图像特征提取综述VIP免费

图像特征提取的定位是计算机视觉和图像处理里的一个概念，表征图像的特性。输入是一张图像（二维的数据矩阵），输出是一个值、一个向量、一个分布、一个函数或者是信号。提取特征的方法千差万别，下面是图像特征的一些特性：边缘边缘是两个区域边界的像素集合，本质上是图像像素的子集，能将区域分开。边缘形状是任意的，实践中定义为大的梯度的像素点的集合，同时为了平滑，还需要一些算法进行处理。角顾名思义，有个突然较大的弧度。早起算法是在边缘检测的基础上，分析边缘的走向，如果突然转向则被认为是角。后来的算法不再需要边缘检测，直接计算图像梯度的高度曲率（合情合理）。但会出现没有角的地方也检测到角的存在。区域区域性的结构，很多区域检测用来检测角。区域检测可以看作是图像缩小后的角检测。脊长形的物体，例如道路、血管。脊可以看成是代表对称轴的一维曲线，每个脊像素都有脊宽度，从灰梯度图像中提取要比边缘、角和区域都难。特征提取检测到特征后提取出来，表示成特征描述或者特征向量。常用的图像特征：颜色特征、纹理特征形状特征空间关系特征。1.颜色特征1.1特点：颜色特征是全局特征，对区域的方向、大小不敏感，但是不能很好捕捉局部特征。优点：不受旋转和平移变化的影响，如果归一化不受尺度变化的影响。缺点：不能表达颜色空间分布的信息。1.2特征提取与匹配方法（1）颜色直方图适用于难以自动分割的图像，最常用的颜色空间：RGB和HSV。匹配方法：直方图相交法（相交即交集）、距离法、中心距法、参考颜色表法、累加颜色直方图法。对颜色特征的表达方式有许多种，我们采用直方图进行特征描述。常见的直方图有两种：统计直方图，累积直方图。我们将分别实验两种直方图在图像聚类和检索中的性能。统计直方图为利用图像的特征描述图像，可借助特征的统计直方图。图像特征的统计直方图实际是一个1-D的离散函数，即：上式中k代表图像的特征取值，L是特征可取值个数，是图像中具有特征值为k的像素的个数，N是图像像素的总数，一个示例如下图：其中有8个直方条，对应图像中的8种灰度像素在总像素中的比例。累积直方图图像特征统计的累积直方图也是一个1-D的离散函数，即：上式的各个参数含义同前，与上图对应的累积直方图见下：直方图间的距离可使用一般的欧式距离函数来衡量：我们可以实验多种相似性度量准则，研究它们之间的差异，找出对于某类图像，那种相似性度量能更加准确的描述两幅图像之间的相似程度。（2）颜色集近似于颜色直方图。将RGB颜色空间转换为视觉均衡的颜色空间（如HSV空间）将空间量化成若干个bin。将图像分为若干区域，每个区域用颜色空间的某个颜色分量来索引，从而将图像表达为二进制的颜色索引集。匹配方法：距离法和色彩区域的空间关系。（3）颜色矩数学基础：任何颜色分布可以用矩来表示。由于颜色分布主要在低阶矩，一般用一阶矩（均值）、二阶矩（方差）和三阶矩（偏度：skewness）表示颜色分布。（4）颜色聚合向量核心思想：将属于直方图的每一个bin的像素分成两部分，如果bin内的某些像素的连续面积大于给定阈值，则为聚合像素，否则为非聚合像素。（5）颜色相关图如果用颜色直方图匹配的方法进行图像匹配，在这种情况下：不同的图片直方图分部也是一致的，采用直方图匹配的方法则没有效果。对于直方图这种简单的统计方法，这种情况的存在不可避免。2.纹理特征2.1特点：纹理特征也是全局特征，描述图像的表面性质。纹理特征不是像素点的特征，而是区域进行统计的结果。适用于检索粗细有较大差别的纹理图像。优点：具有旋转不变性，对噪声有较强抵抗能力。缺点：分辨率变化纹理偏差大，受光照、反射的影响。2.2特征提取与匹配方法（1）统计法常用的是灰度共生矩阵分析方法，四个关键特征：能量、惯量、熵和相关性。另一个典型方法是自相关函数（图像的能量谱函数），通过计算图像的能量谱函数，提取纹理的粗细和方向等。Tamura纹理特征基于灰度共生矩阵，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。（2）几何法建立在基本的纹理元素上的方法。但由于图像分割困难，不太常用。比较有影响的算法有Vor...