下载文档原格式
图像描述方法引言对人的视觉系统而言, 物体的形状是一个赖以分辨和识别的重要特征。
用计算机图像处理和分析系统对目标提取形状特征的过程, 称为形状和结构分析。
形状和结构的结果有两种形式: 一种是数字特征, 主要包括几何性质、统计性质和拓扑性质; 另一种是由字符串和图等所描述的句法语言。
这种句法语言既可刻画某一目标不同部分之间的相互关系, 又可描述不同目标间的关系, 从而可对含有比较复杂目标的景物图像进行描绘。
这些描述既可以直接作为图像处理系统的输出, 也可以作为对图像进一步分析或者作为语义学解释的依据。
对目标进行形状和结构分析, 可以基于区域本身或边界, 有时区域的骨架也包含了有用的结构信息。
形状的表达应简洁, 易于存储和运算, 并具有以下性质。
1) 唯一性: 每个目标必须有唯一的表示, 否则无法区分。
2) 完整性: 明确的, 没有歧义的。
3) 几何变换不变性: 平移, 旋转, 尺度, 镜像不变性。
4) 敏感性: 描述相似目标时能够加以区别的能力。
5) 抽象性: 从细节中抽取形状的本质特征, 不容易因噪声等原因而发生变化。
将按照上述的描述分类, 对图像描述领域中现有的各种方法提供尽量全面的分析和讨论。
1 区域内部描述：1. 1矩描述子设给定一个二维连续图像,它的灰度分布是f (x , y ) , 则可以定义(p , q ) 阶矩为 M pq = x p y q f (x,y)dx dy +∞_−∞+∞−∞式中, p , q = 0, 1, 2, ⋯矩之所以能被用来表征一幅二维图像, 是基于帕普里斯(Papou lis) 唯一性定理: 如果f (x , y ) 是分段连续的, 只在x , y 平面的有限部分中有非零值, 则所有各阶矩皆存在, 并且矩序列唯一地被f (x , y ) 所确定, 反之矩序列也唯一地确定f (x , y )。
从矩出发可定义相当一批数字特征: 质心、中心矩、Hu 矩组、面积及扁度等。
局部图像特征描述概述樊彬中国科学院自动化研究所模式识别国家重点实验室(CASIA NLPR)局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。
它是许多方法的基础，因此也是目前视觉研究中的一个热点，每年在视觉领域的顶级会议ICCV/CVPR/ECCV上都有高质量的特征描述论文发表。
同时它也有着广泛的应用，举例来说，在利用多幅二维图像进行三维重建、恢复场景三维结构的应用中，其基本出发点是要有一个可靠的图像对应点集合，而自动地建立图像之间点与点之间的可靠对应关系通常都依赖于一个优秀的局部图像特征描述子。
又比如，在物体识别中，目前非常流行以及切实可行的方法之一是基于局部特征的，由于特征的局部性，使得物体识别可以处理遮挡、复杂背景等比较复杂的情况。
局部图像特征描述的核心问题是不变性（鲁棒性）和可区分性。
由于使用局部图像特征描述子的时候，通常是为了鲁棒地处理各种图像变换的情况。
因此，在构建/设计特征描述子的时候，不变性问题就是首先需要考虑的问题。
在宽基线匹配中，需要考虑特征描述子对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性等；在形状识别和物体检索中，需要考虑特征描述子对形状的不变性。
然而，特征描述子的可区分性的强弱往往和其不变性是矛盾的，也就是说，一个具有众多不变性的特征描述子，它区分局部图像内容的能力就稍弱；而如果一个非常容易区分不同局部图像内容的特征描述子，它的鲁棒性往往比较低。
举个例子，假定我们需要对一个点周围固定大小的局部图像内容进行描述。
如果我们直接将图像内容展开成一个列向量对其进行描述，那么只要局部图像内容发生了一点变化，就会使得它的特征描述子发生较大的变化，因此这样的特征描述方式很容易区分不同的局部图像内容，但是对于相同的局部图像内容发生旋转变化等情况，它同样会产生很大的差异，即不变性弱。
而另一方面，如果我们通过统计局部图像灰度直方图来进行特征描述，这种描述方式具有较强的不变性，对于局部图像内容发生旋转变化等情况比较鲁棒，但是区分能力较弱，例如无法区分两个灰度直方图相同但内容不同的局部图像块。
第二章图像及其特征图像是通过不同的亮度和颜色来表现原景物的内容和相关信息的。
在现代图像 复制过程中， 图像的表现方式有两种， 即模拟方式和数字方式， 普通的原稿图像 （如 照片、画稿等）为模拟方式，经印前扫描输入后，即转为数字方式，经印前处理和 晒版后又转为模拟方式，最后得到模拟方式的印刷复制品。
一幅图像在一定的光学 条件下一般具有三大质量特征，即层次、色彩和清晰度。
文字和图形也可看成是图 像的特例，它们具有特定的层次和颜色特征。
图像复制的目的就是要将原稿图像的 这些特征再现在复制品上，一幅图像的质量好坏大多数情况下要利用其密度特征进 行评价。
2.1 密度密度是指图像各部分吸收光的性能，即图像黑化的程度，如果图像某部分将投 射到它上面的光吸收得越多，那么这部分图像的密度就越大，反之，该部分吸收的 光线越少，它的密度就越小。
因为密度表现了图像黑化的程度，因此也可以把密度说成黑度。
不过平常所说 的黑度只是一个面积变黑程度的视觉印象，而密度则是用数字来表示这种变黑的程 度。
2.1.1透射率与反射率所谓透射率，是指透光性材料透光度的大小，即透射光通量 φr 与投射光通量 φ 之比（如图 2-1 所示）： T=φr/φ 因此透射率只是一个比例系数，没有单位，可用百分数或小数表示。
由于透射 光通量总是小于投射光通量，所以透射率总是小于 1，即 T＜1，而且图像的黑度越 大，其透射率越小，如图 2-2 所示。
透 明 Φ 介 质 ΦT图2-1 透射与投射光通量图2-2 黑度与透射率的关系7所谓反射率，则是指反射图像反射光的性能，即反射光通量 φR 与投射光通量 φI 之比，实际应用中，通常用在相同照射条件下一个标准白色面（能 100％反射投 射的光通量）反射的光通量 φω表示投射光通量，即： R=φR/φω 与透射率一样，反射率也只是一个比例系数，可用小数或百分数表示，并且总 是小于 1。
只是反射率的比较基础是一个标准白色面的反射光通量，如图 2-3 所示。
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。
