中科院《模式识别》课件第九章.ppt
《中科院《模式识别》课件第九章.ppt》由会员分享,可在线阅读,更多相关《中科院《模式识别》课件第九章.ppt(21页珍藏版)》请在冰豆网上搜索。
第九章模式识别应用-二维图像区域的度量9.0图像的数字化为了适合于输入到计算机中进行处理和运算,一幅景物图像首先要经数字转换器转换成一幅数字图像。
图像输入设备:
数字化仪,摄像机,扫描仪,一幅数字图像f(x,y)指的是在空间坐标上和亮度上都已经离散化了的图像,它在计算机中可以表示为一个矩阵。
矩阵的行和列表示图像中的一个点(像素点)。
矩阵中相应元素的值(像素值)表示该点的灰度等级。
通常用一个字节(8位)表示256个灰度级。
9.0图像的数字化图像数字化实例9.1物体区域测量9.1.1几何特征物体区域的几何特征反映区域的几何性质,它仅与区域的像素点有关,而与这些像素点的灰度无关。
几何特征的度量一般在二值图像或边界链码上进行。
二值图像:
灰度值用两个值(如0和1)表示的图像,可通过对灰度图像进行二值化处理得到。
边界链码:
Freeman链码9.1物体区域测量9.1.1几何特征区域的面积区域的周长区域的密集度在相同面积的条件下,在各种形状当中具有光滑边界的圆形的周长最短,因此为最密集的形状。
圆形密集度C=1,随着边界凹凸变化程度的增加,周长P相应增加,C值也随着增大。
9.1物体区域测量9.1.1几何特征体态比区域最小外接矩形的宽(W)与长(L)之比为区域形状的体态比。
方形或圆形物体的体态比接近于1,细长物体的体态比小于1。
9.1物体区域测量9.1.1几何特征讨论这是一类较粗略的形状描绘子。
优点是直观性强,计算简单。
缺点是所提取的形状信息不完全,特征值与具体形状之间不是一一对应的关系,而是一对多的关系。
通过这类特征值并不能唯一地恢复出物体原来的形状,不适于细节的鉴别。
9.1物体区域测量9.1.2不变矩矩是一种区域描绘子,当一个区域R是以其内部点的形式给出时,它对大小、平移和旋转的变化都是不变的。
(p+q)阶矩的定义可以证明,如果f(x,y)是连续的,且仅在xy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mpq唯一地被f(x,y)所确定,反之mpq也唯一地确定了f(x,y)。
9.1物体区域测量9.1.2不变矩中心矩的定义数字图像中的离散化表示当f(x,y)相当于物体的密度时:
零阶矩m00表示密度的总和,即物体的质量;(m10/m00,m01/m00)表示物体质量重心的坐标,或区域灰度重心的坐标。
9.1物体区域测量9.1.2不变矩各阶中心矩表示中心矩pq是反映区域R中的灰度相对与灰度重心是如何分布的度量。
20和02分别表示R围绕通过灰度重心的垂直和水平轴线的惯性矩,若2002,则表示一个水平方向拉长的物体。
30和03的幅值可以度量物体对于垂直和水平轴线的不对称性,如果是完全对称的形状,其值应为0。
(p+q)阶规格化中心矩的定义基于二阶和三阶规格化中心矩的七个不变矩组可以证明,该矩组对于平移、旋转和大小比例变化都是不变的。
9.1物体区域测量9.1.3傅里叶描绘子当一个区域在边界上的点被确定后,可以从这些边界点提取信息,以鉴别不同区域的形状。
由于区域的边界是一条封闭的曲线,因此相对于边界上某一个固定的起始点b0来说,沿边界曲线上的一个动点b的坐标变化是一个周期函数。
通过规范化之后,这个周期函数可以展开成傅里叶级数,而傅里叶级数中的一系列系数是直接与边界曲线的形状有关的,可以作为形状的描述,称为傅里叶描绘子(或傅里叶描述子)。
9.1物体区域测量9.1.3傅里叶描绘子当系数项取到足够多的阶次时,几乎可将形状信息完全提取出来,并且还可以通过这些系数重建原来的形状。
区域边界的像素点可以用以弧长为函数的曲线切线角来表示,也可以用复变函数(bx(t)+jby(t))来表示,因此区域边界的傅里叶展开形式可以是多样的。
9.1物体区域测量9.1.3傅里叶描绘子闭曲线的参数方程令C表示区域R的边界(通常是一条简单的封闭曲线),s表示从C上的起始点b0到沿C曲线逆时针方向上某一动点b之间的弧长,S表示轮廓曲线C的周长。
曲线的参数方程形式傅里叶系数9.1物体区域测量9.1.3傅里叶描绘子通过傅里叶系数提取形状特征基于傅里叶系数可以导出形状特征的不变量,在平移、旋转、尺度和起始点等变化条件下是不变的。
圆形度F1当轮廓曲线C是一个圆时,相应的圆形度特征F1=1;当C是其它形状时,0F11。
细长度F2当轮廓曲线C接近于圆时,相应的细长度特征F2=0;当C是其它形状时,0F21。
凹度F4当轮廓曲线C为一个圆时,相应的凹度特征F4=1;当C是其它形状时,F41。
9.1物体区域测量9.1.4显微细胞图像的识别(实例)利用傅里叶系数,通过提取细胞中的胞核和胞浆的形状特征,对细胞进行识别和分类。
处理过程数据采集共有127个细胞样本,分为正常、轻度不典型、重度不典型和癌变四大类。
9.1物体区域测量9.1.4显微细胞图像的识别(实例)处理过程图像分割根据图像分割技术检测出每个细胞的胞核N和胞浆C的边界轮廓线。
9.1物体区域测量9.1.4显微细胞图像的识别(实例)处理过程特征提取根据傅里叶描绘子以及由傅里叶系数导出的形状特征,针对细胞图像的特点提取六个特征。
9.1物体区域测量9.1.4显微细胞图像的识别(实例)处理过程特征提取上述四个细胞各自的六个形状特征值9.1物体区域测量9.1.4显微细胞图像的识别(实例)处理过程分类判别采用决策树分类器,其中Ni为第i个结点,FjC和FjN分别表示胞浆C和胞核N的轮廓曲线的第j个特征。
9.1物体区域测量9.1.4显微细胞图像的识别(实例)处理过程分类结果在127个细胞样本中有125个样本获得了正确的分类结果;有2个轻度不典型细胞误识为重度不典型。