第26卷 第1期延安大学学报(自然科学版)
Vol .26, No .1 2007年3月
Journal of Yanan University (Natural Science Editi on )
March . 2007
C B I R 中图像综合特征向量的提取及其应用
3
刘 军
1,2
,耿国华1,赵 维3,任治斌
2
(1西北大学信息科学与技术学院,陕西西安710069;2渭南师范学院应用数学研究所,陕西渭南714000;
3渭南师范学院计算机科学系,陕西渭南714000)
摘要:针对传统图像检索技术依赖图像单一视觉特征的不足,通过对图像单一特征向量的归一化处理获取图像综合特征向量,并采用加权欧氏距离进行图像相似性度量,再结合基于综合特征向量
的相关反馈算法,可取得较理想的图像检索效果。
关键词:图像检索;特征提取;综合特征向量;相似性度量;加权欧式距离;相关反馈中图分类号:TP391 文献标识码:A 文章编号:10042602X (2007)0120017204 CB I R (Content based i m age retrieval )是一种利用图像的颜色、纹理、形状和语义等特征进行图像检索的技术,其原理如图1所示
.
图1 基于内容检索的过程
但传统的基于内容检索存在以下不足:(1)高
层语义和图像底层特征之间存在很大差异;(2)检
索过程无法体现个人感知的主观性[1]
.尽管基于颜色、纹理、形状、空间层次等单一特征的检索算法已
经取得了一定的成果,但由于其主要基于图像的部分属性,因而都有相当的局限性
[2]
.
本文提出:通过对图像单一特征向量的归一化处理可获取图像综合特征向量,并采用加权欧氏距离作为图像相似性度量依据,再结合相关反馈技术,可取得比传统检索算法更理想的检索效果.
1 图像综合特征向量的提取方法
1.1 图像检索模型
设图像目标模型
[324]
为
O =O (D,F,R ),
(1)
其中D 为原始的图像数据,F ={f i }是一系列低层的视觉特征,R ={r ij }是一组对所给定特性f i 所采用的描述方法.一个图像模型O =O (D,F,R )与一组相似性测量M ={m ij }相结合,可用来描述CB I R 模
型:(D,F,R,M ),如图2所示.
模型中,Query 为提供给用户的示例图像,Ob 2ject 代表系统查询后返回的图像;f i 表示检索系统所
用的图像特征,如若采用颜色和纹理特征则W 1和
W 2分别代表颜色和纹理在检索算法中所占的比
3
收稿日期:20061110
基金项目:国家自然科学基金(60271032),渭南师范学院重点基金(06YKF009)作者简介:刘军(1973),男,陕西渭南人,西北大学研究生,讲师。
重;r ij 代表的是各特征的具体计算方法,如颜色特征的累加直方图、颜色矩等,纹理特征的灰度共生矩阵、小波系数等,W ij 为其相应的权值;W ijk 则表示各具体算法中特征空间各维数的权值.
图2 基于内容图像检索模型
1.2 图像特征向量的归一化处理
在实际的图像检索中,仅仅依靠单一的视觉特征效果往往不够理想,同一特征向量内部不同特征分
量的幅度变化较大,而且不同特征分量的物理意义也不同,相似距离的可比性差.因此,不仅需要对特征向量内部的特征分量进行归一化处理,还需要对不同
的特征向量也进行归一化处理[5]
.这样,既能保证不同的算法在加权中处于平等的地位,又能保证不同的特征向量在进行检索时具有相同的作用.
1.2.1 内部归一化
由于特征向量内不同的特征分量的幅度变化可能较大,因而应对其进行内部归一化,从而使特征向量内部各分量在相似度量时具有相同的地位.
将特征向量记为:F =[f 1,f 2,…,f N ],N 为特征元素的个数.用I 1,I 2,…,I M 代表图像库中的M 幅图像,对于图像I i ,其相应的特征向量记为:F i =
[f i 1,f i 2,…,f i N ].
这样,由图像数据库中的M 幅图像,就可以得到一个M ×N 的特征矩阵F ={f i,j },其中f i,j 是F i 的第j 个特征元素.F 的每一列是长度为M 的特征序列,计算其均值m j 和标准差σj ,然后利用公式(2)就可以将原序列归一化为N (0,1)分布的序列.
f i,j =
f i,j -m j
σj
(2)
1.2.2 外部归一化
由于不同算法得到的基本视觉特征的物理意义不同,其范围的差别比较大,相似距离之间的可比性差,因此在检索时应对不同的特征向量进行归一化处理,目的是使综合特征的各个特征向量在相似距
离计算中的地位相同,外部归一化的实质是对图像库中所有图像之间的相似距离进行归一化.
设一个n 维的特征向量为F =[f 1,f 2,…,f n ],用
I 1,I 2,…,I n 表示图像库中的图像,则对其中任意一幅
图像I i ,其特征向量为F i =[f i 1,f i 2,…,f in ],对其进行归一化的步骤如下
[5]
:
(1)计算图像数据库中任意两个图像I,J 所对
应的特征向量F i ,F j 之间的相似距离:
D ij =dis tan ce (F i ,F j )i,j =1,2,…,m 且i ≠j
(3)
(2)计算由(3)式计算的m (m -1)/2个距离值
的均值m D 和标准差σD .
(3)对查询图像Q 计算其与图像数据库中每个
图像的距离D i Q ,记为:D 1Q ,D 2Q ,…,D m Q .
(4)对D 1Q ,D 2Q ,…,D m Q .按式(4)进行高斯归
一化:
D n
i,j =
f i,j -m j
σj
(4)
(5)按式(5)进行线性变换,将其变换到区间[-1,1]:
D n
i Q =[
D i Q -m Q
3
σQ +1]/2(5)
2 图像的相似性度量方法
在图像检索的过程中,检索系统根据相似性度量算法计算图像查询特征与特征库中对应的每组特征的相似程度,并把所得匹配图像序列根据相似性排序后返回给用户.因此,选用适合的图像相似性度量方法对图像检索系统非常重要.本文选用加权欧几里德距离(Euclidean D istance )函数法.
假设示例图像直方图用G (g 1,g 2,…,g N )表示,数据库中的目标图像直方图用S (s 1,s 2,…,s N )表示,将它们看作欧氏空间中两点间的距离
[6]
:
Ed (G,S )=
(ρN
i =1(g i -s i )2
)
(6)
81延安大学学报(自然科学版)第26卷
将其规范并简化,并按“1”为完全相似,“0”为完全不相似来确定两个图像的相似性,则可描述为:
S i m (G,S )=1N ρN
i =1(1-|g i -s i |max (g i ,s i )
)(7)其中N 为颜色级数,g i Ε0,s i Ε0.
从(7)式中可以看出,如果S i m 靠近1,则说明两幅图在颜色上相似;否则,则不相似.如果对其中的某些颜色有重要程度的区别,可用权重因子W j (0ΦW j Φ1,j =1,2,…,N )来描述,则上式就变为:
S i m (G,S )=1N ρN
i =1{W i ?(1-|g i -s i |max (g i ,s i )
)}(8)由于0ΦW j Φ1,,它的引入反而会导致Si m (G,S )的值下降,无法反映出直方图中重要成分在相似性中的地位.因此,将其做如下调整:从N 个颜色值中选取L 个最大的单元值进行求和平均,即:
S i m (E,S )=1L ρL
k =1W k (1-|e k -s k |max (e k ,s k )
)(9)利用这个权重公式,再利用直方图的性质及相似性方法,就可以确定重要特征和特征的组合.例如,可以做“寻找某一背景”、“寻找某一前景”、“A 图像的背景,B 图像的前景的组合的图像”等查询.
3 一种基于综合特征向量和相关反馈
技术的CB I R 算法
基于内容的图像检索技术中所抽取的图像特征大都是图像的底层视觉特征,它不能辨别出图像中所包含的物体,最终判定两个图像是否相似取决于用户;而基于综合特征向量和相关反馈技术的图像检索算法不仅能改善基于单一视觉特征的CB I R 的不足,而且图像检索过程可修改查询策略,增强了图像检索的自适应功能.
3.1 算法思想
通过对用户提供的样本图像特征进行特征向量的归一化处理,获得图像的归一化综合特征向量,并以综合特征向量的加权欧氏距离作为相似性度量依据,检索系统根据加权欧氏距离的相似性度量方法,针对样本图像特征及图像库中的图像特征,检索出
一组相似程度从高到低的列表.用户可在该列表上
选择一组符合检索意图的反馈图片(+)和一组不符合检索意图的反馈图片(-),并提交检索系统[728]
.检索系统根据用户提交的信息来优化匹配方案,采用移动查询向量或调整距离测度策略,更新权值,提交用户更新的检索结果.
3.2 算法实现
(1)样本图像预处理(增强分辨率,去噪等),设置相关反馈的最大循环次数MAX .
(2)初始化循环计数参数Count =0.(3)对样本图像进行基于颜色、纹理、形状、空间等单一视觉特征进行分解并量化,提取出各单一特征的特征向量.
(4)分别对于单一特征向量进行内部归一化,再对所有的单一特征向量进行外部归一化处理,得到归一化的综合特征向量.
(5)调用相似性匹配算法,根据用户需求依次找出最相近的图像个数为N H ,按相似程度排序返回给用户.
(6)置Count =Count +1,如果Count >=MAX,则退出检索,否则,继续检索.
(7)用户按当前反馈的五个层次S i :S 1=3表示高度相关,S 2=1表示相关,S 3=0表示无法判断(即不做判断),S 4=-1表示不相关,S 5=-3表示高度不相关,得出检索图片与样本图片的相关程度.
(8)判断结果反馈回系统.
(9)根据相关反馈策略更新权值,亦即特征调整.
(10)重复上述(3)-(9)步,直至用户满意或放弃退出为止.
为减少反馈次数,检索系统可设计为无须用户对图像进行标注.在检索系统第一次返回给用户检索结果后,如果用户对其中的一幅图像更感兴趣,只需直接点击就可进入以该幅图像为样本的下一轮检索.这样,通过用户的有限反馈,系统自动调整查询进程,可使图像检索获得更好的查全率和查准率。
参考文献:
[1]孙小新,吕英华.基于内容的图像检索中的相关反馈研究[E B /OL ].htt p://www .d m research .net/up l oads/20060326/
1000000008.doc,200625221.
9
1 第1期 刘军,等:C B I R 中图像综合特征向量的提取及其应用
02延安大学学报(自然科学版)第26卷
[2]董卫军,周明全,耿国华.基于综合特征的图像检索技术研究[J].计算机应用与软件,2005,22(11):34236.
[3]章毓晋.通过抽取的特征进行图像检索的算法测试平台[J].中国图像图形学报,2001,6(5):4392443.
[4]卢成武,种兰祥.融合颜色与形状特征的图像检索方法[J].微电子学与计算机,2006,23(2).
[5]徐淑平,林福宗.基于图像中心加权特征的图像检索[J].清华大学学报(自然科学版),2006,23(2).
[6]M.J.S wain and D.H.Ballard.Col or indexing[J].I nternati onal Journal of Computer V isi on,1991,7(1):11232.
[7]张磊,林福宗,张钹.基于支持向量机的相关反馈图像检索算法[J].清华大学学报(自然科学版),2002年,42(1):80283.
[8]I.Ruthven,https://www.doczj.com/doc/b21491591.html,l m as and C.J.van R ijsbergen,Retrieval thr ough exp lanati on:an abductive inference app r oach t o relevance feed2
back[J/OL].htt p://https://www.doczj.com/doc/b21491591.html,/p r oject/exp lanati on/aics.pdf.
[9]何清法,李国杰.综合分块主色和相关反馈技术的图像检索方法[E B/OL].htt p://https://www.doczj.com/doc/b21491591.html,/xueshu/2001/020.
doc,200625221.
[10]W ei2yingM a and HongJ iang Zhang,Content2based i m age indexing and retrieval[A].Handbook ofM ulti m edia Computing[C].
US:CRC Press LLC,1999.2272254.
〔责任编辑 贺小林〕
A Extract and M easure M ethod of I mage M ulti2Feature Vector on CBI R
L I U Jun1,2,GENG Guo2hua1,ZHAO W ei3,REN Zhi2bin2
(1School of I nf or mati on Scicnce and Technol ogy,North west University,Xi′an710069;
2Mathe matical Research I nstitute,W einan Teachers College,Shaanxi714000;
3Depart m ent of Computer Science,W einan Teachers College,Shaanxi714000)
Abstract:The traditi onal i m age retrieval methods are mainly dependent on the single visi on feature,s o the results are not al w ays ideal.T o cure this p r oble m,the paper p r opose a ne w kind of i m age extract and measure method which is based on the multi2feature vect or nor malizati on and uses it as the standard of i m age’s si m ilarity measure. The method which is based on multi2feature vect or and relevance feedback should have a very good effect.
Key W ords:i m age retrieve;extract feature;multi2feature vect or;si m ilarity measure;W eighted Euclidean D is2 tance;relevance feedback
模式类别的可分性判据 在讨论特征选择和特征压缩之前，我们先要确定一个选择和提取的原则。对一个原始特征来说，特征选择的方案很多，从N 维特征种 选择出M 个特征共有()!!! M N N C M N M = -中选法，其中哪一种方案最佳， 则需要有一个原则来进行指导。同样，特征的压缩实际上是要找到M 个N 元函数，N 元函数的数量是不可数的，这也要有一个原则来指导找出M 个最佳的N 元函数。 我们进行特征选择和特征提取的最终目的还是要进行识别，因此应该是以对识别最有利原则，这样的原则我们称为是类别的可分性判据。用这样的可分性判据可以度量当前特征维数下类别样本的可分性。可分性越大，对识别越有利，可分性越小，对识别越不利。 人们对的特征的可分性判据研究很多，然而到目前为止还没有取得一个完全满意的结果，没有哪一个判据能够完全度量出类别的可分性。下面介绍几种常用的判据，我们需要根据实际问题，从中选择出一种。 一般来说，我们希望可分性判据满足以下几个条件： 1. 与识别的错误率由直接的联系，当判据取最大值时，识别的错误率最小； 2. 当特征独立时有可加性，即： ()()121 ,,,N ij N ij k k J x x x J x ==∑
ij J 是第i 类和第j 类的可分性判据，ij J 越大，两类的可分程度 越大，()12,,,N x x x 为N 维特征； 3. 应具有某种距离的特点： 0ij J >，当i j ≠时； 0 ij J =，当i j =时； ij ji J J =； 4. 单调性，加入新的特征后，判据不减小： ()()12121,,,,,,,ij N ij N N J x x x J x x x x +≤ 。 但是遗憾的是现在所经常使用的各种判据很难满足上述全部条件，只能满足一个或几个条件。 基于矩阵形式的可分性判据 1. 类内散度矩阵 设有M 个类别，1,,M ΩΩ ，i Ω类样本集()()(){}12,,,i i i i N X X X ，i Ω类 的散度矩阵定义为： () ()() ( )()() ( ) 1 1i N T i i i i i w k k k i S N == --∑X m X m 总的类内散度矩阵为： ()() ()() () ()() () () 1 1 1 1 i N M M T i i i i i w i w i k k i i k i S P S P N ==== Ω= Ω--∑∑∑X m X m 2. 类间散度矩阵 第i 个类别和第j 个类别之间的散度矩阵定义为： () () () ( )() () ( ) T ij i j i j B S =--m m m m 总的类间散度矩阵可以定义为：
一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为:
第1章图像视觉特征的提取和表示 1.1引言 图像视觉特征的提取和表示是将图像的视觉信息转化成计算机能够识别和处理的定量形式的过程，是基于视觉内容的图像分类与检索的关键技术，因此，图像视觉特征的提取和表示一直是图像内容分析领域中一个非常活跃的课题。 图像底层视觉特征一定程度上能够反映图像的内容，可以描述图像所表达的意义，因此，研究图像底层视觉特征是实现图像分类与检索的第一步。一般来说，随着具体应用的不同，选用的底层特征也应有所不同，在特定的具体应用中，不同底层视觉特征的选取及不同的描述方式，对图像分类与检索的性能有很大的影响。通常认为，一种良好的图像视觉特征的提取和表示应满足以下几个要求： (1)提取简单，时间和空间复杂度低。 (2)区分能力强，对图像视觉内容相似的图像其特征描述之间也应相近，反之，对于视觉内容不相似的图像其特征描述之间应有一定的差别。 (3)与人的视觉感知相近，对人的视觉感觉相近的图像其特征描述之间也相近，对人的视觉感知有差别的图像其特征描述之间也有一定的差别。 (4)抗干扰能力强，鲁棒性好，对图像大小，方向不敏感，具有几何平移，旋转不变性。 本章重点讨论当前比较成熟的特征提取方法，在此基础上选取合适的特征提取方法，用于图像分类与检索系统的特征提取模块。接下来，将依次介绍颜色，纹理，形状等特征的提取和表示方法，最后对各种特征的特点加以比较。 1.2颜色特征的提取和表示 颜色是图像视觉信息的一个重要特征，是图像分类与检索中最为广泛应用的特征之一。一般来说同一类别的图像之间颜色信息具有一定的相似性，不同类别的图像，其颜色信息具有一定的差异。相对几何特征而言，颜色特征稳定性好，有对大小、方向不敏感等特点。因此，颜色特征的提取受到极大重视并得到深入研究。本章首先介绍几种常用的颜色空间模型，然后介绍各种颜色特征提取和表示方法。 1.2.1颜色空间模型 为了正确地使用颜色这一特征，需要建立颜色空间模型，通常的颜色空间模型可用三个基本量来描述，所以建立颜色空间模型就是建立一个3-D坐标系，其中每个空间点都代表某一种颜色。通常来说，对于不同的应用，应该选取不同的颜色空间模型。常用的颜色空间模型主要有：RGB、HIS、HSV、YUV、YIQ、Munsell、Lu*v*和La*b*等。颜色空间模型的选取需要符合一定的标准，下面就这一标准和最常用的颜色空间模型作一些介绍。 文献[错误！未找到引用源。]中介绍了选择颜色空间模型的标准主要有以下几个： (1)观察角度的鲁棒性
图像特征提取方法 摘要 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。 至今为止特征没有万能和精确的图像特征定义。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。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。
设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的
关于特征值与特征向量的求解方法与技巧 摘 要:矩阵的初等变换是高等代数中运用最广泛的运算工具，对矩阵的特征值与特征向量的求解研究具有一定意义。本文对矩阵特征值与特征向量相关问题进行了系统的归纳，得出了通过对矩阵进行行列互逆变换就可同时求出特征值及特征向量的结论。文章给出求解矩阵特征值与特征向量的两种简易方法: 列行互逆变换方法与列初等变换方法。 关键词: 特征值，特征向量; 互逆变换; 初等变换。 1 引言 物理、力学、工程技术的许多问题在数学上都归结为求矩阵的特征值与特征向量问题，直接由特征方程求特征值是比较困难的，而在现有的教材和参考资料上由特征方程求特征值总要解带参数的行列式，且只有先求出特征值才可由方程组求特征向量。一些文章给出了只需通过行变换即可同步求出特征值及特征向量的新方法，但仍未摆脱带参数行列式的计算问题。本文对此问题进行 了系统的归纳，给出了两种简易方法。 一般教科书介绍的求矩阵的特征值和特征向量的方法是先求矩阵A 的特征方程()0A f I A λλ=-=的全部特征根(互异) ，而求相应的特征向量的方法则是对每个i λ 求齐次线性方程组()0i I A X λ-=的基础解系，两者的计算是分离的，一个是计算行列式，另一个是解齐次线性方程组, 求解过程比较繁琐，计算量都较大。
本文介绍求矩阵的特征值与特征向量的两种简易方法， 只用一种运算 ——矩阵运算， 其中的列行互逆变换法是一种可同步求出特征值与特征向量的方法， 而且不需要考虑带参数的特征矩阵。而矩阵的列初等变换法， 在求出特征值的同时， 已经进行了大部分求相应特征向量的运算， 有时碰巧已完成了求特征向量的全部运算。两种方法计算量少， 且运算规范，不易出错。 2 方法之一： 列行互逆变换法 定义1 把矩阵的下列三种变换称为列行互逆变换: 1. 互换i 、j 两列()i j c c ?，同时互换j 、i 两行()j i r r ? ； 2. 第i 列乘以非零数()i k kc ， 同时第i 行乘11i c k k ?? ?? ? ； 3. 第i 列k 倍加到第j 列()j i c kc +， 同时第j 行- k 倍加到第i 行 ()i j r kr -。 定理1 复数域C 上任一n 阶矩阵A 都与一个Jordan 标准形矩阵 1212,,....r k k kr J diag J J J λλλ? ? ???????? ??? ? ?? ?? ? ? ? ?? ? ?=相似， 其中 111110...0001...00..................000...1000...0ki ki J λλλλ?? ?? ?? ??=?? ??????称为Jordan 块， 12r k k k n +++=L 并且 这个Jordan 标准形矩阵除去其中Jordan 块的排列次序外被矩阵A 唯一确定， J 称为A 的Jordan 标准形。 定理2 A 为任意n 阶方阵, 若T A J I P ?? ????????→ ? ????? 一系列列行互逆变换其中
毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
图像常见特征提取方法简介 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。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实
第五章 矩阵的特征值与特征向量 5.1矩阵的特征值与特征向量 5.1.1矩阵的特征值与特征向量的概念 设A 是n 阶矩阵，若存在数λ及非零的n 维列向量α，使得：λαα=A (0≠α)成立，则称λ是矩阵A 的特征值，称非零向量α是矩阵A 属于特征值λ的特征向量. 5.1.2矩阵的特征值与特征向量的求法 把定义公式λαα=A 改写为()0=-αλA E ,即α是齐次方程组()0=-x A E λ的非零解.根据齐次方程组有非零解的充分条件可得：0=-A E λ. 所以可以通过0=-A E λ求出所有特征值，然后对每一个特征值i λ，分别求出齐 次方程组()0=-x A E i λ的一个基础解系，进而再求得通解. 【例5.1】求??? ? ? ?????------=324262423A 的特征值和特征向量. 解：根据()()0273 2 4 26 24 23 2 =+-=---= -λλλλλλA E ，可得71=λ，22-=λ. 当7=λ时，??? ? ? ?????? ??? ???????=-0000002124242124247A E ， 所以()07=-x A E 的一个基础解系为：()T 0,2,11-=α,()T 1,0,12-=α，则相应的特征向量为2211ααk k +，其中21,k k 是任意常数且()()0,0,21≠k k . 当2-=λ时，???? ? ?????--? ??? ? ??????---=--00012014152428242 52A E ，所以()02=--x A E 的一个基础解系为()T 2,1,23=α，则相应的特征向量为33αk ，其中3k 是任意常数且
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。
图像分割概念：图像分割就是把图像分成各特性的区域并提取出感兴趣目标的技术和过程。这些区域互相不交叉，每一个区域都满足特定区域的一致性。医学图像的特点:成像设备的局限性、组织的蠕动-----伪影和噪声局部体效应------组织边缘模糊病变组织---------病变边缘不明确不均匀的组织器官-------灰度不均匀模糊、不均匀、个体差异、复杂多样医学图像分割方法的特点1、分割算法一般面向具体的分割任务，没有通用的方法2、重视多种分割算法的有效结合3、需要利用医学中大量领域的知识4、交互式分割方法受到日益重视图像分割算法基于区域的分割方法基于边缘的分割方法基于数学形态学的分割方法灰度阈值法:灰度值域法是把图像的灰度分成不同的等级,然后用设置灰度阈值的方法确定有意义的区域或分割物体的边界. 令f(x,y)原始图像 阈值的选取:1直方图法（极小值点阈值） 2 最小误差阈值 3 迭代阈值分割 4 最大方差阈值分割边缘检测（Edge Detection）:基本思想是先检测图像中的边缘点，再按照某种策略将边缘沿点连接成轮廓，从而构成分割区域。边缘：指图像局部亮度变化显著的部分. 边缘的检测方法:最简单的边缘检测方法是并行微分算子法。利用相邻区域的像素值不连续的性
质，采用一阶或二阶导数来检测边缘点。一阶导数求极值点，二阶导数求过零点。一阶梯度算子:Roberts交叉算子Sobel算子 Priwitt 算子二阶拉普拉斯算子:在此基础上LoG 算子 Canny算子 :推导了最优边缘检测算子区域生长(region growing) 基本思想：将具有相似性质的像素集合起来构成区域。具体步骤：先对每个需要分割的区域找一个种子象素作为生长的起点，然后将种子象素周围邻域中与种子象素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子象素所在的区域中。将这些新象素当作新的种子象素继续进行上面的过程，直到在没有满足条件的像素可被包括进来。这样一个区域就生长了。解决的问题：① 如何选择一组能正确代表所需区域的种子象素； ② 如何确定在生长过程中能将相邻象素包括近来的准则；③如何确定生长终止的条件或规则例如：每一步所接受的邻近点的灰度级与先前物体的平均灰度级相差小于2。起始第二步第三步558655865586 48974897 4897 228322832283 333333333333 分裂合并(splitting and merging) 基本思想：从整幅图像开始通过不断分裂得到各个区域．具体步骤：先把图像分成任意大小且不重叠的区域，然后再合并或分裂这些区域以满足
矩阵的特征值与特征向量专题讲解 一、内容提要 一、矩阵的特征值和特征向量 1、基本概念 设A 为n 阶方阵，若存在数λ和n 为非零向量0,a ≠使Aa a λ=，则称λ是A 的特征值，a 是属于λ的特征向量；矩阵E A λ-称为A 的特征矩阵；E A λ-是 λ的n 次多项式，称为A 的特征多项式；E A λ-=0称为A 的特征方程； 2、特征值、特征向量的求法 （1）计算A 的特征值，即解特征方程E A λ-=0； （2）对每一个特征值0λ，求出相应的齐次线性方程组()00E A X λ-= 一个基础解系123,ξξξ，，...,则属于0λ的全部特征向量为11...s s k k ξξ++，其中1,...,s k k 为不全为零的任意常数； 3、特征值、特征向量的性质 （1）A 与T A 的特征值相同（但特征向量一般不同）； （2）属于同一特征值的特征向量的线性组合仍是属于该特征值的特征向量； （3）属于不同特征值的特征向量线性无关； （4）设()0Aa a a λ=≠，则(),,m kA A P A 的特征值分别为(),,m k P λλλ，其中 ()P x 为任一多项式，而a 仍为相应的特征向量； （5）若A 可逆，()0Aa a a λ=≠，则 1 λ 是1A -的特征值； A λ 是*A 的特征值， a 仍为相应的特征向量； （6）设12n λλλ，，...是n 阶方阵的特征值，则有()1 1 n n i ii i i a tr A λ====∑∑（迹）； 1 n i i A λ ==∏;推论：A 可逆当且仅当A 的特征值全不为零； （7）若A 为实对称阵，则A 的所有特征值均为实数，且属于不同特征值的 特征向量彼此正交。 二、相似矩阵
摘要 对图像进行研究和应用时，人们往往对图像中的某些部分感兴趣，这些部分常被称为目标或对象 目标或对象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。 本课设需要解决的问题是，利用阈值分割方法,对该图像进行分割,得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像，在通过计算二值图像像素点的方式求取。 关键词：阈值分割,边缘检测，像素点
１绪论 目标的特征提取是图像处理和自动目标识别（ＡTR)中的一个重要的研究课题,是解决图像识别问题的难点和关键。 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。 有时,假如特征提取需要许多的计算时间，而可以使用的时间有限制,一个高层次算法可以用来控制特征提取阶层,这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤,因此有大量特征提取算法被发展,其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 2 设计原理 2.1 常用的特征提取的方法 提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。 本课程设计是采用的第一种方法,即先对该图像进行分割，得到提取那个目标后的二值图像，计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像,在通过计算二值图像像素点的方式求取。其中计算周长时，先需要对二值图像进行边缘检测,然后再统计其像素点。 ２.2 阈值分割原理 图像阈值化分割是一种最常用,同时也是最简单的图像分割方法,它特别适用于目标和背景占据不同灰度级范围的图像［1］。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤,因此在很多情况下，是进行图像分析、特征
模式识别特征选择与提取 中国矿业大学计算机科学与技术学院电子信息科学系 班级：信科11-1班，学号：08113545，姓名：褚钰博 联系方法（QQ或手机）：390345438，e-mail:390345438@https://www.doczj.com/doc/b21491591.html, 日期：2014 年06月10日 摘要 实际问题中常常需要维数约简，如人脸识别、图像检索等。而特征选择和特征提取是两种最常用的维数约简方法。特征选择是从某些事物中提取出本质性的功能、应用、优势等，而特征提取是对特征空间进行变换，将原始特征空间映射到低维空间中。 本文是对主成分分析和线性判别分析。 关键词：特征选择，特征提取，主成分分析，线性判别分析 1.引言 模式识别的主要任务是利用从样本中提取的特征，并将样本划分为相应的模式类别，获得好的分类性能。而分类方法与分类器设计，都是在d（变量统一用斜体）维特征空间已经确定的前提下进行的。因此讨论的分类器设计问题是一个选择什么准则、使用什么方法,将已确定的d维特征空间划分成决策域的问题。对分类器设计方法的研究固然重要，但如何确定合适的特征空间是设计模式识别系统另一个十分重要，甚至更为关键的问题。如果所选用的特征空间能使同类物体分布具有紧致性，即各类样本能分布在该特征空间中彼此分割开的区域内，这就为分类器设计成功提供良好的基础。反之，如果不同类别的样本在该特征空间中混杂在一起，再好的设计方法也无法提高分类器的准确性。本文要讨论的问题就是特征空间如何设计的问题。 基于主成分分析的特征选择算法的思想是建立在这样的基础上的：主成分分析方法将原始特征通过线性变换映射到新的低维空间时，获得的主成分是去了新的物理意义，难以理解，并且主成分是所有原始特征的线性组合。所以将主成分分析与特征选择相结合，设计多种相似性度量准则，通过找到与主成分相关的关键特征或者删除冗余、不相关以及没有意义的特征，将主成分又重新映射到原始空间，来理解成主成分的实际意义。 基于线性判别分析的高维特征选择将单个特征的Fisher准则与其他特征选择算法相结合，分层消除不相关特征与冗余特征。不相关特征滤波器按照每个特征的Fisher评价值进行特征排序，来去除噪音和不相关特征。通过对高维数据特征关联性的分析，冗余特征滤波器选用冗余度量方法和基于相关性的快速过滤器算法。分别在不同情境下进行数据分类实验，验证其性能。
特征向量体现样本之间的相关程度，特征值则反映了散射强度。 特征向量的几何意义.矩阵(既然讨论特征向量的问题.当然是方阵.这里不讨论广义特征向量的概念)乘以一 个向量的结果仍是同维数的一个向量.因此.矩阵乘法对应了一个变换.把一个向量变成同维数的另一个向量.那么变换的效果是什么呢?这当然与方阵的构造有密切关系.比如可以取适当的二维方阵.使得这个变换 的效果就是将平面上的二维向量逆时针旋转30度.这时我们可以问一个问题.有没有向量在这个变换下不 改变方向呢?可以想一下.除了零向量.没有其他向量可以在平面上旋转30度而不改变方向的.所以这个变换对应的矩阵(或者说这个变换自身)没有特征向量(注意:特征向量不能是零向量).所以一个变换的特征向量 是这样一种向量.它经过这种特定的变换后保持方向不变.只是进行长度上的伸缩而已(再想想特征向量的原始定义Ax= cx.你就恍然大悟了.看到了吗?cx是方阵A对向量x进行变换后的结果.但显然cx和x的方向相同).而且x是特征向量的话.ax也是特征向量(a是标量且不为零).所以所谓的特征向量不是一个向量而是一个向量族. 另外.特征值只不过反映了特征向量在变换时的伸缩倍数而已.对一个变换而言.特征向量指明的 方向才是很重要的.特征值不是那么重要.虽然我们求这两个量时先求出特征值.但特征向量才是更本质的 东西! 比如平面上的一个变换.把一个向量关于横轴做镜像对称变换.即保持一个向量的横坐标不变.但纵坐标取相反数.把这个变换表示为矩阵就是［1 0,0 -1］.其中分号表示换行.显然［1 0,0 -1］＊［a b］＇=［a -b］＇. 其中上标＇表示取转置.这正是我们想要的效果.那么现在可以猜一下了.这个矩阵的特征向量是什么?想想什么向量在这个变换下保持方向不变.显然.横轴上的向量在这个变换下保持方向不变(记住这个变换是镜像 对称变换.那镜子表面上(横轴上)的向量当然不会变化).所以可以直接猜测其特征向量是［a 0］＇(a不为0).还有其他的吗?有.那就是纵轴上的向量.这时经过变换后.其方向反向.但仍在同一条轴上.所以也被认为是方向没有变化。 综上，特征值只不过反映了特征向量在变换时的伸缩倍数而已，对一个变换而言，特征向量指明的方向才是很重要的，特征值似乎不是那么重要；但是，当我们引用了Spectral theorem（谱定律）的时候，情况就不一样了。 Spectral theorem的核心内容如下：一个线性变换（用矩阵乘法表示）可表示为它的所有的特征向量的一个线性组合，其中的线性系数就是每一个向量对应的特征值，写成公式就是： T(V)=λ1(V1.V)V1+λ2(V2.V)V2+λ3(V3.V)V3+... 从这里我们可以看出，一个变换（矩阵）可由它的所有特征向量完全表示，而每一个向量所对应的特征值，就代表了矩阵在这一向量上的贡献率——说的通俗一点就是能量（power），至此，特征值翻身做主人，彻底掌握了对特征向量的主动：你所能够代表这个矩阵的能量高低掌握在我手中，你还吊什么吊？ 我们知道，一个变换可由一个矩阵乘法表示，那么一个空间坐标系也可视作一个矩阵，而这个坐标系就可由这个矩阵的所有特征向量表示，用图来表示的话，可以想象就是一个空间张开的各个坐标角度，这一组向量可以完全表示一个矩阵表示的空间的“特征”，而他们的特征值就表示了各个角度上的能量（可以想象成从各个角度上伸出的长短，越长的轴就越可以代表这个空间，它的“特征”就越强，或者说显性，而短轴自然就成了隐性特征），因此，通过特征向量/值可以完全描述某一几何空间这一特点，使得特征向量与特征值在几何（特别是空间几何）及其应用中得以发挥。 关于特征向量（特别是特征值）的应用实在是太多太多，近的比如俺曾经提到过的PCA方法，选取特征值最高的k个特征向量来表示一个矩阵，从而达到降维分析+特征显示的方法；近的比如Google公司的成名作PageRank，也是通过计算一个用矩阵表示的图（这个图代表了整个Web各个网页“节点”之间的关联）的特征向量来对每一个节点打“特征值”分；再比如很多人脸识别，数据流模式挖掘分析等方面，都有应用，
图像特征特点及其常用的特征提取与匹配方法 [ 2006-9-22 15:53:00 | By: 天若有情 ] 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。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（m ean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局