基于小波变换的交通图像特征提取
摘要：小波是一种用于多层次分解函数的数学工具。作为现代分析学开拓的一个新领域，目前小波变换已经广泛应用于信号处理、图像处理、模式识别、语音识别、量子物理、地震勘测、流体力学、电磁场、CT 成像、机器视觉、机器故障诊断与监控、分形以及数值计算等等工程领域。本文就应用小波变换理论解决交通图像特征提取的问题，做了简单的分析。
关键词：小波变换；交通图像；特征提取
Abstract: The wavelet decomposition is a multi-level functions for mathematical tools. As a modern analytics opened up a new area, the current wavelet transform has been widely used in signal processing, image processing, pattern recognition, speech recognition, quantum physics, seismic surveying, fluid mechanics, electromagnetic fields, CT imaging, machine vision, machine fault diagnosis and monitoring, and numerical calculation of the fractal, and so engineering. In this paper, wavelet transform theory to solve the traffic issue of the image feature extraction, do a simple analysis.
Key words: wavelet transform ；traffic images ； Feature Extraction
一、引言
基于小波包变换的图像分析法，主要是利用小波包对图像进行多尺度分解，然后在每个尺度上独立地提取特征，即把不同分解尺度上信号的能量求解出来，将这些能量值按尺度顺序排列形成特征向量供识别使用，这就是基于小波包变换提取多尺度空间能量特征的基本原理[1]。
二、小波变换理论
小波分析方法是一种窗口大小（即窗口面积）固定但其形状可变，时间窗和频率窗都可改变的时频局部化分析方法。在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。
如果)()(2R L t Ψ∈（)(2R L 表示平方可积的实数空间，即能量有限的信号空
间），其傅立叶变换为)(?ωΨ
。)(?ωΨ满足条件 ∞<=?R
Ψd ωω|ωΨ|C 2)(?
时，称)(?t Ψ
为一个基本小波或母小波。将母小波)(?t Ψ经伸缩和平移后可得到小波函数：
)(1
)(a
b t Ψ|a|t Ψa,b -= 其中，a 为伸缩因子，b 为平移因子。
连续小波变换定义为：
?-=??=-R a,b f dt a
b t Ψt f |a|f,Ψa,b W )()()(1 a 是时间轴尺度伸缩参数，大的a 值对应小波)(t Ψa,b 伸展较宽；反之，小的a 值对应小波在时间轴上受到压缩。b 是时间平移参数，不同b 值的小波沿时间轴移动到不同的位置。系数|a|1是归一化因子，它的引入是为了使不同尺度的小波保持相等的能量。对于不同的母小波，同一信号的连续小波变换是不同的[2]。
其重构公式（逆变换）为：
??∞∞-∞
∞--=dadb a b t Ψa,b W a C t f f Ψ)()(11
)(2 以上是a ，b 为连续取值的情况，把连续小波变换中尺度参数a 和平移参数b 的离散化公式分别取作j a a 0=和00b ka b j =，就得到离散小波变换。在实际应用中，常令j a 2=，)(2Z j,k k b j ∈=，则小波变换具有如下形式：
0)()(2
)(2>=?∞∞--,a dt t Ψt x j,k W *j,k j f 其中，Z j,k k t Ψt Ψj j
j,k ∈-=--)2(2)(2被称为二进小波，二进小波对信号的
分析具有变焦距的作用。假定有一放大倍数j -2，它对应观察到信号的某部分内容。如果想进一步观看更小的细节，就需要增加放大倍数即减小j 值；反之，若想了解信号更粗的内容，则可以减小放大倍数，即加大j 值。在这个意义上，小波变换被称为数学显微镜[3]。
三、常用小波函数
与标准傅立叶变换相比，小波分析中所用到的小波函数具有不唯一性，即小波函数)(x Ψ具有多样性，用不同的小波基分析同一个问题会产生不同的结果。
在本节主要介绍一下文中所涉及以及在MATLAB 中用到的小波函数。
1.Haar 小波
Haar 函数是在小波分析中最早用到的一个具有紧支撑的正交小波函数，同时也是最简单的一个函数。它的定义为：
?????<≤-≤≤=其它
01211
2101x x ΨH 可用图表示。
图Haar 小波函数
2.Daubechies （dbN ）小波系
Daubechies 函数是由世界著名的小波分析学者Inrid Daubechies 构造的小波函数，除了db1（即Haar 小波）外，其它小波没有明显的表达式，但转换函数h 的平方模是很明确的。其性质如下：
（1）假设∑-=+-=1
01)(N k k k N k y C y P ，其中，k N k C +-1为二项式的系数，则有
)2(sin )2(cos )(22
20ωP ω|ω|m N = 其中 ∑-=-=120021
)(N k jk ω
k e h ωm （2）小波函数Ψ和尺度函数φ的有效支撑长度为12-N ，小波函数Ψ的消失矩阶数为N 。
（3）dbN
大多数不具有对称性；对于有些小波函数，不对称性是非常明显
0 0.5 1
的。
（4）正则性随着序号N 的增加而增加。
（5）函数具有正交性。
Daubechies 小波函数提供了比Haar 函数更有效的分析和综合。Daubechies 系中的小波基记为dbN ，N 为序号，且1021,,,N =。
3.Biorthogonal （biorNr.Nd ）小波系
Biorthogonal 函数系的主要特性体现在具有线性相位性，它主要应用在信号与图像的重构中。通常的方法是采用一个函数进行分解，用另外一个小波函数进行重构。Biorthogonal 函数系通常表示为biorNr.Nd 的形式：
8
65544975313864225311============Nd Nr Nd Nr
Nd Nr
,,,,Nd Nr
,,,Nd Nr
,,Nd Nr
其中，r 表示重构（Reconstruction ），d 表示分解（Decomposition ）。
4.Coiflet （coifN ）小波系
Coiflet 函数也是由Daubechies 构造的一个小波函数，它具有coifN
（54321,,,,N =）这一系列。Coiflet 具有比dbN 更好的对称性。从支撑长度的角度看，coifN 具有和db3N 及sym3N 相同的支撑长度；从消失矩的数目来看，coifN 具有和db2N 及sym2N 相同的消失矩数目。
5.SymletsA （symN ）小波系
Symlets 函数系是由Daubechies 提出的近似对称的小波函数，它是对db 函数的一种改进。Symlets 函数系通常表示为symN （832,,,N =）的形式。
四、多分辨率分析
多分辨(或多尺度)分析的基本思想，从数学的角度来理解[46]，针对函数2)(L x f ∈，可以看作某一逐级逼近的极限。每级逼近都是用某一个低通滤波函数)(x ?对)(x f 作平滑的结果，当然逐级逼近的低通滤波函数)(x ?也作逐渐伸缩，即用不同的分辨率或不同尺度来逐级逼近)(x f 。
更形象地来说，如果把尺度理解为照相机镜头的参数的话，当尺度由大到小变化时，相当于照相机的镜头由远及近的接近对象。在大尺度空间里，能看到目标对象的大致概貌；在小尺度空间里，则可以观测到对象的细微部分。随着尺度由大到小的变化，在各尺度上可以由粗及细的观察对象。多分辨率分析MRA (Multi-Resolution Analysis)是小波分析的一个非常优良的性质，也是一个非常基本的性质[4]。
五、小波包分析
1 小波包的定义
短时傅里叶变换对信号的频带划分是线性等间隔的。多分辨率分析可以对信号进行有效的时频分解，但由于其尺度是按二进制变化的，所以在高频频段其频率分辨率较差，而在低频频段其时间分辨率较差，即对信号的频带进行指数等间隔划分(具有等Q 结构)。小波包分析(wavelet Packet Analysis)能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱相匹配，从而提高了时－频分辨率，因此小波包具有更广泛的应用价值[5]。
在多分辨分析中，j Z
j W R L ∈⊕=)(2，表明多分辨分析是按照不同的尺度因子j 把Hilbert 空间)(2R L 分解为所有子空间)(Z j W j ∈的正交和的。其中，j W 为小波函数)(t Ψ的闭包（小波子空间）。现在，我们希望进一步对小波子空间j W 按照二进制分式进行频率的细分，以达到提高频率分辨率的目的。
一种自然的做法就是将尺度子空间j V 和小波空间j W 用一个新的子空间n
j
U 统一起来表征，若令
Z j W U V U j j j j ∈?????==10
则Hilbert 空间的正交分解j j j W V V ⊕=+1即可用n
j U 的分解统一为
Z j U U U j j j ∈⊕=+100
1
定义子空间n
j U 是函数)(t u n 的闭包空间，而n j U 2是函数)(2t u n 的闭包空间，
并令)(t u n 满足下面的双尺度方程：
??
???-=-=∑∑∈+∈Z k n n Z k n n k t u k g t u k t u k h t u )
2()(2)()2()(2)(122 式中，)1()1()(k h k g k --=，即两系数也具有正交关系。当0=n 时，以上两式直接给出
??
???-=-=∑∑∈∈Z k k Z k k k t u g t u k t u h t u )
2()()2()(0100 与在多分辨分析中，)(t φ和)(t Ψ满足双尺度方程：
{}{}??
???∈-=∈-=∈∈∈∈∑∑22)
2()()2()(l g k t φg t Ψl h k t φh t φZ k k Z k k Z k k Z k k +++∈∈⊕=Z Z;n j U U U n j n j n
j 121
由于)(t φ由k h 唯一确定，所以又称{}Z n n t u ∈)(为关于序列{}k h 的正交小波包。 2 小波包的性质
定理3.1 设非负整数n 的二进制表示为
10211
或==∑∞=-i i i i εεn
则小波包)(?ωu
n 的傅里叶变换由下式给出： ∏∞
==1)2()(?i j εn ωm ωu i 式中
∑∞-∞=-==k jk ωe k h ωH ωm )(2
1
)()(0 ∑
∞-∞=-=
=k jk ωe k g ωG ωm )(21
)()(1 定理3.2 设{}Z n n t u ∈)(是正交尺度函数)(t φ的正交小波包，则
kl n n δl t ,u k t u =?--?)()(
即{}Z n n t u ∈)(构成)(2R L 的规范正交基。
3 小波包算法
下面给出小波包的分解算法和重构算法。设n j n
j U t g ∈)(，则n j g 可表示为
))2()(∑-=l
j n j,n l n
j l t u d t g
小波包分解算法 由{},n j l d 1+求{}n j,l d 2与{}12+n j,l d
??
???==∑∑+++-k ,n j k
l k-n j,l k ,n j k l k n j,l d b d d a d 1212122 小波包重构算法 由{}n j,l d 2与{}12+n j,l d 求{},n j l d 1+
∑+--++=k
n k k l n j,k k l ,n j k d g d h d ][122221
4 小波包构造
用一个正交小波去构造一个小波包的计算方法。首先，与所选择的小波相对应的两个长为N 2的滤波器（)(n h 和)(n g ），它们分别是低通分解滤波器和高通分解滤波器的被2除过之后的重构滤波器。
定义下面的函数序列（ ,,,,n x W n 210)(=）
∑-=-=1
202)2()(2n k n n k x W k h W
∑-=+-=1
2012)2()(2n k n n k x W k g W
其中，)()(0x φx W =是尺度函数，)()(1x Ψx W =是小波函数。
现以Haar 小波函数为例进行详细说明。对于Haar 函数：
12
1)1()0(===N h h 121)1()0(==-=N g g
等式变为
)12()2()(2-+=x W x W x W n n n
)12()2()(12--=+x W x W x W n n n
在这里，)()(0x φx W =是Haar 尺度函数，)()(1x Ψx W =是Haar 小波函数，两个函数的支撑长度均在区间[0,1]上。从上式可以看出，可以通过把支撑区间分别在[0，1/2]和[1/2,1]内的两个1/2尺度的n W 加起来获得n W 2函数。同样，可以通过把支撑区间分别在[0,1/2]和[1/2,1]内的两个1/2尺度的n W 相减获得12+n W 函数。
六、利用小波包分析进行特征提取
特征提取的目的是获得一些区别不同人脸的测度，用于区分不同的人脸。由前面章节的介绍可知，不同人脸的图像纹理不同，这在频带上可以清楚地反映出来。同一个人的人脸图像在相同频带内信号的能量比较相近，差别不大，而不同的人脸相比，相同频带内信号的能量会有较大的差别。因此，在各频率成份中，包含着丰富的识别信息，通过分析各频带内能量大小情况，可以区分出不同的人脸。由以上可知，各频带的能量可以作为区分不同人脸的特征量。特征量的提取主要分为以下步骤：
（1）图像预处理。
由于受到各种交通环境的影响，智能交通系统获得的图像在形成过程中受到天气、硬件设备、各种噪声以及传输过程中带入的信道噪声的影响，另外，运动图像还会存在运动模糊的问题，这些都造成图像得不清晰，影响后期处理，需要进行消除。因此，在对图像进行特征提取之前，要对其进行降噪和增强滤波等图像预处理。具体地预处理过程己方法在前面的章节进行了详细的介绍，见第二章，这里就不再赘述。
（2）对预处理后图像的感兴趣区域进行小波包分解，提取各频带的能量作为特征量。
据前所述，小波包分解可以为图像提供一个全面的描述，可以分析各个频率区域的信号。但是，随着分解级数的增加，得到的分解子图的个数也会成指数增长，这就使得进一步特征提取以及分类计算的复杂度大大的增加。如果，给定一个判别准则来决定是否对一个子图继续分解，那么对于不同的图像分解的级数
会互不相同。为了减少分解级数同时保持特征个数的稳定，本文选择二级小波包分解，分别提取第一层和第二层从低频到高频20个频率成分的信号特征。
(0,0)
(1,0)(1,1)(1,2)(1,3)
(2,0)(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)(2,7)(2,8)(2,9)(2,10)(2,11)(2,12)(2,13)(2,14)(2,15)
图 小波包二层分解树结构
在图3-5中，)(i,j 表示第i 层的第j 个结点，其中，210,,i =；15,,2,1,0j =，每个结点都代表一定的信号特征。其中，(0,0)结点代表原始信号S ，)0,1(结点代表小波包分解的第一层第0个节系数10X ，)1,1(结点代表小波包分解第一层第1个节点系数11X ，)0,2(结点代表第二层第0个节点的系数20X ，其它以此类推。
（3）对小波包分解系数重构。
提取各频带范围的信号，以20S 表示20X 的重构信号，21S 表示21X 的重构信号，其它依此类推。在这里，只对第二层信号分析，则总信号S 可以表示为：
21521421321221121029
282726252423222120S S S S S S S S S S S S S S S S S +++++++++++++++=
假设原始信号S 中，最低频率成份为0，最高成份为1，则提取的)15210(2,,,,j S j =16个频率成份所代表的频率范围。
（4）求各频带信号的总能量。
由于输入的图像信号是随机的，其输出也是随机的。设)15210(2,,,,j S j =对应的能量为)15210(2,,,,j E j =，则有：
?∑===n
k jk j j ||x dt |t |S E 122
22)( 其中，)211510(,n ,,,k ,,,j x jk ==表示重构信号j S 2的离散点的幅值。
（5）构造特征向量。
由于人脸图像不同人的面部特征不同，从而各频带内信号的能量有较大差别，因此，以能量为元素可以构造一个特征向量，可以依据不同的特征值来区分不同的人脸。
本文介绍了小波变换，小波多分辨率和小波包分析理论，重点介绍了小波包分析，小波包能对信号在全频范围内进行正交分解，因此在刻画信号的特征方面具有更强的优势。本文把小波包分析理论应用到人脸图像的分析与识别中，并介绍了利用小波包进行特征提取的方法、原理和主要步骤。
参考文献：
[1] 刘卓夫，桑恩方. 基于纹理的声纳图像识别[J].计算机工程，2008,第30卷，第14期：113-115
[2] 陈亦文.基于小波多分辨率分析和小波包分解的电能质量谐波分析的研究[D].福州大学
硕士论文，2007.12
[3] 王琪，费耀平.基于小波包分析的虹膜特征提取方法[J].计算机工程与应用，2008年，第
13期：60-62
[4] 严家明.基于小波变换的数字图像去噪研究[D].西华大学硕士学位论文，2006.4
[5] 彭玉华.小波变换与工程应用[M].北京：科学出版社,2008：2
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
关于图像特征提取 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。 特征的定义 至今为止特征没有万能和精确的定义。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。 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。 边缘 边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 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
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
基于小波变换的人脸识别 近年来，小波变换在科技界备受重视，不仅形成了一个新的数学分支，而且被广泛地应用于模式识别、信号处理、语音识别与合成、图像处理、计算机视觉等工程技术领域。小波变换具有良好的时频域局部化特性，且其可通过对高频成分采取逐步精细的时域取样步长，从而达到聚焦对象任意细节的目的，这一特性被称为小波变换的“变聚焦”特性，小波变换也因此被人们冠以“数学显微镜”的美誉。 具体到人脸识别方面，小波变换能够将人脸图像分解成具有不同分辨率、频率特征以及不同方向特性的一系列子带信号，从而更好地实现不同分辨率的人脸图像特征提取。 4.1 小波变换的研究背景 法国数学家傅立叶于1807年提出了著名的傅立叶变换，第一次引入“频率”的概念。傅立叶变换用信号的频谱特性来研究和表示信号的时频特性，通过将复杂的时间信号转换到频率域中，使很多在时域中模糊不清的问题，在频域中一目了然。在早期的信号处理领域，傅立叶变换具有重要的影响和地位。定义信号(t)f 为在(-∞，+∞)内绝对可积的一个连续函数，则(t)f 的傅立叶变换定义如下： ()()dt e t f F t j ωω-? ∞ -∞ += (4-1) 傅立叶变换的逆变换为： ()()ωωπ ωd e F t f t j ? +∞ ∞ -= 21 (4-2) 从上面两个式子可以看出，式（4-1）通过无限的时间量来实现对单个频率
的频谱计算，该式表明()F ω这一频域过程的任一频率的值都是由整个时间域上的量所决定的。可见，式（4-1）和（4-2）只是同一能量信号的两种不同表现形式。 尽管傅立叶变换可以关联信号的时频特征，从而分别从时域和频域对信号进行分析，但却无法将两者有效地结合起来，因此傅立叶变换在信号的局部化分析方面存在严重不足。但在许多实际应用中，如地震信号分析、核医学图像信号分析等，研究者们往往需要了解某个局部时段上出现了哪个频率，或是某个频率出现在哪个时段上，即信号的时频局部化特征，傅立叶变换对于此类分析无能为力。 因此需要一种如下的数学工具：可以将信号的时域和频域结合起来构成信号的时频谱，描述和分析其时频联合特征，这就是所谓的时频局部化分析方法，即时频分析法。1964年，Gabor 等人在傅立叶变换的基础上引入了一个时间局部化“窗函数”g(t)，改进了傅立叶变换的不足，形成窗口化傅立叶变换，又称“Gabor 变换”。 定义“窗函数”(t)g 在有限的区间外恒等于零或很快地趋于零，用函数(t )g -τ乘以(t)f ，其效果等同于在t =τ附近打开一个窗口，即： ()()()dt e t g t f G t j f ωττω-+∞ ∞--=?, (4-3) 式（4-3）即为函数f(t)关于g(t)的Gabor 变换。由定义可知，信号(t)f 的Gabor 变换可以反映该信号在t =τ附近的频谱特性。其逆变换公式为： ()()()ττωτωπ ωd G t g e d t f f t j ,21 ? ?+∞ ∞ --- = (4-4) 可见()τω,f G 的确包含了信号(t)f 的全部信息，且Gabor 窗口位置可以随着 τ的变化而平移，符合信号时频局部化分析的要求。 虽然Gabor 变换一定程度上克服了傅立叶变换缺乏时频局部分析能力的不
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
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
图像特征特点及常用的特征提取与匹配方法 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
—172 — 基于Gabor 小波变换的人脸表情特征提取 叶敬福，詹永照 (江苏大学计算机科学与通信工程学院，镇江 212013) 摘 要：提出了一种基于Gabor 小波变换的人脸表情特征提取算法。针对包含表情信息的静态灰度图像，首先对其预处理，然后对表情子区域执行Gabor 小波变换，提取表情特征矢量，进而构建表情弹性图。最后分析比较了在不同光照条件下不同测试者做出6种基本表情时所提取的表情特征，结果表明Gabor 小波变换能够有效地提取与表情变化有关的特征，并能有效地屏蔽光照变化及个人特征差异的影响。关键词：模式识别；表情特征提取；Gabor 小波变换 Facial Expression Features Extraction Based on Gabor Wavelet Transformation YE Jingfu, ZHAN Yongzhao (School of Computer Science and Communications Engineering, Jiangsu University, Zhenjiang 212013) 【Abstract 】This paper introduces a facial expression features extraction algorithm. Given a still image containing facial expression information,preprocessors are executed firstly. Secondly, expression feature vectors of the expression sub-regions are extracted by Gabor wavelet transformation to form expression elastic graph. Different expression features are extracted and compared while different subjects display six basic expressions with illumination variety. Experiment shows that expression features can be extracted effectively based on Gabor wavelet transformation, which is insensitive to illumination variety and individual difference. 【Key words 】Pattern recognition; Expression feature extraction; Gabor wavelet transformation 计 算 机 工 程Computer Engineering 第31卷 第15期 Vol.31 № 15 2005年8月 August 2005 ·人工智能及识别技术·文章编号：1000—3428(2005)15—0172—03 文献标识码：A 中图分类号：TP37 人脸表情识别是指从给定的表情图像或者视频序列中分析检测出特定的表情状态，进而确定被识别对象的心理情绪。人脸表情识别技术在许多领域有着潜在的应用价值，这些领域包括心理学研究、图像理解、合成脸部动画、视频检索、机器人技术、虚拟现实技术以及新型人机交互环境等[1]。 典型的人脸表情识别系统包括人脸检测、表情特征提取、表情特征分类识别3个阶段。人脸检测要能够从复杂的背景中检测出人脸的存在并确定其位置，对于图像序列，还要能精确跟踪人脸区域，国内外在人脸检测方面已做了大量的研究，且已有相关的有效方法及成果报道。而对于表情特征的提取和分类识别算法的研究目前还处于探索之中，国外学者已做了一定的研究工作，国内关于这方面的研究则相对较少。 针对处理图像的性质，可将表情特征提取方法分为两类：基于静态图像的表情特征提取和基于视频序列的动态表情特征提取。前者处理的是单帧静态表情图像，一般要求该图像反映的表情处于夸张或极大状态，使得提取的表情特征更为典型，这类方法主要包括主成份分析、奇异值分解以及基于小波变换的方法等。后者处理的是表情图像序列，目标是提取表情特征的变化过程。光流模型(Optical Flow Models)是提取动态表情特征的典型方法。比较而言，静态方法处理的数据量少，方法简单可靠，且提取的特征较为典型，能获得较高的识别率，但待处理的图像所包含的表情信息需处于夸张状态。而动态方法处理视频序列中的每一帧图像，因此计算量较大，难以满足实时性要求。 1表情图像的预处理 表情图像的预处理包括表情图像子区域的分割以及表情图像的归一化处理。前者指从表情图像中分割出与表情最相关的子区域，而后者包括图像的灰度均衡和尺度归一。图像预处理的好坏直接影响表情特征提取的效果和计算量。 (a) (b) 图1 分割人脸表情图像以提取特征区域 人脸表情特征可分为两类：持久性表情特征和瞬态表情特征，前者包括嘴巴、眼睛和眉毛，决定了基本表情状态，后者包括脸颊和额角皱纹的瞬间变化，能在一定程度上揭示表情状态。实验表明[3]，嘴角形状对表情的影响最大，其次是眼睛和眉毛，而皱纹变化属于动态特征，且受年龄等因素影响较大，对表情的贡献不大，甚至会对表情识别产生不利影响。因此表情识别应重点提取嘴巴、眼睛和眉毛等局部表情特征，并忽略皱纹的变化。图像分割算法的目标就是要精确定位和分离出持久表情特征子区域。对于样本图像，可以人工框出这些区域，也可以根据眼睛的灰度特征并结合先验知识采用特定的定位算法实现特征区域的自动分割。分割结 基金项目：国家自然科学基金资助项目（60273040）；江苏省高校自然科学基金资助项目（02KJB520003） 作者简介：叶敬福(1980—)，男，硕士生，研究方向：多媒体技术，CSCW ；詹永照，教授、博导 定稿日期：2004-06-26 E-mail ：yejingfu@https://www.doczj.com/doc/c311896505.html,
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/c311896505.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。