图像特征提取课件..ppt

?计算机视觉教程, 2009 以1×5矢量为基础，卷积同样维数的矢量，可获得25个5×5模板。其中最有用的是5×5的零和模板，即 ? 其中aij是模板中的元素（i,j=1,2,3,4,5）。 其中四个有最强性能的模板是： E5L5 R5R5 E5S5 L5S5 ? 它们分别可以滤出水平边缘、高频点、V形状和垂直边缘。 ?计算机视觉教程, 2009 Laws将Brodatz的8种纹理图像拼在一起，对该图像作纹理能量测量，将每个像元指定为八个可能类中的一个，正确率达87％。? 可见这种纹理分析方法简单、有效。但所提供的模板较少，尚未更多地给出其变化性质，因此，应用受到一定的限制。 Laws纹理能量测量法的特点 ?计算机视觉教程, 2009 灰度共生矩阵的定义 灰度共生矩阵特征的提取 3.灰度共生矩阵分析法 ?计算机视觉教程, 2009 灰度共生矩阵的定义 在三维空间中,相隔某一距离的两个像素，它们具有相同的灰度级，或者具有不同的灰度级，若能找出这样两个像素的联合分布的统计形式，对于图像的纹理分析将是很有意义的。灰度共生矩阵就是从图像 (x,y)灰度为i的像素出发，统计与距离为δ=(Δx2+Δy2 )1/2、灰度为j的像素同时出现的概率P。 ?计算机视觉教程, 2009 概率P(i,j,δ,θ)的数学式表示为?: P( i, j,δ,θ) ＝{ [(x,y), (x+Δx，y+Δy)] | f(x,y)=i, f(x+Δx,y+Δy)=j；x, y=0,1 ,…,N-1} 根据上述定义，所构成的灰度共生矩阵的 第 i 行、第 j 列元素，表示图像上所有 在θ方向、相隔为δ，一个为灰度i值, 另一个为灰度j值的像素点对出现的频率。 这里θ取值一般为0度、45度、90度和135度。很明显， 若Δx＝1，Δy＝0，则θ＝00； Δx＝1，Δy＝-1，则θ＝ 450 ； Δx＝0，Δy＝-1，则θ= 900 ； Δx=-1，Δy=-1，则θ= 1350 。 δ的取值一般根据试验确定。 ?计算机视觉教程, 2009 像素组合统计表 像素组合方式 ?计算机视觉教程, 2009 灰度共生矩阵特征的提取 灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息,它可作为分析图像基元和排列结构的信息。作为纹理分析的特征量，往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。一幅图像的灰度级数一般是256，这样计算的灰度共生矩阵太大。为了解决这一问题，在求灰度共生矩阵之前，常压缩为16级。 ?计算机视觉教程, 2009 基于灰度共生矩阵的特征 Haralick等人由灰度共生矩阵提取了14种特征。最常用的5个特征是：1）角二阶矩（能量）2) 对比度（惯性矩）3）相关 4）熵 5）逆差矩 若希望提取具有旋转不变性的特征，简单的方法是对θ取0度、45度、90度和135度的同一特征求平均值和均方差就可得到。 ?计算机视觉教程, 2009 灰度共生矩阵特征的实际应用 Haralick 利用ERTS1002–18134卫星多光谱图像对美国加利福尼亚海岸带的土地利用问题，用灰度共生矩阵的方法作纹理分析。海岸带主要有沿岸森林、树林、草地、城区、小片灌溉区、大片灌溉区和水域七类。对ERTS1002–18134四波段卫片，将其中的某波段图像，取大小为64*64象素的非重迭窗口，间隔δ=1，Ng=16(将0–255压缩成16级)。 ?计算机视觉教程, 2009 灰度共生矩阵特征的实际应用（续） 将纹理特征和多光谱灰度特征组合成16*1特征向量，对七类地域分别取训练样本314个，检验样本310个，提取特征，用分段线性分类器分类，获得了平均83.5%的分类精度。 若仅仅用多光谱信息，用8个光谱特征向量对七类地域分类，分类精度只有74~77%，由此可见，纹理分类改善了典型模式识别的结果，这是因为图像的纹理分析充分利用了图像灰度分布的结构信息。 ?计算机视觉教程, 2009 纹理分割示例 ?计算机视觉教程, 2009 GOES Cumulus Cloud Classification Cumulus cloud fields have a ver