反，如果 主要分布在远离处 ，这时高频区域的 有较高的幅度，这表示纹理中包含较细致的图案。 纹理的方向性也可以由 来表示。 功率谱不随位移