第5章-图像特征提取与分析说课讲解.ppt

第4章 图像特征提取与分析 ;第4章 图像特征提取与分析;4.1 引 言 ;特征形成 根据待识别的图像，通过计算产生一组原始特征，称之为特征形成。;特征选择 从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程就叫特征选择。 选取的特征应具有如下特点： 可区别性 可靠性 独立性好 数量少;特征选择和提取的基本任务 如何从众多特征中找出最有效的特征。 图像特征提取的方法 低层次：形状、纹理、颜色、轮廓等图像某一方面的特征。 中层次： 高层次：在图像中层次特征基础上的再一次抽象，赋予图像一定的语义信息。 ;4.1.2 应 用 ;4.1.2 应 用;4.1.2 应 用 ;研究现状 目前CBIR技术主要集中在颜色、纹理、形状等低层物理特征提取的基础上。基于高层语义的检索正有待研究。;4.2 颜色特征的提取与表示 ;4.2.1 引言 ;4.2.2 颜色直方图 ;(2)特点;4.2.2 颜色直方图 ;4.2.2 颜色直方图 ;4.2.2 颜色直方图 ;4.2.2 颜色直方图 ;4.2.3 颜色矩 ;4.2.3 颜色矩 ;定义： 设BM是M维的二值空间，在BM空间的每个轴对应唯一的索引m。一个颜色集就是BM二值空间中的一个二维矢量，它对应着对颜色{m}的选择，即颜色m出现时，c[m]=1,否则，c[m]=0。;4.2.4 颜色集 ;与颜色直方图的关系： 颜色集可以通过对颜色直方图设置阈值直接生成。如对于一颜色m，给定阈值?m，颜色集与直方图的关系如下： 因此，颜色集表示为一个二进制向量。 ;4.2.4 颜色集 ;4.2.5 颜色聚合向量 ;4.2.6 颜色相关图;;4.3 图像的纹理分析技术 ;4.3.1 引言;4.3.1 引言;一些典型的纹理图像;纹理特征 纹理特征是从图像中计算出来的一个值，对区域内部灰度级变化的特征进行量化。 是一种全局特征，仅利用纹理特征无法获得高层次图像内容。 不是基于像素点的特征，需要在包含多个像素点的区域中进行统计计算。 具有旋转不变性，且对噪声有较强的抵抗能力。 当图像分辨率变化的时候，计算出来的纹理可能会有较大偏差。 适用于检索具有粗细、疏密等方面较大差别的纹理图像。 ;4.3.1 引言;4.3.1 引言;4.3.1 引言;纹理特征的提取与匹配 ;4.3.2 Tamura 纹理特征 ;粗糙度;2. 计算每个像素???水平和垂直方向上互不重叠的窗口之间的均值之差； 3. 对每个像素，能使E值（无论方向）达到最大的k值用来设置最佳尺寸；;4. 对于整幅图像（大小为m×n）中的每个像素，计算Sbest的平均值得到粗糙度的数值： ;对粗糙度的描述只有一个数值，它反映的是一幅图像平均的粗糙程度。 对于纹理图像具有一致基元尺寸时，这种描述是最优的。 对具有不同尺寸分布的纹理图像，这种描述将损失大量图像信息。;方向度;2. 构造方向(?值)的直方图； 该直方图对于具有明显方向性的图像会表现出峰值，对于无明显方向的图像则表现的比较平坦。 3. 计算图像总体的方向性。 再通过一个公式计算直方图中峰值的尖锐程度得到图像总的方向性 ;对比度;4.3.3 自回归纹理模型 ;4.3.4 基于小波变换的纹理特征 ;4.3.4 基于小波变换的纹理特征 ;4.3.4 基于小波变换的纹理特征 ;HH通道反映的是图像的高频特征，包含了大部分的噪声，不适合用于纹理的提取；;4.3.5 空间灰度共生矩阵 ;0o方向灰度共生矩阵计算示意图 ;45o方向灰度共生矩阵计算示意图 ;135o方向灰度共生矩阵计算示意图 ;灰度共生矩阵计算结果：;用于测量灰度级分布随机性的一种特征参数叫做熵。 熵值是图像内容随机性的量度，熵值大表示随机性比较强。 若图像没有任何纹理，则灰度共生矩阵几乎为零矩阵，则熵值接近为零；若图像有较多的细小纹理，则灰度共生矩阵中的数值近似相等，则图像的熵值最大。 熵值的定义： ;能量： 对比度： 均匀度： ;能量是灰度共生矩阵各元素值的平方和，它是图像灰度分布均匀性或平滑性的度量，反映了图像的均匀程度和纹理粗细度，是影像纹理灰度变化均一性的度量。 能量值大表明当前纹理是一种规则变化较为稳定的纹理。? 当灰度共生矩阵中元素分布较集中在主对角线附近值，说明局部区域内图像灰度分布较均匀。 从图像整体看，纹理粗糙，则能量值应较大。反之，能量值较小，图像比较均匀或平滑。 对比度又称主对角线惯性矩，用于度量灰度共生矩阵的分布和图像局部的变化，即图像点对中前后点之间灰度差的度量，反映图像清晰度和纹理的沟纹深浅。 图像局部变化越大，即灰度差大的点对大量出现，则对比度越大，图像较粗糙，视