基于Matlab图像特征提取方法探析.docVIP

基于Matlab图像特征提取方法探析 　　摘 要 本文研究了利用Matlab进行图像各种骨架算法和框架，分析和比较了不同分类的骨架算法，列出了其优点与缺点。为了实现对比，本文研究并实现了数字图像的点特征提取及骨架提取直线提取。比较了现有的体素化方法的优点和缺点，然后使用基于改进的最小欧几里德距离度量网格模型边界框的体素化算法，应用加速算法并将其集成到可视化骨架提取Matlab平台。 　　【关键词】Matlab 图像特征提取 骨架算法 体素化方法 　　1 引言 　　我们可以从图像中获得许多信息，最终是为了让人们理解其所蕴含的的内容。而光学系统，计算机系统，微电子技术和数学研究都处在数字图像研究之内，其包含性强大的不热门学科，随着科技的进步，这种技术已经获得了很广泛的使用。 　　在此处讨论的关于图像的骨架提取法，目的是将图代替平面，是结构表示法的一种代表。为了得到这种方法一般使用细化技术来完成。这种方法保证了其对于边界距离性质的描述，如果想得到原始的部分，就必须利用合适的度量长度来规定每个骨架点。细致来说就是利用圆的性质以骨架点为圆心，最小距离为半径画圆。其涵盖的区域就是其包含的部分，另一种方法是小于其最小距离为半径，每个骨架点还是圆心的圆群所覆盖的区域，这些方法让骨架的研究顺风顺水，尤其在图像识别中作用明显，一旦骨架理论结合图像辨别方法，其环节自然而然就会发生变化，推动时代的进步。正因如此，人工智能，图像识别，计算机科学成为骨架理论的探讨的主要部分，这里将对MATLAB平台利用骨架提取算法解决问题进行细致的研究。 　　2 骨架定义 　　为了更详细的理解骨架，广义的含义为一个个体组与其早先的形态和拓扑分布一致结合形成物体形态的曲线组合。Blum先提出了骨架定义的狭义组合，即“中间轴”。 　　骨架即指点点之间的最小距离，度量形式有流行的欧式、复杂的棋盘和城市区域。距离的长度决定何为最近距离，也就将MAT和其关系变得更加的紧密，通过欧式方法得到的骨架，其主要是针对细长物体来说的，能够获得很多信息，但是粗短物体就不能利用这种方法了。 　　3 特征识别的几种方法 　　3.1 特征点提取算子发展状况 　　对于专业学者来说，骨架树状特点使用起来更加的方便易懂，但是其数学定义还没有被统一下来，仍有争议。具有极大曲率值点，二维方面信号变化明显的点，边缘线的交叉点，图像方面断断续续变化的点和图像中梯度值和相对发生率特别的点被大多数学者普遍认为是骨架树状点的含义，但是其中小部分还是不被小部分学者接受。 　　如果通过查阅文档资料，会得到许多对于骨架树形状特征点不同的但是大部分都正确的阐述。所以如果想要检测骨架特征点，根据不同文档，往往会出现很多大同小异的方法来进行这种过程。 　　为什么会出现如此多的方法，因为存在差异的探究结果和出发点，结合其想要获得的目的和当下所处的大环境，不同的算子使用价值往往都有很大的差异和方法的相同。 　　我们可以从两个不同的方面来理解骨架树的大概形状，一方面是利用模板来检测骨架树的形态，另一种是以几何算法为基本算法来检测骨架树形态的方法。谈到第一种检测骨架树形态的算法，定义是：第一步找出许多的模板特征点，第二步算出其与图像下辖窗口的相似程度，利用相似程度来断定来自下辖窗口地像元是不是特征点。处于这种方法中的模板固定不变，往往用于那些图像微信息简单明了，数量不多的特点的判定，为了算出下辖窗口和模板的相似程度，计算起来往往复杂多变，消耗很多的时间和精力，在现实中使用性不强，流行不起来。 　　而以几何算法为基本算法来检测骨架树形态的方法又能够细分为两种，一是利用图形边缘线取得，将图像分成不同的部分，得到不同的边缘码，从而以此判断哪些点变化迅速，而这种方法的局限性是图像的分离结果，困难就来源于此，分离起来极其的费时费力，进一步造成其计算起来复杂性进一步提升。二是利用灰度信息来取得，研究人员在研究和测试中往往会采取这种方法，因为它省时省力，步骤不繁琐，易于实行。就几何特征点算法来说，几何特征是其提取的主要依据，计算快捷，使用方便，流行面非常广泛。 　　3.2 骨架树识别发展状况 　　Paul Hough在1962年首先提出了骨架树的识别理论，而且向美国当局申请了专利保护，骨架树是指图像空间部分对参数空间部分的反映，拥有很多的长处和不可忽视的特性。这也就免不了招来世界各地的专家和专业人员的重视。这种识别方式的目的是测定二值图像的直线与曲线的特性。骨架树识别是为了通过图像特征点反映空间参数得到图像特点的方法。为了减少噪声和间断曲线的作用，往往利用后曲变换来测定看得见物体的形态，这种变换的长处在于其是独立个体，不受外部环境影响，在信噪低下的环境下仍能工作，测定直线。 　　在空间参数二维变化的控制的情形下，