致谢
本论文的工作是在我的导师陈后金教授的悉心指导下完成的。恩师如父，陈后金教授严谨的科研态度和科学的工作方法给了我极大的帮助和影响。在此衷心感谢三年来陈后金老师对我的关心和指导。
在论文课题的研究过程中，感谢侯建军、郝晓莉、胡健、薛健、高海林老师给予的热情指导、帮助和支持。还要感谢北京市眼科研究所和同仁医院的徐亮、王荣光等教授们为我的研究提供了大量的眼底图像资料。同时还要感谢于江波、李居朋、白立波等研究室的各位同学的热心帮助和支持！
感谢国家电工电子教学基地信号与系统教研室的全体老师，他/她们都在课题的研究过程中给我耐心细致的指导。蔺祥宇、刘志佳、马庆龙、崔晓明等同学与我共度了这两年半美好的同窗时光，感谢他们与我在科研学习上真诚的探讨交流，在生活上的真切关照。
在实验室工作及撰写论文期间，胡晓娜等同学对我论文的研究工作也给予了热情帮助，在此向他们表达我的感激之情。
另外也感谢家人，他们的理解和支持使我能够在学校专心完成我的学业。
北京交通大学硕士学位论文中文摘要
中文摘要
摘要：本文的工作是“眼底图像处理系统”的重要组成部分。眼底循环障碍疾病以及全身性疾病导致的眼底改变均可以不同程度地显征于视网膜和脉络膜。因此，眼底检查不仅对眼科疾病，而且对其他系统及全身性疾病的诊断也有着重要的意义。“眼底图像处理系统”可以为眼科医生提供全面准确的眼底信息，并能够辅助医生诊断和定位病灶。本文的工作主要集中在三个方面：
图像校正：本文根据眼球的解剖学和生理学特征建立了适于医学可视化的眼底数学模型，并且分析了眼底成像技术某些先验知识，提出了一种新的系统校正法消除眼底图像的几何畸变，从而得到了几何矫正后的图像。同时，本文还针对配准后的图像存在灰度差异这一现象，利用灰度调整法和灰度渐变法进行了灰度矫正，消除了配准后的眼底图像灰度不均匀的现象。其中，灰度调整法主要用于消除周围减光、光斑等等由成像造成的灰度畸变，用于单幅图像的调整。而灰度渐变法主要用于消除图像拼接时，由于接缝处两幅图像灰度差造成的灰度畸变，用于图像配准拼接后。
图像配准：本文在研究了诸多现有基于灰度的图像配准方法后，发现基于相位相关的方法因其具有配准精度高，运算量较小等优点。但是相位相关方法具有运算耗时比较大和灰度敏感这两个缺陷。所以，本文改进相位相关算法，针对灰度变化明显的眼底图像提出一种行之有效的边缘检测相位相关算法。该方法针对眼底图像的特点克服灰度敏感缺陷，而且还减少了眼底配准的耗时。试验结果表明，此方法对于眼底图像的配准有很高的精度和成功率。
视神经盘的提取：本文针对视盘边缘的特点，将一种称为Snake的动态边缘模型（Active Contour Model）应用于视盘检测。由于Snake在轮廓检测的过程中能够保证得到封闭的轮廓，并且对图像噪声和对比度不敏感，所以在处理局部间断的眼底轮廓时达到比较满意的检测结果（视盘边界）。
关键词：眼底图像、图像配准、动态轮廓模型、图像分割、图像校正
分类号：T P391.41
A BSTRACT
ABSTRACT: Fundus abnormalities caused by ocular and systemic diseases can be shown in retina and choroid. Therefore, the examination of the fundus is an applicable tool in diagnosing and monitoring both eye diseases and whole body conditions. With the development of digital image processing techniques, Computer-Aided Fundus Image Processing (CAFIP) system can be utilized to help ophthalmologist on focus location and diagnosis. My thesis is a significant part of CAFIP system, and composed of three kernel parts.
1. Image Rectification: Based on the physiological and anatomical characteristics as well as some prior knowledge of the eyeball, a novel systematic image rectification method was proposed to correct the geometric distortion. In addition, gray adjustment method and gray adaptation method were proposed to rectify the gray level distortion caused by nonlinear illumination and edge gray level difference respectively.
2. Image Registration: According to the characteristics of retinal fundus images, one novel method of registration based on Phase-Correlation was proposed. This method takes advantage of optic disc to match two images coarsely. Meanwhile Edge Detection was applied to extract the edge of abundant retinal veins and arteries in order to raise the precision of registration. This method also overcomes the gray-sensitive deficiency in Phase-Correlation method. And the experiment results show that the method not only enhances the precision of registration but also reduces time complexity remarkably.
3. Feature Detection: Based on characteristics of fundus images, the Active Contour method was improved and used to detect the Optic Disc in the retinal fundus. And because of its low sensitivity to the noise and low contrast of fundus images, the result was satisfactory.
KEYWORDS：Fundus Images, Image Registration, Active Contour (Snake), Image Segmentation, Image Rectification
CLASSNO：T P391.41
目录
中文摘要 (iii)
A BSTRACT (iv)
第一章绪论 (7)
1.1眼底的解剖结构 (7)
1.2眼底成像系统的缺陷 (8)
1.2.1图像的退化 (8)
1.2.2图像灰度畸变 (8)
1.2.3图像几何畸变 (9)
1.2.4单次成像视野局限性 (9)
1.3本文所做的工作 (9)
1.3.1眼底图像的矫正 (9)
1.3.2眼底图像的配准和拼接 (10)
1.3.3视神经盘的提取 (10)
第二章眼底图像畸变的校正 (11)
2.1灰度校正 (11)
2.1.1灰度调整法 (11)
2.1.2灰度渐变法 (12)
2.2几何校正 (13)
2.2.1眼底的数学模型 (13)
2.2.2几何畸变的校正 (14)
2.2.3灰度重采样 (16)
2.3本章小结 (18)
第三章眼底图像的配准和拼接 (19)
3.1图像配准的基础 (19)
3.1.1图像配准的基本概念 (20)
3.1.2医学图像配准的基本研究方法 (20)
3.1.3图像配准的一般模型 (22)
3.1.4图像的几何变换 (22)
3.1.5相似性测度 (25)
3.2基于图像灰度的图像配准介绍 (27)
3.2.1互相关匹配方法 (27)
3.2.2投影匹配算法 (29)
3.2.3基于傅里叶变换的相位匹配方法 (30)
3.2.4图像矩匹配方法 (31)
3.3一种基于边缘检测相位相关的眼底图像配准方法 (32)
3.3.1相位相关算法 (33)
3.3.2眼底图像的特点 (37)
3.3.3边缘检测相位相关算法对于眼底图像的配准 (38)
3.4本章小结 (41)
第四章视神经盘的提取 (43)
4.1使用动态轮廓模型（Snake）检测视神经盘 (44)
4.2S nake模型的数学描述 (45)
4.2.1G reedy Snake算法 (47)
4.2.2S nake检测视盘轮廓中的若干问题的分析讨论 (49)
4.2.3图像能量E image的确定 (51)
4.3视盘检测结果 (54)
4.4本章小结 (55)
结论 (56)
参考文献 (57)
作者简历 (60)
独创性声明 (61)
学位论文数据集 (62)
第一章绪论
在人类从外界接受的各种信息中，约有80%以上的信息来自于视觉。所以眼睛是人体最重要的感觉器官。眼底（视网膜）视神经是大脑向外延伸的部分，是重要的视觉器官，所以眼底疾病往往造成视力减退或永久丧失。另外，眼底循环障碍疾病以及全身性疾病导致的眼底改变均可以不同程度地显征于视网膜和脉络膜。因为眼底能用检眼镜、眼底照相机等仪器直接看到，也能利用上述仪器和采集设备配合进行图像采集，借此可对某些全身疾病提供早期诊断或预后判断。因此，提供一个眼底图像处理系统，对眼底图像进行质量改善、特征突出、特征提取、图像拼接、图像测量、图像辅助分析，最终为医生提供患者眼底完整的、高质量的眼底图像和辅助分析数据，将有助于医生对眼底疾病或全身疾病更方便、更准确地诊断和定位病灶。因此眼底检查对于眼科疾病和全身疾病的研究及诊断有着重要的价值。例如用于诊断糖尿病视网膜病变、高血压视网膜病变[1]等。
近年来，先进的计算机图像处理技术已被用于眼底图像的处理和分析，为迅速、准确、客观的分析眼底图像提供一个现代化的科学手段。早在1974年利用计算机图像处理技术进行眼底图像的处理和分析已有报道[2]，随之不断发展的自动眼底图像分析诊断系统已广泛引起了各国众多研究者的兴趣。可以预测，计算机眼底图像处理技术即将成为眼底检查主要手段。因此眼底图像的处理具有重要的临床实用价值。它也将成为眼科教学的有效辅助手段。
1.1眼底的解剖结构
图1-1眼底的解剖结构
如图1-1所示，正常的眼底的主要解剖结构有视乳头、黄斑、视神经盘和视网膜血管系统等等。视乳头是视神经穿过眼球壁的部分，由视神经纤维构成，一般呈橘红色。视乳头中央有一凹陷，为视神经纤维汇合处，称为视神经盘（Optic Disc）。视乳头易反光，在是观察眼底图像最明显的标志。黄斑位于眼球后极部中央，富含感光色素上皮细胞，视觉最敏感的部位。黄斑为后极部最暗的区域，呈红色或红褐色，近似圆形。黄斑的中央也有一个很小的凹陷，称为中心凹，为视觉最敏锐处，在眼底检查时可反射光线，而形成极小的光亮点。视网膜血管系统包括视网膜中央动、静脉和睫状体视网膜动、静脉，分别发出多级分支供应视网膜的营养。在眼底图像处理中，视网膜血管系统是评估处理效果的重要指标之一，也是诊断糖尿病视网膜病变、高血压视网膜病变等疾病需要测量的重要参数之一。
1.2眼底成像系统的缺陷
近年来，高科技技术不断发展，电脑化自动化的检查手段不断创新，尤其是眼底荧光血管造影技术和眼底照相机等等影像仪器广泛应用临床，使临床医生对眼底疾病的观察研究日益深化，疾病诊断的正确率和治疗的成功率都有较大程度的提高。但是国内外现有的影像仪器由于固有的或设计上的原因，都存在着若干缺陷，表现在眼底图像上有以下几个方面：图像的退化；图像发生几何畸变；图像发生灰度畸变；以及相对于整个眼底，图像包含区域的局限性。
1.2.1图像的退化
图像在形成、传输和存储过程中，由于眼底成像系统，摄影设备的不完善，都会造成图像质量的下降，典型表现为图像模糊失真、有噪声、图像对比度不够高等等。引起图像退化的原因很多：成像设备中光学系统的像差和绕射，成像设备与患者眼球之间的相对运动等等。
1.2.2图像灰度畸变
镜头成像中存在着灰度畸变（辐射量畸变），主要包括周围减光、光斑和传感器系统引起的黑斑等。周围减光现象是在使用镜头的成像设备中，图像的周围呈现比中心部位偏暗的现象。理想的镜头成像时，与光轴所成的角度为θ的点上的光量和中心比较，按cos4θ的比例减少。光斑是由于成像物体表面的镜面反射所引起高亮度区。由于眼底成像时必须有外界光源，在视网膜较平滑处，如视乳头
等位置就会由于类似镜面反射而特别明亮。而且，荧光造影时，由于荧光素经血管壁外渗，使得灰度畸变更为严重。
1.2.3图像几何畸变
所谓几何畸变，指的就是图像因从斜的方向拍照而产生的远近感的畸变（透视失真）；或者成像系统本身具有非线形性而产生的扭曲像差（枕形、桶型失真）；或者扫描镜的速度不均匀而引起的畸变。更重要的是，在眼底成像系统中，由于眼底位于三维曲面上，而且照相机位于近距离成像，产生的透视失真是比较严重的。因此在图像处理中，几何畸变，尤其是透视畸变的矫正是非常重要的处理。
1.2.4单次成像视野局限性
如前所述，由于高分辨率眼底单帧图像可观测视野有限，为了获得完全的眼底图像，需要对同一眼球需要从多个角度拍摄多张图片，然后将多幅图像拼接起来，以便于眼底的全部或者大部分的分析处理，并形成对眼底的整体认识。临床上多使用图像配准技术将这些图片拼接在一起。
图像配准是对不同时间、不同视点或者不同成像模式的两幅或者多幅图像，通过建立图像像素对应关系，进行相应的空间变换处理，转换到同一参考坐标下完成图像的拼接。目前的图像配准算法大致可以分为基于图像特征和基于灰度的图像配准两大类。
1.3本文所做的工作
鉴于前面所提出的眼底成像系统的缺陷以及临床需要，本文提出了若干具有针对性的算法，完成了从眼底图像矫正、眼底图像配准和拼接以及眼底视神经盘的提取等等一系列的连贯工作，为临床提供了真实的眼底可视化环境，并为CAD (Computer Aided Diagnosis) 系统提供了良好的开发基础。
1.3.1眼底图像的矫正
本文根据眼球的解剖学和生理学特征建立了适于医学可视化的眼底数学模型，并且分析了眼底成像技术某些先验知识，根据畸变产生的原因提出了一种新的系统校正法消除眼底图像的几何畸变。该算法借助透视变换把观测到的畸变图
像的位置给予矫正，再通过双线形插值法获得实际亮度，从而得到了几何矫正后的图像。
同时，本文还针对配准后的图像存在灰度差异这一现象，进行了灰度矫正，消除了配准后的眼底图像灰度不均匀的现象。
1.3.2眼底图像的配准和拼接
目前的图像配准算法大致可以分为基于图像特征和基于灰度的图像配准两大类。基于灰度的图像配准方法在配准全过程中使用图像的全部灰度信息，使用最灵活，具有精度高的优点，是人们最感兴趣和最重视的研究方法。在诸多现有基于灰度的图像配准方法中，基于相位相关的方法因其具有配准精度高，运算量较小等优点而得到了广泛的关注。但是相位相关方法具有运算耗时比较大和灰度敏感这两个缺陷。
本文改进相位相关算法，针对灰度变化明显的眼底图像提出一种行之有效的边缘检测相位相关算法。该方法针对眼底图像的特点克服灰度敏感缺陷，而且还减少了眼底配准的耗时。试验结果表明，此方法对于眼底图像的配准有很高的精度和成功率。
1.3.3视神经盘的提取
在眼底诊断中，视神经盘一直是眼科医生诊断和判断病情的一项重要依据。近代研究表明，在观测眼底视神经的各项指标中，神经盘沿面子最能反映视神经轴突的数量，因而盘沿面积的测定在青光眼的研究中受到了极大的重视。随着研究的深入，又有人发现盘沿面积直接与视盘面积的大小有关。图像区域的面积实际上就是某一封闭曲线内图像的像素个数，因而，面积计算的关键是区域的界定问题。
针对视盘边缘的特点，我发现一种称为Snake的动态边缘模型（Active Contour Model）在处理局部间断的轮廓时常常能够得到较好的整体效果。由于Snake在轮廓检测的过程中能够保证得到封闭的轮廓，并且对图像噪声和对比度不敏感，所以我将其应用于视盘检测，达到比较满意的检测结果（视盘边界）。
第二章眼底图像畸变的校正
眼底检查不仅对眼科疾病，而且对其它系统及全身性疾病的诊断也有着重要意义，因此眼底图像的处理具有重要的临床实用价值。本章主要讨论眼底图像的灰度校正和几何校正。其中灰度校正包括依赖于位置的辐射量畸变，以及对于多幅图像之间灰度差的调整。由于光照不均匀和照射角度的不同，因而灰度畸变是不可避免的，进行灰度校正是必要的。几何校正包括图像因从不同角度拍摄而产生的远近感的畸变。由于眼底成椭球型，眼底图像是椭球型曲面向平面的投影，因此成像中几何畸变是不可避免的，并且成像区域越远离黄斑区，几何畸变越大。事实上，几何畸变会严重影响图像配准拼接工作的准确性，所以在拼接之前确定成像区在眼底的位置并进行几何校正是必要的。作者校正了眼底图像的灰度和几何畸变，为临床医生提供了真实准确的眼底信息，为疾病的诊断、激光治疗、手术定位等临床诊断和治疗提供了有益的帮助。
2.1灰度校正
镜头成像中存在着灰度畸变，主要包括周围减光、光斑等等。周围减光现象是在使用镜头的成像设备中，图像的周围呈现比中心部分偏暗的现象。理想的镜头成像时，与光轴所成的角度为θ的点上的光量与中心比较按cos4θ的比例减少。光斑是指由于成像物体表面的镜面反射所引起高亮度区。
这样，在进行图像拼接时，重叠的区域可能在某一幅图像上位于中央，而在另一幅图像上却位于边缘，或者由于非线形的光照，造成眼底的统一位置，在不同图像中灰度差别较大。要么导致图像拼接失败，要么拼接处存在着灰度信息的阶梯骤变。因此进行图像拼接之前，应该根据要拼接图像进行灰度畸变校正。
由于这种图像退化的原因与普通的加性或者乘性噪声不同，所以利用常规的图像滤波方法的效果不是很理想。在这里我提出两种简单而又有效的解决方法。灰度调整法和灰度渐变法。灰度调整法主要用于消除周围减光、光斑等等由成像造成的灰度畸变，用于单幅图像的调整。而灰度渐变法主要用于消除图像拼接时，由于接缝处两幅图像灰度差造成的灰度畸变，用于图像配准拼接后。
2.1.1灰度调整法
眼底图像记为I ∈R M ×N , 首先计算每一行和每一列图像的平均灰度，记为：
C = {c i }1×N , R = {r j }M ×1,
其中：
∑==M i ij j p M c 11，∑==N j ij j p
N r 11 （2.1）
如果图像在某一行（列）的平均灰度偏大，令其在位于该行（列）上的全部像素点的灰度级减去该点超出平均灰度的部分；反之，若在某一行（列）的平均灰度偏小，则加上灰度的偏差，使图像平滑从而达到消除灰度畸变的目的。这种灰度畸变技术可用公式表达为：
p ij = p ij – 1/2(c j +r i ) + te （2.2）
其中，e 为整个图像的平均灰度，即
∑∑===M i ij N j p
N M e 11*1 （2.3）
系数t 是平滑调整参数，t 值越大，畸变高频成分校正的幅度越大，得到的图像也就越平滑，t 值越小，畸变校正的幅度也就越小。这里t 的值一般取为1。
由公式可以看出，这个校正算法不必考虑光轴的位置以及图像上任意一点与光轴的夹角角度。由于这个算法对各种辐射模型（不同的θ角）的校正公式是统一的，因此大大简化了算法的复杂度，提高了运算效率。
2.1.2 灰度渐变法
其中两幅眼底图像记为I 1∈R M ×N ，I 2∈R M ×N ，设l k 和r k 分别为拼接后第k 幅图像的最左端和最右端（即处于两幅图像的接缝处），则令E k 为
E k (i) = I k (r k , i)– I k+1(l k+1, i ) （2.4）
式中E k (i)为两幅图像交界处的色差，图像拼接的目标是降低两幅图像交界处的色差E k (i)，以实现无缝拼接。一种简单的方法是在一定范围内对两幅图像进行线形的色差调整，每幅图像作N 列的色差调整。可以将E k (i)进行2N 等分：
e k (i) = E k (i) /（2N ）
（2.5） 再将色差平均分配到两幅图像相邻的2N 范围上，即色差为 I k (r k-j , i) = I k (r k-j , i) － (N － j) × e k (i)
I k+1 (l k+1 + j , i) = I k+1 (l k+1 + j , i) + (N － j) × e k (i)
（2.6） 其中（j = 0，1，2……..N ）。对于待拼接图像进行上述的处理，最终就可以实
现图像的无缝拼接。
2.2几何校正
本节讨论的几何校正包括图像因从不同角度拍摄而产生的远近感的畸变，即透视失真。由于眼底成椭球型，眼底图像是椭球型曲面向平面的投影，因此成像中几何畸变是不可避免的，并且成像区域越远离黄斑区，几何畸变越大。
照相机所获取的是2D图像，而眼球是一个椭球体，成像过程中已经将眼底3D信息进行了畸变。并且为了保证眼球的完整性（即无创检查），也不能在成像中设置附加定位装置帮助校正畸变，所以本节借助眼底的数学模型，进行校正。
2.2.1眼底的数学模型
眼底的主要解剖结构有视乳头、黄斑和视网膜血管系统。视乳头是视神经穿过眼球壁的部分，由视神经纤维构成，一般呈椭圆形。黄斑位于眼球后极部中央，富含感光色素上皮细胞，呈近似圆形。黄斑区的中央也有一个很小的凹陷，称为中心凹，为视觉最敏锐处，在眼底检查时可反射光线，而形成极小的光亮点。视网膜血管系统包括视网膜中央动、静脉和睫状体视网膜动、静脉，分别发出多级分支供应视网膜的营养。在眼底图像处理中，视网膜血管系统是评估处理效果的重要指标之一。
根据视觉生理原理，眼球的汇聚调节系统将视物成像后汇聚到黄斑区（中心凹），因此把通过瞳孔中央和中心凹的直线称为视轴。由于人的眼球是可活动的，因此视轴也随着视线而改变。在本节提出的数学模型中，根据视轴同时穿过眼球前后极的中心，因此将眼底前后向坐标轴建立为与视轴重合。正常的眼球呈前后径略长的近似椭球体。由于成像的限制，我们无法通过眼球瞳孔看到眼球前半部的内侧面，因此我们只考虑椭球面的后半部，可得三维眼底曲面的方程为；
图2.1 眼球模型
1232
222212=++r z r y r x （z ≧ 0） （2.7）
其中r 1、r 2 、r 3 为B 超检查给出的患者眼球内壁的横向、纵向和前后向三个径向测量值，对于同一个患者来说是恒定的常数。定义眼球中心位于坐标原点，眼球水平径向为X 轴，垂直为Y 轴，前后径向为Z 周，因此黄斑区中心的坐标是（0，0，r 3）。（如图2.1所示）
2.2.2 几何畸变的校正
几何畸变校正的方法一般可以分为两大类：系统校正法和基于参考点的校正法。系统校正是利用引起几何畸变原因的信息，系统地校正几何畸变。这种方法需要取得引起几何畸变原因的参数正确测量值。基于参考点的校正应用于同时具有无畸变图像和有畸变图像的场合。首先在有畸变图像中取若干特征点，然后再无畸变图像中找出与之相对应的若干点。通过某些准则，如最小二乘法或者最小均方误差等，根据两组参考点的位置对应关系找出无畸变的坐标系和畸变的坐标系之问的变换式，进行几何变换。
由于基于参考点的校正法的准确性依赖于参考点之间的对应关系，而且参考点的选取具有人为因素，因此这种校正的精度常常比较低。当有多幅畸变图像需要几何校正时，时间消耗是相当可观的，而且校正的精确度也值得怀疑。本文在分析眼底成像技术某些先验知识的基础上，采用了系统校正法消除眼底图像的几何变换。
对于包含眼底不同区域的多幅图像，除了眼底后极部中心区域(黄斑区)的图像是在正方向拍摄的之外，其它的都是从斜方向拍摄的，因此存在着几何畸变。我们借助于计算机图形学中的透视投影原理对其作几何校正。一般认为观察到的图像是三维物体（如眼底）在某一视点下的透视投影的相。如果能够找到某幅图像拍摄时的真实视点并建立其透视投影变换，那么畸变图像就可以快速精确地得到校正。
对于眼底成像的过程，我们有以下约定：
（1）用户坐标系（x ，y ，z ）与公式（2.6）的设置一致，坐标原点位于眼球中心。
（2）引入观察坐标系（x 0’，y 0’，z 0’），坐标原点与视点重叠。约定把位于瞳孔中心e 0。的视点称为正视点。
（3）对每一幅观察图像建立一个观察坐标系（x i ’，y i ’，z i ’）（i = 1，2，…，n ），坐标原点为拍摄该图像时的视点，也就是说位于眼球的椭球曲面，在瞳孔中心附
近移动，如图2.2所示。
（4）所有视点的坐标值以用户坐标系为参照，z轴（i = 1，2，…，n）穿过瞳孔，z0穿过瞳孔中心e0。
（5）在拍摄第i幅图像时，如果眼底照相机的运动与在（x i’，y i’，z i’）（i = 1，2，…，n）点的坐标系运动完全一致，那么将得到没有畸变的图像。而事实上不是如此。
图2.2 眼底成像示意图
由前面建立的眼底数学模型可知，黄斑中心凹位于眼底的中心，即椭球面与z 轴相交处。如果某一幅眼底图像中不包含黄斑区，或者黄斑中凹不在图像的中心（简称形心），那么这幅图像就是从斜的方向拍摄的，就存在着几何畸变。根据前面的约定，我们提出图像几何畸变的一种新的系统校正法，其步骤为：（1）找出黄斑中心凹位于中心的眼底图像（临床实际操作中总能找到这样的或者类似的图像），由于它是从正视点拍摄的，因此不存在几何畸变。根据黄斑中心凹坐标（0，0，r3），在用户坐标系中定位该图像。该图像可记为F0。
（2）对于图像F i （i=1，2，…，n），测量其形心与黄斑中心凹的偏移，并以此确定F i的方位。
（3）由于F i形心的空间位置在眼球的椭球曲面上，可由（2.6）式计算形心在用户坐标系下的坐标（x i’，y i’，z i’）（i = 1，2，…，n）。
（4）设通过点（x i’，y i’，z i’）的法线的延长线与椭球曲面相交于点e i ，则e i正是与图像F i对应的视点，其坐标记为（x i，y i，z i）。
（5）由e i正确得到的图像是不应该有几何畸变的。对于我们实际观察到的畸变图像，可由e i确定的变换矩阵T用下式来校正F i。
T i·F i= F i’(2.8) 其中T i是第i个视点的透视变换矩阵，F i’是观察图像F i坐标的校正位置。按照惯例，F i’和F i均用齐次坐标表示。根据透视变换的原理，对于坐标为（x i，y i，z i）的
视点e i ，其变换矩阵T i 的形式为：
??????????????????=1000//00///0///i i
i i
i i i i i i i i
i i i i i i i i i i u u z u v u y v u z y v x u x v u z x v y T (2.9)
其中 222z y x u i ++= ，22y x u i +=。
2.2.3 灰度重采样
失真图像经过几何校正后，会出现两种情况。一种是校正后的坐标（x i ’，y i ’）刚好落在原来失真得图像网格点（x i ，y i ）上，则校正后图像中点（x i ’，y i ’）的灰度值就用失真图像中点（x i ，y i ）的灰度来代替。另一种情况是校正后的坐标点（x i ’，y i ’）不是刚好落在原来是真图像的某个网格点上。此时，需要利用重采样方法来确定校正图像中像素点（x i ’，y i ’）的灰度值。重采样的像素灰度值是根据周围像素的灰度值按照一定的权函数内插得到的。
下面介绍常用的几种插值方法：最邻近像素法、双线形插值法以及双三次卷积法。
Ⅰ、最邻近像素法：
最邻近像素法是直接取输出点位置最近的灰度值为该点的灰度作为采样值，即最邻近像素法的计算公式为：
g T = g( int( x + 0.5 )，int( y+0.5) ) （2.10）
最邻近像素法算法最简单，计算速度快，而且能不破坏原是图像的灰度信息。但是其几何精度较差，最大可达像素级。
Ⅱ、双线性插值法：
双线性内插法利用四个邻点在两个方向上做线性内插，用线性逼近的方法得到最终的校正图像。
g T = (1-u)(1-v)g(i 0，j 0) + u(1-v) g(i 0+1，j 0) + (1-u)vg(i 0，j 0+1) + uvg(i 0+1，j 0+1)
（2.11）
其中u ，v ∈（0，1），可以认为是经校正前的像素映射回校正后的坐标系内，像素值的小数部分。即u = i 0 － int(i 0)，v = j 0 － int(j 0)。
双线性插值法利用周围四个像素的灰度值，精度较好，但是存在分辨率降低的问题。
Ⅲ、双三次卷积法：
双三次卷积实质上是利用一个三次多项式来近似理论上的最佳插值函数sinc(x)，即sinc(x) = sin(∏x)/(∏x)。
从而利用输出点（i ，j ）最邻近的16个点，使用双三次多项式逼近的方法得到输出点。其计算式为
∑∑===4
40),(*),(),(j i T j i W j i G j i g （2.12）
其中， ?
?
?
??
?
??????=333231302322212013
12111003020100W W W W W W W W W W W W W W W W W （2.13） ????????????++++++++++++++++++++++++=)3,3()
2,3()1,2(),3()3,2()
2,2()1,2(),2()3,1()
2,1()1,1(),1()3,()
2,()1,(),(00000000000000000000000000000000j i g j i g j i g j i g j i g j i g j i g j i g j i g j i g j i g j i g j i g j i g j i g j i g G （2.14） 其中，式中：
W 00 = W(x 0)W(y 0)
… …
W 33 = W(x 3)W(y 3)
… …
W ij = W(x i )W(y j )
即按照式（2.12），可以得到：
在x 方向：
W(x 0) = W(1+△x) = －△x + 2△x 2 －△x 3
W(x 1) = W(△x) = 1－2△x 2 + △x 3
W(x 2) = W(1－△x) =△x + △x 2 －△x 3
W(x 3) = W(2－△x) = －△x 2 + △x 3
（2.15） 在y 方向：
W(y 0) = W(1+△y) = －△y + 2△y 2 －△y 3
W(y 1) = W(△y) = 1－2△y 2 + △y 3
W(y 2) = W(1－△y) =△y + △y 2 －△y
3W(y 3) = W(2－△y) = －△y 2 + △y 3
（
2.16）
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：
龙源期刊网 https://www.doczj.com/doc/e412344907.html, 图像纹理检测与特征提取技术研究综述 作者：李秀怡 来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言 随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。 尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识： （1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期
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
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
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
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
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/e412344907.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。
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
摘要 纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题,一直是人们关注的焦点,各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上,回顾了纹理特征提取方法的发展历程,分析了其研究现状,对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别
ABSTRACT Texture is a kind of important visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image processing area. Texture feature extraction has been the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extraction methods has been emerged in endlessly. On the basis of extensive literature investigation, we review the texture feature extraction methods, analyze the development of the research status of the texture feature extraction methods and make a comprehensive review of its classification . Finally ,based on gray symbiotic matrix image problem extraction methods,we research how to effectively extract image texture feature described by the image characteristic value to image recognition. Graylevel co-occurrence matrix is a simple and effective image texture description method.This method's advantage is: it can use the image pixels relative positions of the spatial information more to accurately describe the texture image.This paper use the graylevel co-occurrence matrix of the properties to extract statistics from the matrix corresponding as texture feature parameters to realize image recognition. KEY WORDS: graylevel co-occurrence matrix, texture feature extraction, image recognition