第42卷第4期2008年4月西安交通大学学报JOURNALOFXI′ANJIAOTONGUNIVERSITYVol.42№4Apr.2008基于等高线的图像特征表达戴芳1,2,郑南宁1,薛建儒1(1.西安交通大学人工智能与机器人研究所,710049,西安;2.西安理工大学理学院,710054,西安)摘要:结合多尺度图像分解技术和等高线理论提出了一种图像特征表达方法.该方法的独特之处在于将经验模态分解技术应用于图像的梯度模,而不是直接应用于图像本身.对梯度模图像进行经验模态分解,获得表示图像不同尺度下变化信息的固有模态函数,取携带丰富图像特征的前两个固有模态函数进行叠加,对叠加后的固有模态函数求取等高线,以实现对图像特征的提取和表达.实验结果表明,这种图像特征表达方法,不仅可以捕获图像中不同灰度变化属性信息,而且可以获得图像的几何结构,对图像的弱特征信息也有较好的表示能力.关键词:经验模态分解;固有模态函数;等高线;图像特征;特征表达中图分类号:TP391141文献标识码:A文章编号:0253Ο987X(2008)04Ο0385Ο04FeatureRepresentationofNaturalImagesBasedonContoursDAIFang1,2,ZHENGNanning1,XUEJianru1(1.InstituteofArtificialIntelligenceandRobotics,Xi′anJiaotongUniversity,Xi′an710049,China;2.SchoolofScience,Xi′anUniversityofTechnology,Xi′an710054,China)Abstract:Anapproachofimagefeaturerepresentationthatcombinesthemulti2scaleimagede2compositiontechniqueandcontourtheoryisproposed.Itsadvantageliesinthefactthattheem2piricalmodedecompositiontechniqueisappliedtothegradientmagnitudeoftheimage,nottotheimagedirectly.Thegradientmagnitudeimageisdecomposedbytheempiricalmodedecomposi2tiontechniquetoobtainanumberofintrinsicmodefunctionsthatcapturethegraylevelchangeinformationunderdifferentscaleoftheimage.Inordertorepresentthefeaturesoftheimageper2fectly,thefirsttwointrinsicmodefunctionsaresummedandtheresultsaredescribedbycon2tours.Theexperimentresultsshowthattheproposedrepresentationmethodforimagefeaturesnotonlycapturesthegraylevelchangeinformationunderdifferentscaleofimage,butalsocat2chesthegeometricstructureinformationofimage,andtheweakfeaturesofanimagecanbeex2pressedbetter.Keywords:empiricalmodedecomposition;intrinsicmodefunction;contour;imagefeature;fea2turerepresentation图像特征表达是目标识别、图像理解和计算机视觉领域重要的研究课题.特征表达的关键是对图像特征的提取.图像特征提取的主要方法有离散Fourier变换、主分量分析、小波变换等.Fourier变换是一种全局性变换,得到的是图像的整体频谱,无法表述图像的时频局部特性[1].小波变换具有良好的局部时频特性,是图像分析的一种有力工具,然而小波变换是非自适应的,对图像信号的分析依赖于小波基函数的选择[2].主分量分析从图像数据出发,是自适应的,但特征值分布不能产生特征时间或频收稿日期:2007207214.作者简介:戴芳(1966-),女,博士生;郑南宁(联系人),男,教授,博士生导师,中国工程院院士.基金项目:国家自然科学基金资助项目(60405004);国家高技术研究发展计划资助项目(2006AA01Z192);陕西省教育厅科学研究计划资助项目(07JK328).率尺度.选择具有良好局部时频特性、自适应的特征提取方法,是图像特征表达的关键.经验模态分解[3](EmpiricalModeDecomposition,EMD)是一种多尺度、自适应的非平稳信号分解技术,它能将图像分解为具有不同尺度信息的固有模态函数(IntrinsicModeFunction,IMF)分量,这些IMF分量对图像特征具有很好的捕获能力,适合于进行图像的特征提取和分析,如边缘提取[4]、图像滤波[5]、图像编码[6]、图像分析[728]等.鉴于EMD的良好特性,本文利用EMD技术提取图像的特征,利用等高线对所提取出的特征进行表达,取得了较好的结果.1经验模态分解和等高线111经验模态分解经验模态分解本质上是一个筛的过程,每次筛出一个IMF,该IMF满足两个条件:①零交叉点数和极值点数相等或至多相差一个;②在任一点,由局部极大值点确定的上包络和由局部极小值点确定的下包络的平均值...
