特征提取m achine vision课程实例.pptVIP

Harris 角点检测 Harris角点检测算子是于1988年由CHris Harris Mike Stephens提出来的 Harris算子是一种简单的点特征提取算子，这种算子受信号处理中自相关函数的启发，给出与自相关函数相联系的矩阵M。M阵的特征值是自相关函数的一阶曲率，如果两个曲率值都高，那么就认为该点是特征点。为了消除噪声对于角点检测的影响，可以使用一个高斯滤波器来平滑图像。 Harris角点检测算子原理 当一个窗口在图像上移动，在平滑区域如图(a)，窗口在各个方向上没有变化。在边缘上如图(b)，窗口在边缘的方向上没有变化。在角点处如图(c)，窗口在各个方向上具有变化。Harris角点检测正是利用了这个直观的物理现象，通过窗口在各个方向上的变化程度，决定是否为角点。 (a) (b) (c) Harris角点检测原理是对于一幅图像，角点与自相关函数的曲率特性有关。自相关函数描述了局部图像灰度的变化程度，可表示为： 其中，E(x,y)是由于两个窗口偏移 (x,y) 而造成的图像灰度的平均变化，Wu,v 是高斯窗口在(u,v)处的系数，I代表图像灰度。 在角点处，图像窗口的偏移将造成自相关函数E(x,y) (图像灰度的平均变化)的显著变化。 对它在像素点 (u,v) 展开，局部图像灰度的自相关函数 E(x,y) 可近似表示成一次泰勒多项式形式： 其中，A，B，C 是二阶方向微分的近似，可分别表示为 * 特征提取 姓名： 专业：软件工程 学号： 特征提取 1 灰度值特征 2 轮廓特征 3 角点 4 角点检测算法 5 Table of Contents 主要内容 基本概念 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义:至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 灰度值特征 灰度值：指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0，故黑白图片也称灰度图像，在医学、图像识别领域有很广泛的用途。 灰度值特征：顾名思义，就是灰度值所具有的一些特性。常见的有：最大、最小灰度值，灰度值的平均值，灰度值的方差，灰度值直方图、累积直方图等。 灰度值平均值是对区域内亮度的一个度量。对参考区域内灰度值的平均值进行测量可以确定附加的亮度变化，此亮度变化是相对于系统最初被设置时的情况而言的。在两个不同参考区域内计算平均灰度值可以测量出线性亮度变化，并且由此来计算一个线性灰度值变换，此变换可以用于补偿亮度的变化或调整分割阈值。 平均灰度值是一个统计特征。 灰度值方差 在一个参考区域内测出的平均值和标准偏差也能被用来建立一个线性灰度值变换，此变换可以补偿亮度的变化。标准偏差能够被用来调整分割阈值。而且，标准偏差可以用来测量存在于区域内纹理的多少。 灰度值标准偏差 其中cg 的定义为累积直方图中的ci,当α=0.5时，得到的就是中值灰度值。此特征被用来获取鲁棒的最大灰度值和最小灰度值。 在图像处理领域我们经常使用直方图的α-分数位来对图像进行鲁棒的对比度归一化处理。定义如下; 灰度值的矩 p≥0，q≥0时，(p,q)介灰度值矩定义为： 在使用区域的特征函数χR作为灰度值时，我们可以从灰度值矩中得到区域矩。矩α=m0,0 被视为区域的灰度值面积。实质是灰度值函数gr,c 在区域内的“体积。与区域矩类似，归一化处理后的矩被定义为： 矩(n1,0,n0,1)定义的是区域的灰度值重心。中心灰度值矩被定义为 与区域矩类似，在二阶中心矩的基础上我们能定义椭圆的长轴，短轴和方向等参数。并且，各向异性的定义与区域矩中的也一样。 所有基于矩的的灰度值特征与相应的基于矩的区域特性非常相似。如果我们使用区域的特征函数作为灰度值时，灰度值矩就简化为区域矩。 特征函数可以被解释为某像素对于此区域