数字信号处理-第九章-图像分析与识别基础.pptVIP

第9章 图像分析与识别基础 概述 图像分析（image analysis）也叫景物分析（scenery analysis）或图像理解（image understand），其目的是从图像中提取有用测度（useful estimate）、数据或信息，生成非图的描述或表示，如数值、符号等等，不局限于对给定景物的区域在一定数目的已知类别里进行分类，更重要是要对千变万化和难以预测的复杂景物加以描述，从中找出潜藏在景物图像中的深层次信息，涉及到物体的前景与背景、物体之间的关系以及人工智能技术等问题。其研究的内容包括特征提取、符号描述、景物匹配和识别等等。 9.1 视觉再认模式 本节主要从心理学的角度分析视觉对景物的再认模式，以便从更深的层次理解图像分析与识别方法的原理。视觉再认模式主要有以下四种： 9.1.1 模板匹配模式 9.1.2 特征分析模式 9.1.3 结构描述模式 9.1.4 傅立叶模式 9.1.1 模板匹配模式 随着经验和阅历的增长，人的记忆中存在着代表各种景物形态的“模版”，当人注视某景物时，大脑神经中枢就会搜索存储在大脑中的各个模版，并与看到的景物进行匹配，一旦匹配一致或相关性最大，则认为再认成功。 模版匹配模式可以看作是一个决策过程。 9.1.1 模板匹配模式 一次模版匹配的过程分为三步（即相关运算，与卷积运算不同之处在于不用翻转）： （1）移位 （2）相乘 （3）相加 把全部模版都与输入图像匹配一遍，从中找出匹配相关数最大的那个模版，完成模版匹配再认的全过程。 模版匹配再认模式难以解决三维物体图像的再认和多物体重叠图像的再认。 9.1.2 特征分析模式 特征分析模式是根据景物特征实现视觉再现的理论，其过程为提取特征、特征分类、分析与识别几个步骤。 需要较大的特征运算。难度在于：1）如何对于不同的对象选择适合的特征；2）如何确定各特征之间的关系。 9.1.3 结构描述模式 结构描述模式通常用“图”表示，“图”的节点代表对象景物的某一部分或某一特性；节点之间的有向边说明各部分或个特性之间的关系。 9.1.3 结构描述模式 对象景物的特征可以包括： 亮度：黑、白、灰、亮、暗、均匀、阴影等 颜色：红、橙、黄、绿、青、蓝、紫等 纹理：平滑、粒状、斑纹、条纹等 大小：长度、面积、体积、高度、宽度、深度、大、小等 取向：水平、垂直、倾斜等 形状：正方形、矩形、三角形、圆形、椭圆形等 其他 特征的描述可以是文字的、数字的或符号的；可以是具体的、确定的，也可以是模糊的。 9.1.3 结构描述模式 景物各部分或各特性之间的关系包括： 包含：一部分、在内部、包含着、包围着、嵌套等 邻接：接触、在旁边、在下面、在上面等 方向：在左、在右、在上、在下等 距离：远离、靠近等 其他 9.1.3 结构描述模式 结构描述再认模式对景物的描述，一般不易丢失信息（景物各部分及其特征，以及各部分之间的关系），可以把整个景物分成几个部分进行描述，既方便又可以把同类景物归类描述，所得到的信息便于进一步分析与推理；但对于复杂的景物，其特征及其关系的描述常常不能确定，影响了结构描述模式的实际应用。 9.1.4 傅立叶模式 傅立叶再认理论认为人脑长期记忆存储的是景物的傅立叶变换形式，而不是景物的原型。 傅立叶变换的实质是将视网膜得到的景物的密度矩阵分解成一定频率上的信号，也就是把实际中的景物通过傅立叶变换转变到频率空间里去，从而可以在频率空间里看到实际中看不到的许多特性，进而根据这些特性进行分析和识别。 9.1.4 傅立叶模式 当景物在一定范围内变化时，其傅立叶变换后的某些量不会改变，且容易用光学、电子器件或计算机软件实现傅立叶变换。 景物的平移不会改变傅立叶变换的幅度值；景物的旋转不会改变傅立叶谱的形状，只是傅立叶谱的方向随着景物旋转了相同的角度。 9.2 图像分割 图像分割即把数字图像划分成互不相交（不重叠）的区域的过程。 图像分割一般采用三种不同的原理来实现： （1）区域分割，把每个像素点划归到各个图像的区域中； （2）边界分割，按照存在于各区域间的边界划分； （3）边缘分割，确定可以连接在一起的各像素构成不同区域的边缘。 景物的图像分割以后，即可进一步处理，如测量、分类、识别。 9.2 图像分割 9.2.1 阈值分割法 9.2.2 边缘检测法 9.2.3 区域增长法 9.2.4 二值图像分割法 9.2.5 图像的分割信息结构 9.2.6 图像分割质量的评价 9.2.1 阈值分割法 利用图像灰度、颜色或纹理差别的阈值进行区域分割，在物体与背景或物体各部分之间的对比强烈的情况下十分有效。 阈值的选择是本方法的关键。 9.2.2 边缘检测法 1 Roberts边缘检测算子 确定了处于边缘的像素点以后，理想的情况是这些边缘点连续，连接所有边缘点即构成了区域的边缘，从而