当前位置：文档之家 › 第10章图像特征提取及分析

第10章图像特征提取及分析

  • 格式：ppt
  • 大小：1.04 MB
  • 文档页数：63

下载文档原格式

  / 63

合集下载

第10图像特征提取(第二版)

第10图像特征提取(第二版)
方向的相邻像素之差进行梯度幅值的检测，所以求得的是 在差分点（i+1/2，j+1/2）处梯度幅值的近似值，而不是 所预期的点（i,j）处的近似值，为了避免引起混淆，可 采用3×3邻域计算梯度值。
10.1.2 梯度边缘检测
(2) Sobel算子 Sobel算子（索贝尔）算子是3×3的，其在点(i,j)的
梯度幅值表示为：
G(i, j) sx2 sy2 简化的卷积模板表示形式为 ：
（10.9）
G(i, j) sx sy
（10.10）
其中，Gx和Gy是3×3像素窗口（模板）的中心点像素在x 方
向和y 方向上的梯度，也即利用Sobel 边缘检测算子得到的 是边缘检测结果图像中与3×3模板的中心点（i，j）对应的
10.1.2 梯度边缘检测
设f(x,y)为连续图像函数，Gx和Gy分别为x方向和 y方向的梯度，且在点(x,y)处的梯度可以表示为一个 矢量，并有其梯度定义：
G(
f
(
x,
y))
f
(x, x
y)
f (x, y) T
y
（10.1）
若记：
Gx
f (x, y) x
Gy
f
(x, y
y)Leabharlann 10.1.2 梯度边缘检测
《数字图像处理》研究生课程
第十章 图像特征提取
在图像技术领域的许多应用中，人们总是希
望从分割出的区域中分辨出地物类别，例如分辨 农田、森林、湖泊、沙滩等；或是希望从分割出 的区域中识别出某种物体（目标），例如在河流 中识别舰船；在飞机跑道上识别飞机等。进行地 物分类和物体识别的第一步就是物体特征的提取 和检测，然后才能根据检测和提取的图像特征对 图像中可能的物体进行识别。

10-面向对象图像特征提取

10-面向对象图像特征提取

第十章面向对象图像特征提取10.1面向对象图像分类技术面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息对图像分割和分类，以高精度的分类结果或者矢量输出。

它主要分成两个过程：图像对象构建和对象的分类。

FX的操作可分为两个部分：发现对象(Find Object)和特征提取(Extract Features)笈现对彖10.2 发现对象10.2.1 准备工作根据数据源和特征提取类型等情况，可以有选择地对数据进行一些预处理工作。

（1）空间分辨率的调整如果您的数据空间分辨率非常高、覆盖范围非常大，而提取的特征地物面积较大（如云、大片林地等），可以降低分辨率，提供精度和运算速度。

可利用ENVI 主菜单->Basic Tools->Resize Data 工具实现。

（2）光谱分辨率的调整如果您处理的是高光谱数据，可以将不用的波段除去。

可利用ENVI 主菜单->Basic Tool->layer stacking 工具实现。

（3）多源数据组合（4）空间滤波10.2.2 发现对象第一步启动FX 模块（1）在ENVI EX 中，选择File-Open, 打开图像文件qb_colorado.img ，如图10.1。

（2）在ENVI EX 中，双击Toolbox 中的Feature Extraction 。

选择输入文件（图10.2），单击Select Additional Files 前的三角形符号，有三种数据可输入：Basic Image: 必选项辅助数据（Ancillary Data ）:可选项掩膜文件（Mask File ）:可选项（3）单击OK 按钮，进入下一步操作。

-£ xK & A «■(- M 話14 倨if日y Laper huHjper_j FSilx■ =' [T1." I M *钢i 啊■ E £i WO ) ■曲hr o MM J■!ITF rtW“■W T谊■［也贏*i F虫Diuj-in i r.{*■ I■"・>tx h 丄qpr »1>3 A _1Wfl-i ■■■SF“图10.1 ENVI EX 界面图10.2选择数据第二步图像分割FX根据临近像素亮度、纹理、颜色等对图像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数就能产生多尺度分割结果。

最新视频图像处理第十讲特征提取01幻灯片课件

最新视频图像处理第十讲特征提取01幻灯片课件

形状描绘子
b
3
c 4
2
1a
0
5
7 6
0
ef
d
g
边界链码
2 0 6 4 2
0a b c d e f g p
边界链码包括起始点的坐标，以及确定走向 的编码顺序。
25
图像特征的提取
形状描绘子
生成边界链码，需要用边界跟踪技术。 用边界链码存储物体的形状特征，只用一个 起始点的坐标和每个边界点的3比特信息。 大大节省了存储空间。适合目标识别。
6
图像几何特征的提取
几何测量
计算面积：
—统计边界内部 （包括边界上）
的像元数。
2Δ Δ
多边形 的周长
—各顶点与内部 任意一点的连 线组成的全部 三角形的面积 之和。
N
A=0.5 (xiyi+1 - xi+1yi) i=1
7
图像几何特征的提取
几何测量
根据Green定理: 在x,y平面中的一个闭合曲线 包围的面积A由其轮廓积分给定：
y c
a
d
b x
L = ab W = cd
9
图像几何特征的提取
几何测量
实际目标轮廓并不容易计算，通常是计算 物体二值化后在水平和垂直两个方向的跨 度。
y
yc
yd xa
L = xaxb W = ycyd
x
xb
10
图像几何特征的提取
几何测量
4.1.3 形心、质心（重心、矩心）
把目标图像看成一块密度均匀的薄板，求出的 重心叫做目标图像的形心。
0 01 1 0 0 00 0 0
对于更复杂的形体G比C的分辨力更强。
19

图像处理中的特征提取与分类方法

图像处理中的特征提取与分类方法

图像处理中的特征提取与分类方法图像处理技术是指利用计算机和数字图像处理技术来处理不同类型的图像，从而得到有效的信息。

图像处理被广泛应用于医学诊断、数字水印、娱乐、安防领域等方面。

其中一个重要的步骤就是图像的特征提取与分类，下面我将详细介绍这个过程中所用到的方法。

一、特征提取特征提取是图像处理中最关键的步骤之一。

图像中的特征是指具有区别度的、代表性的、不同的属性，不同的特征可以用于不同的分类任务。

在图像处理中，特征可以分为两种类型：结构特征和统计特征。

1. 结构特征结构特征是基于像素本身的一些属性来描述图像的特征，包括如下几种：（1）边缘特征：边缘是图像上两种不同灰度的区域之间的分界线。

边缘特征可以通过边缘检测算法来提取。

（2）角点特征：角点是图像上局部区域的转折点，可以用于跟踪和目标检测。

（3）纹理特征：纹理是图像上一种空间上或颜色上呈现规律的、重复的模式，可以用于纹理识别。

（4）形状特征：形状可以描述物体的几何形状，如圆、椭圆、矩形等。

2. 统计特征统计特征是通过对图像各个像素灰度值的统计分布来描述图像的特征，包括如下几种：（1）直方图：直方图描述了图像每个像素的灰度值出现的次数。

（2）均值和方差：均值表示图像区域内像素灰度值的平均值，方差表示图像区域内像素灰度值的变异程度。

（3）能量和熵：能量表示图像区域内像素良好分布的程度，熵表示图像区域内像素的信息量。

二、分类方法特征提取后，需要将其用于图像分类。

在图像分类上，根据不同任务，可以采用不同的分类方法。

1. 传统分类方法传统分类方法是指基于数学模型来描述图像特征和分类关系的分类方法，主要包括如下几种：（1）KNN算法：KNN算法是指K-近邻算法，是一种基于样本的分类方法。

对于一个测试样本，找出与它最相似的K个训练样本，用它们的分类标签中出现最多的作为预测结果。

（2）SVM算法：SVM算法是指支持向量机算法，是一种二分类模型，可以采用核函数进行非线性分类。

计算机图形学理论及应用技术 第10章 图像量化和图像模式识别

计算机图形学理论及应用技术 第10章 图像量化和图像模式识别

2. 图像特征提取和特征选择
3. 图像模式识别
为了说明模式识别的基本方法，我们介绍两种典型的手 写字符识别方法：模式匹配法和特征抽取法。
(1) 手写字符的模板匹配法
2) 定义标准字的特征量 3) 计算输入字符模式与标准模式的相似距离 4) 判定字符所属的标准模式
10.2.2 基于图像语言及结构方法的图像模式识别 1. 图像语言及结构的图像识别方法 图像语言及结构的图像识别方法的优点有两个： 1) 按结构描述图像，可以忽略与处理目标无关的内容，其抗 干扰能力强. 2) 简单的图像语句还可以作为一个图像基元进一步组合成复 杂的图像语句，积累多次可以表达非常复杂的图像，同时 它也可以和统计法结合起来，用统计法进行图像基元的模 式识别，用图像语言法解决复杂的图像识别和分析问题。 2. 图像基元 图像基元是图像处理中需要分解的最小图像单元。图像基元 具有3个基本性质： (1) 图像基元具有基本性和完整性 (2) 图像基元具有可选择性和可描述性 (3) 图像基元具有可识别性和可抽取性
2. 图像预处理和特征抽取方法 图像预处理指图像模式识别前的处理工作，它包括： (1) 图像输入 图像输入工作需要根据处理的实际情况，确定以下4方面的内容： 1) 确定原始图片资料的获得方法。 2) 确定图像的输入方法。 3) 确定图像的像素分辨率和色彩分辨率等规格。 4) 确定图像数据压缩方式或图形文件格式。 (2) 图像预处理操作 图像预处理的基本目标是： 1) 消除图像噪声或斑纹等图像干扰，避免由于图像干扰产生的图 像处理错误和麻烦。 2) 消除与处理目标无关的图像因素，以突出处理的主要因素。 3) 矫正图像误差，对原始图片进行改造，提高图像处理的正确性。 4) 突出处理目的图像特征，使图像特征更清晰、更容易提取。

图像特征提取与分析补充讲义

图像特征提取与分析补充讲义

3、圆形度
圆形度用来刻画物体边界的复杂程度，例如，比较相同面 积的圆形和星形，星形等图形要比圆形的周长大的多。 因此，提出圆度e来表示物体的形状复杂程度： 式中：A—面积；P—周长。
显然，当圆的半径为r时，周长为2π r , 面积为π r2,所以，e＝1.0。由图可知， 形状越接近圆形，e越大；形状越复杂，e值越小。
p q

式中
m10 x , m 00
m01 y m00
m00 f ( x, y )dxdy


m01 yf ( x, y )dxdy


m10 xf ( x, y )dxdy


数字图像
二值图像
m pq i p j q f (i, j )
Байду номын сангаас
物体的中心位置：
其中x和y是区域相对于图像左上角的中心坐标． 故，物体的位置为：
物体的方向：
定义为最小惯量轴(主轴)的方向。
最小惯量轴：目标物上找一条直线，使目标上的所有点到这 条直线的垂直距离的平方和最小、
欧拉数
在视觉应用中，欧拉数或亏格数可作为识别物体的特征 1. 定义：连通成份数减去空洞数 E = C - H 其中: C、H 为连通成份数、空洞数
M [i, j ]
g[k , l ] f [i k , j l ]
k 1 l 1
m
n
这种算子称为f和g之间的互相关
特征检测与识别策略
特征 特征 检验器 特征 分类器 检验器 物体 分类器 物体 物体
物体识别的复杂度
场景不变性 图像模型空间 模型库中物体的数目 图像中物体的数目和遮挡问题
图像特征提取与分析

图像特征提取及分析PPT课件


5
基本概念
特征形成
根据待识别的图像，通过计算产生一组原始特征，称之为特征形成。
特征提取
原始特征的数量很大，或者说原始样本处于一个高维空间中，通过映射或变 换的方法可以将高维空间中的特征描述用低维空间的特征来描述，这个过程 就叫特征提取 。
特征选择
从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这 个过程就叫特征选择。
如果仅计算其在坐标系方向上的外接矩形是很简单的，只需计 算物体边界点的最大和最小坐标值，就可得到物体的水平和垂 直跨度。
但通常需要计算反映物体形状特征的主轴方向上的长度和与之 垂直方向上的宽度，这样的外接矩形是物体最小的外接矩形 （MER-Minimum Enclosing Rectangle）。
✓ 一幅图像或一个区域中的连接成分数C和孔数H不 会受图像的伸长、压缩、旋转、平移的影响，但如 果区域撕裂或折叠时，C和H就会发生变化。
✓ 区域的拓扑性质对区域的全局描述是很有用的，欧 拉数是区域一个较好的描述子。
2023/10/17
14
2.凹凸性--区域的基本特征之一
区域内任意两像素间的连线穿过区域外的像素，则此区域为凹形。 相反，连接图形内任意两个像素的线段，如果不通过这个图形以 外的像素，则这个图形称为是凸的。
1. 统计矩 函数的矩在概率理论中经常使用.几个从矩导出的
期望值适用于形状分析. 大小为m*n的数字图像f(i,j)的(p+q)阶矩为:
nm
mpq
i p j q f (i, j)
i1 j 1
2023/10/17
25
（1）区域重 (形)心位置
0阶矩m00是图像灰度f(i,j)的总和。 二值图像的m00则表示对象物的面积。

第10章_特征提取与选择

备选的分类特征变量。
8
一、特征提取（3）
（2）最小噪声分离
最小噪声分离变换通过对信号与噪声的分离，所获得的分量是按
信噪比由高到低排序的，使信息更加集中在有限的特征集中，一
些微弱的信息则在去噪转化中被增强，从而使光谱特征向类特征
向量汇集，增强了分类信息。
目标：与主成分变换类似，最小噪声分离变换之后也是通常选择
独立成分分析采用基于信号高阶统计特性的分析方法，经分解出的各信
号分量之间不仅是正交的，而且信号在各分量上是相互独立的（即一个
分量对应于一种信号），对于遥感图像来说即每一分量主要反应了某一
种地物类型的信息。
目标：由于地物类型的多样性以及遥感波段数设置的有限性，所以独立
成分分析算法只能使得分离得到的每个分量图像里尽可能地集中某一种
2
背景知识（2）
特征的类型
（1）原始特征：能直接反映物体之间差异的原始属性。
（2）衍生特征：把某些或者所有原始属性通过变换生成新的特征变量
，从而增强地物之间的可分性，这种通过变换方式得到新特征变
量的过程就是特征提取。
遥感影像的特征类型
（1）原始特征：光谱信息
（2）衍生特征：全局性的光谱特征统计变量和局部性的空间特征（特征
归一化差值植被指数（ Normalized Different Vegetation Index，NDVI ）：
NDVI
bnir br
bnir br
式中，bnir为近红外波段的反射率，br为红光波段的反射率，对于Landsat
8 OLI影像来说，bnir为第5波段，br为第4波段。
12
一、特征提取（7）
地物的信息。该方法比较适合某一地类在各个波段中的信息都比较弱的

图像特征提取总结


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。 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。 （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 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

遥感数字图像处理-第10章 特征提取与选择

4
二、特征选择
1.特征选择的流程
（1）子集产生 （2）子集评价（非监督选择和监督选择） （3）评价终止 （4）结果验证
原始 属性集
子集产生
属性 子集
子集评价
否 终止条件 是 结果验证
5
二、特征选择
2.属性评价准则
根据与分类算法的关联程度，属性评价准则大体上可以分成 两类：关联准则和独立准则。 关联准则
7
二、特征选择
3.基于先验知识的特征选择
ቤተ መጻሕፍቲ ባይዱ前人的工作基础和研究经验可以给我们提供特征选择的思路
基本思想：如果我们对研究区地物及其属性比较熟悉，已经知道某些属 性可以很好地区分待分类的地物，此时我们可以根据这些先验知识直接 选择这些可以区分特定地物的属性，该方法非常适合光谱信息相对较少 的多光谱数据。
关联准则依赖于分类算法，它是以分类算法的性能作为评价准则。 ➢ 监督特征选择，在特定的分类器下常采用分类准确率作为评价准则。 ➢ 非监督选择，在特定的聚类算法下常采用属性子集的聚类质量来作为
评价准则，常用的聚类质量评价参数有类别的紧凑性、类内类间的距 离和最大可能性等。
6
二、特征选择
独立准则
独立准则是通过训练样本的内在特征来对所选择的属性子集进行评价， 不依赖于特定的分类算法。
局限性：先验知识往往受限于所识别的地物类别及其所处的环境
8
三、特征组合
特征组合涉及两方面的内容： 各特征参与分类的先后顺序 各特征参与分类时的权重
作用：对于某些分类器来说，给各特征变量赋予不同的权重后再进行 分类，则会得到不同的分类结果
决策树分类对于特征组合的体现比较典型，决策树的构建过程就体现了 各特征变量出现的先后顺序；而且某一特征可能被多次使用，也就是说 该特征在分类过程中的贡献不只一次，即它的权重相较于其他特征来说 要更大一些。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

目的
让计算机具有认识或者识别图像的能力，即图像识别。 特征选择是图像识别中的一个关键问题。 特征选择和提取的基本任务是如何从众多特征中找出最有 效的特征。
2018/11/12 4
图像的特征
所谓图像特征，换句话说就是图像中的物体有什么 样的特征。 图中有几个水果。要想从该图像中把香蕉提取出来， 必须告诉计算机要提取什么样的物体。 例如，应把香蕉的特征之一——细而长告诉给计算 机。也就是说，要指示图像中物体的形状、大小等 特征。即告诉计算机要提取的物体是大物体或是圆 的、方的等。这时，就要使用“大小”、“圆度” 等表示物体形状的参数。
(P
j 1
N
ij
i ) 3
1 3
10.2.2 颜色直方图
描述了图像颜色分布的统计特性. 可以直接在RGB图像上生成.
2018/11/12
9
颜色直方图
设一幅图像包含M个像素，图像的颜色空 间被量化成 N 个不同颜色。颜色直方图 H 定义为：hi
pi=hi
（10-4）
21
圆形度R0
显然，当圆的半径为r时，周长为2πr , 面积为πr2,所以，e＝1.0。由图可知， 形状越接近圆形，e越大；形状越复杂，e值越小。
2018/11/12
22
（6）形状复杂性e
公式为：
e L2 / S
该式描述了区域单位面积的周长大小，e值越大，表 明单位面积的周长大，即区域离散，则为复杂形状； 反之，则为简单形状。e值最小的区域为圆形。 典型连续区域的计算结果为： 圆形e=12.6； 正方形e=16.0； 正三角形e=20.8。
一阶矩（10-1） :颜色分量的平均强度 二阶矩（10-2） :颜色分量的方差 三阶矩（10-3） :颜色分量的偏斜度
1 i N
i
1
N
P
j 1
ij
N
ij
(10-1)
1 2
(P N
j 1
i ) 2
(10-2) (10-3)
8
1 si N
2018/11/12
2018/11/12
19
(4)矩形度
矩形度用物体的面积与其最小外接矩形的 面积之比来刻画，反映物体对其外接矩形 的充满程度. R=A/AMER
此外,另一个与形状有关的特征是长宽比: R=WMER/LMER 它可以将细长的物体与方形或圆形的物体区 别开来.
2018/11/12 20
n m m10 i if (i, j ) m00 i 1 j 1
n m m01 j jf (i, j ) m00 i 1 j 1
f (i, j)
i 1 j 1
m
n
m
f (i, j)
i 1 j 1
n
2018/11/12
26
（2）中心矩
中心矩是以重心作为原点进行计算：
固 定 i0 ， 得 到 图 像 f(i,j) 的 过 i0 而 平 行 于 j 轴 的 截 口 f(i0,j),j=1,2…,n。固定j0 ，得到图像f(i,j)的过j0而平行于i轴的 截口f(i,j0),i=1,2,…,n。二值图像f(i,j)的截口长度为
对于区域为nхn的二值图像和抑制背景的图像f(i,j)，它在i轴上 n 的投影为：
p(i) f (i, j ) i 1,2, , n
n
j 1
p( j ) f (i, j ) j 1,2, , n 在j轴上的投影为 ： i 1 由以上两式所绘出的曲线都是离散波形曲线。这样就把二维 图像的形状分析转化为对一维离散曲线的波形分析。
基本概念 颜色特征描述 形状特征描述 图像的纹理分析技术 小结
2018/11/12
2
10.1 基本概念
在物体从图像中分割出来后，就可以对它的几何特征进 行测量和分析，在此基础上可以识别物体，也可以对 物体分类，或对物体是否符合标准进行判别实现质量 监控。
例如，能将马铃薯或苹果等农产品按品质自动分类的机器视 觉系统; 自动计算不规则形状所包含面积的测量系统，将传送带上不 同工件自动分类的视觉系统； 自动检查一个人的图像特征，判断是不是某一个人； 自动售货机可以识别纸币的面额；
10.3.1 区域内部空间域分析 10.3.2 区域内部变换分析 10.3.3 区域边界的形状特征描述
2018/11/12 12
10.3.1区域内部空间域分析
区域内部空间域分析是不经过变换而直接在图像的 空间域，对区域内提取形状特征。 1.欧拉数
图像的欧拉数是图像的拓扑特性之一，它表明了图像的连通 性。
2018/11/12
23
利用特征参数提取物体
每个果实的特征参数计算步骤如图所示:
特征参数计算结果表示如下:
2018/11/12
（a）原图像 （b）圆度小于0.5的区域
（c）提取的图像
24
10.3.2 区域内部变换分析
区域内部变换分析是形状分析的经典方法, 它包括求区域的各阶统计矩、投影和截口等。
pq (i i ) ( j j ) q f (i, j )
p i 1 j 1
n
m


中心矩具有位置无关性，利用中心矩可以提取区域的一些基本形 状特征。 如: u20和u02分别表示围绕通过灰度中心的垂直和水平轴线的惯 性矩. 假如u20>u02,则可能所计算的区域为一个水平方向延伸的区域. 假如u30=0时,区域关于i轴对称.同样,当u03=0,区域关于j对称.
第10章 图像特征提取与分析
本章重点： 图像特征及特征提取的基本概念。 常见的图像特征提取与描述方法:
颜色特征; 几何形状特征; 纹理特征。
算法---特征---识别
2018/11/12
高级阶段内容:图像结论性判断
1
第10章 图像特征提取与分析
10.1 10.2 10.3 10.4 10.5
下图 (a)的图形有1个连接成分和1个孔，所以它的欧拉数为0， 而下图（b）有1个连接成分和2个孔，所以它的欧拉数为-1。
通过欧拉数可用于目标识别。
欧拉数=连接成分数-孔数
2018/11/12
具有欧拉数为0和-1的图形
13
欧拉数
一幅图像或一个区域中的连接成分数C和孔数H不 会受图像的伸长、压缩、旋转、平移的影响，但如 果区域撕裂或折叠时，C和H就会发生变化。 区域的拓扑性质对区域的全局描述是很有用的，欧 拉数是区域一个较好的描述子。
为第 i 种颜色在整幅图像中具有的像 素数。 归一化为：
pi=hi/M
2018/11/12
(10-5)
10
由于RGB颜色空间与人的视觉不一致，可将RGB 空间转换到视觉一致性空间。 除了HSI空间外，一种更简单的颜色空间：
C1=(R+G+B)/3 C2=(R+(max-B))/2 C3=(R+2*(max-G)+B)/4 max=255
1. 统计矩 函数的矩在概率理论中经常使用 .几个从矩导出的 期望值适用于形状分析. 大小为m*n的数字图像f(i,j)的(p+q)阶矩为:
n m
m pq i j f (i, j )
p q i 1 j 1
2018/11/12
25
（1）区域重 (形)心位置
0阶矩m00是图像灰度f(i,j)的总和。 二值图像的m00则表示对象物的面积。 用m00来规格化1阶矩m10及m01，得到一个物体的重心 坐标：
根据这两种计算周长的方式，以区域的面积和周长图为例， 区域的周长分别是 和22。
2018/11/12
18
(3)长度和宽度
在已知物体的边界时，用其外接矩形的尺寸来刻画它的基本形 状是最简单的方法。 如果仅计算其在坐标系方向上的外接矩形是很简单的，只需计 算物体边界点的最大和最小坐标值，就可得到物体的水平和垂 直跨度。 但通常需要计算反映物体形状特征的主轴方向上的长度和与之 垂直方向上的宽度，这样的外接矩形是物体最小的外接矩形 （MER-Minimum Enclosing Rectangle）。 计算MER的一种方法是将物体在90度范围内等间隔地旋转， 每次记录其坐标系方向上的外接矩形参数，取其面积为最小的 矩形的参数为主轴意义下的长度和宽度，如图所示。
按上述表示法区域R的面积S=41。 区域面积可以通过扫描图像，累加同一标记像素得到，或者是直接 在加标记处理时计数得到。
2018/11/12 17
（2）周长L
区域周长L是用区域中相邻边缘点间距离之和来表示。 采用不同的距离公式，周长L的计算有很多方法。 常用的有两种：
采用欧式距离，在区域的边界像素中，设某像素与其水平或 垂直方向上相邻边缘像素间的距离为1，与倾斜方向上相邻 边缘像素间的距离为 。周长就是这些像素间距离的总和。 这种方法计算的周长与实际周长相符，因而计算精度比较高。 采用8邻域距离，将边界的像素个数总和作为周长。也就是 说，只要累加边缘点数即可得到周长，比较方便，但是，它 与实际周长间有差异。
彩色图像变换成灰度图像的公式为： g=(R+B+G)/3
其中R,G,B为彩色图像的三个分量，g为转换后的灰度值。
2018/11/12
11
10.3 形状特征描述
任何一个景物形状特征均可由其几何属性(如长短,面 积,距离,凹凸等)和统计属性或拓扑属性(如连通,欧拉 数)来描述.
几种常见的图像特征参数: 面积和周长 长度和宽度 矩形度 圆形度 重心 轮廓的傅立叶描述子
2018/11/12 27
利用中心矩计算公式计算出三阶以下的中心矩：
2018/11/12
28
把中心矩再用零阶中心矩来规格化，叫做规格化中心矩，记 作 ，表达式为 ： M pq pq r M 00 式中： p q 2,3,4,