图像特征提取Word文档格式.docx

图像特征提取Word文档格式.docx

《图像特征提取Word文档格式.docx》由会员分享，可在线阅读，更多相关《图像特征提取Word文档格式.docx（8页珍藏版）》请在冰豆网上搜索。

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，与颜色直方图相比，该方法的另一个好处是无须对特征进行量化。

一阶矩：

二阶矩：

三阶矩：

一阶：

颜色分量的平均强度；

二、三阶：

方差和偏移度。

图像的颜色矩一共有九个分量，每个颜色通道均有三个低阶矩。

颜色矩仅仅使用少数几个矩，从而导致过多的虚警，因此颜色矩常和其他特征结合使用。

（2）颜色直方图

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。

但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。

直方图中的数值都是统计而来，描述了该图像中关于颜色的数量特征，可以反映图像颜色的统计分布和基本色调。

颜色直方图可以分为三类，分别为：

全局直方图、累加直方图、主色调直方图。

全局直方图：

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。

其对图像的旋转、平移、缩放和图像质量变化不敏感，比较适合于检索图像的全局颜色相似性，即通过比较颜色直方图的差异来衡量两幅图像在颜色全局分布上的差异。

累加直方图：

当图像中的特征并不能取遍所有可取值时，统计直方图中会出现一些零值。

这些零值的出现会对相似性度量的计算带来影响，从而使得相似性度量并不能正确反映图像之间的颜色差别。

所以，在全局直方图的基础上，使用累加颜色直方图。

在累加直方图中，相邻颜色在频数上是相关的。

虽然累加直方图的存储量和计算量有很小的增加，但是累加直方图消除了一般直方图中常见的零值，也克服了一般直方图量化过细过粗检索效果都会下降的缺陷。

主色调直方图：

因一幅图像中，往往少数几种颜色就涵盖了图像的大多数像素，而且不同颜色在图像中的出现概率是不同的，可以通过统计图像中各种颜色出现的概率，选出最频繁出现的几种做为主色。

使用主色并不会降低颜色匹配的效果，因为颜色直方图中出现频率很低的哪些颜色往往不是图像的主要内容，从某种程度上讲，是对图像内容表示的一种噪声。

（3）颜色集

颜色集是对颜色直方图的一种近似，首先将RGB颜色空间转换成视觉均衡的颜色空间（HSV），并将颜色空间量化成若干个bin，然后运用颜色自动分割技术将图像分为若干个区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达成一个二进制的颜色索引表。

在图像匹配中，比较不同图像颜色集之间的距离和颜色区域的空间关系。

因为，颜色集表达为二进制的特征向量，可以构造二分查照树来加快检索速度，对大规模的图象集合十分有力。

（4）颜色聚合向量

图像的颜色聚合向量是颜色直方图的一种演变，其核心思想是将属于直方图每一个bin的像素分为两部分：

如果该bin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。

颜色聚合向量的最大特点是：

克服了颜色直方图和颜色矩的缺点，将颜色在图像中的空间信息与颜色直方图结合了起来。

这样既考虑了颜色分布的统计信息，又考虑了颜色的空间分布信息。

（5）颜色相关图

不但刻画了某一种颜色的像素数量占整个图像的比例，还反映了不同颜色对之间的空间相关性。

假设I表示整张图像的全部像素，Ic（i）则表示颜色为c（i）的所有像素。

颜色相关图可以表达为：

其中i,j∈{1,2,…,N}，k∈{1,2,…,d}，|p1–p2|表示像素p1和p2之间的距离。

颜色相关图可以看作是一张用颜色对<

i,j>

索引的表，其中<

的第k个分量表示颜色为c（i）的像素和颜色为c（j）的像素之间的距离小于k的概率。

如果考虑到任何颜色之间的相关性，颜色相关图会变得非常复杂和庞大（空间复杂度为O（N2d））。

一种简化的变种是颜色自动相关图（colorauto-correlogram），它仅仅考察具有相同颜色的像素间的空间关系，因此空间复杂度降到O（Nd）。

二、纹理特征

纹理特征是一种全局特征，描述了图像或图像区域所对应景物的表面性质，它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，是从图像中计算出来的一个值，它对区域内部灰度级变化的特征进行量化。

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。

但它也有缺点，就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，也有可能受到光照、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物体表面真实的纹理。

常用的特征提取方法大概分为5类：

统计法、几何法、模型法、信号处理法、结构法。

（1）统计法

是基于像元及其邻域的灰度属性,研究纹理区域中的统计特性,或像元及其邻域内的灰度的一阶、二阶或高阶统计特性;

其典型代表是一种称为灰度

（2）几何法

是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。

纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。

在几何法中，比较有影响的算法有两种：

Voronio棋盘格特征法和结构法。

（3）模型法

模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。

典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和Gibbs随机场模型法

（4）信号处理法

是建立在时、频分析与多尺度分析基础之上,对纹理图像中某个区域内实行某种变换后,再提取保持相对平稳的特征值,以此特征值作为特征表示区域内的一致性以及区域间的相异性

（5）结构法

基于“纹理基元”分析纹理特征,着力找出纹理基元,认为纹理由许多纹理基元构成,不同类型的纹理基元、不同的方向及数目等,决定了纹理的表现形式。

三、形状特征

物体表现出来的视觉特征称为形状特征或直观特征。

形状特征可以分为两类,一类是基于边界的特征,另一类是基于区域的特征。

由于形状特征的直观性和易理解性,提取图像的形状特征可以较好的识别图像中的目标.但是,这种方法缺乏完善的数学模型,目标变形时结果不可靠,全面描述目标对计算消耗和存储消耗的要求较高,许多形状特征所反映的目标形状信息与人的直觉不完全一致,形状特征提取结果的准确性依赖于前期分割的效果。

常用的特征提取方法有：

边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩法。

（1）边界特征法

该方法通过对边界特征的描述来获取图像的形状参数。

其中Hough变换检测平行直线方法和边界方向直方图方法是经典方法。

Hough变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；

边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。

（2）傅里叶形状描述符法

傅里叶形状描述符（Fouriershapedescriptors）基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。

由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。

傅立叶描绘子具有对平移、旋转、比例缩放变换、起点位置不敏感的特点。

几何参数法

形状的表达和匹配采用更为简单的区域特征描述方法。

例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shapefactor）。

在QBIC系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。

需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。

（3）形状不变矩法

利用目标所占区域的矩作为形状描述参数。

四、空间关系特征

空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。

空间位置信息可以分为两类：

相对空间位置信息和绝对空间位置信息。

前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。

空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。

另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。

为了检索，除使用空间关系特征外，还需要其它特征来配合。

算法：

1.二进制颜色相关矩阵（BMCCM）

BMCCM算法流程图如图1：

（1）RGB分量颜色不变量模型

对图像进行量化，再计算变换后图像的颜色相关矩阵，不仅降维，且有很好的抗干扰能力。

RGB分量颜色不变量模型将颜色量化数降为6，特征向量仅为36维。

RGB分量颜色不变量模型：

（2）二进制表达

将原颜色相关矩阵中概率非0处以数值1代替，使相关矩阵的数值量化成0和1，从而有效抑制背景色的影响。

矩阵二进制表达示例如下：

M为6×

6的颜色相关矩阵，

对其进行二值化处理，即所有非0值变为1：

（3）相似性度量（？

）

Jaccard系数定义如下：

，其中，

、

分别表示2个矩阵中相应元素为1和1，1和0，0和1的个数。

2.基于颜色相关图和纹理矩的

（1）改进的颜色相关图

（2）纹理矩

（3）A：

将RGB转换到HSV颜色空间中；

量化转换来的HSV空间q，量化到[0-36]之间；

B：

使用纹理矩提取特征向量时，我们采用原始的RGB颜色空间，将三原色累加作为灰度级别q=iR+iG+iB。

C：

特征向量的组成=图像三原色的统计+图像的颜色相关图+纹理矩