数字图像处理 第十一章 图像特征提取与分类

11.2.1 低层次特征提取
（三）、最小外接矩形——长轴与短轴
11.2.1 低层次特征提取
MER计算方法：将物体每次以左右的增量在范围内旋转。每旋转一次， 记录其坐标系方向上的外接矩形边缘点的最大和最小值，从而求出外接矩 形的面积。
11.2.2 高层次特征提取
（一）、链码 利用一系列具有特定长度和方向的相连直线段来表示目标的边界。 算法描述： (1)给每一个线段一个方向编码； (2)有4链码和8链码两种编码方法； (3)从起点开始，沿边界编码，至起点被重新碰到，结束一个对象的编码。
叠加在数字化边界线上的重取样网格
重取样的结果
11.2.2 高层次特征提取
0 01 1
0 3 3
01
3
1
3
1
1 21 2
3 32 3 2
0
7 2
1
6
2
6
1
6
2
6
3 3
5 5
重取样链码表示
11.2.2 高层次特征提取
边界的链码取决于起始点。可以通过简单的过程实现关于起始点的归 一化
起始点归一化
11.2.2 高层次特征提取
标变化为x(l)+jy(l)是一个以形状边界周长为周期的函数。
11.2.2 高层次特征提取
反变换
11.2.2 高层次特征提取
原图 K=64
p=4
p=61
p=62
11.2.2 高层次特征提取
（三）、纹理谱
像素点的纹理单元TU
11.2.2 高层次特征提取
像素值的纹理模式
归一化的纹理谱
11.3 图像特征分类基础
（一）、BP神经网络的基本结构 BP网络是一种单向传播的多层前向网络，它具有三层或三层以上的神
经网络，包括输入层、中间层和输出层。
特点： 各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无 连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络 系统。
11.3.2 神经网络方法
（2）当链码值为奇数时，其长度记作 ，当链码值为偶数时，其长度 记作1。周长P如下：
11.2.1 低层次特征提取
常用的面积计算方法： (1)一种是利用像素点数计算面积。
(2)利用链码计算面积。
11.2.1 低层次特征提取
设
则相应边缘包围的面积
11.2.1 低层次特征提取
(3)利用边缘坐标计算面积。
11.Βιβλιοθήκη Baidu 常用的图像特征提取方法
11.2.1 低层次特征提取
（一）、灰度特征 灰度特征可以在图像的某些特定的像素点上或者其邻域内测定，也可
以在某个区域内测定。
11.2.1 低层次特征提取
（二）、周长和面积 周长与面积是描述图像区域大小的最基本的特征，周长与面积只与区
域的边缘有关，而与其内部灰度值的变化没有关系。 计算区域周长的方法： (1) 边界点的面积之和。
11.2.2 高层次特征提取
4方向链码
8方向链码
11.2.2 高层次特征提取
例：若设起始点的坐标为，则分别用4方向和8方向链码按逆时针顺 序表示图11-4中网格图像的区域边界。则4方向链码：1 1 1 2 3 2 3 2 3 0 0 0； 8方向链码：2 2 2 4 5 5 6 0 0 0；
网格图像
11.3.1 距离分类器设计与应用
距离是描述像素点之间关系的重要度量，也是特征分类最简单的方法 之一。常用的表示方法有欧式距离，市区街道距离，棋盘距离等。 （一）、欧式距离
（二）、市区街道距离
11.3.1 距离分类器设计与应用
（三）、棋盘距离
欧几里德距离
市区街道距离
棋盘距离
11.3.2 神经网络方法
11.1 特称提取与分类概述
（三）、图像特征的概念
特征是某一类对象区别于其他对象的相应特点或特性，或是这些特点 和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言， 每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地 感受到的自然特征，比如亮度。边缘、纹理和色彩等等吧，有些则是需要 通过变换或处理才能得到的，如矩、直方图以及主成分等。
BP神经网络的模型
11.3.2 神经网络方法
（二）、BP神经网络算法 BP (Back Propagation)神经网络全称为基于误差反向传播算法
链码旋转归 一化的意义
原始链码在边界旋转后发生变化，所以利用链码的一阶差分来重新构 造的序列就不会随边界的旋转而变化。
实现一阶差分链码：通过计算目标元素与其逆时针方向相邻元素的数 字来得到。
11.2.2 高层次特征提取
旋转归一化
11.2.2 高层次特征提取
（二）、傅立叶描绘子 假定物体的形状是一条封闭的曲线，沿边界曲线上的一个动点p(l)的坐
模式识别处理流程
11.1 特称提取与分类概述
（二）、目标描述的概念
为便于识别，目标描述符应该具备如下重要的属性： 1、当两个目标具有相同的形状时，它们一定具有相同的描述符。 2、当同一目标发生一定的旋转或平移时，描述符不变，表明描述的是 同一个物体。 3、描述符尽量具备的性质，即它所描述的尽量包含一些该物体所特有 的，区别于其他物体的独一无二的特征。
11.1特征提取及分类概述
图像特征提取与分析的目的是为了让计算机具有认识或者识别图像的 能力，即图像识别。
图像识别是根据一定的图像特征进行的，因而，这些特征的选择便尤 为重要，将会直接影响到图像识别分类器的设计、性能及识别结果的准确 性。
11.1 特称提取与分类概述
（一）、模式识别系统的基本构成
11.2.2 高层次特征提取
链码表示的特点： （1）只有边界的起点需用绝对坐标表示，其余点都可只用接续方向来 代表偏移量； （2）链码表达可大大减少边界表示所需的数据量。 采用链码的方法存在的问题： （1）产生的码串通常情况下会很长； （2）链码发生与目标整体形状无关的较大变动。
11.2.2 高层次特征提取
11.1 特称提取与分类概述
（四）、特征选择及分类的概念
从一组特征中挑选出一些有效的特征以达到降低特征空间维数的目的， 这个过程叫特征选择。
评判的标准有以下4个方面： 1. 可区别性 2. 可靠性 3. 独立性 4. 数量少
11.1 特称提取与分类概述
特征提取和选择的总原则是：尽可能减少整个识别系统的处理时间和 错误识别率，当两者无法兼得时，需要做出相应的平衡；或者缩小错误识 别的概率，以提高识别精度，但会增加系统运行的时间；或者提高整个系 统速度以适应实时需要，但会增加错误识别的概率。