图像分割与特征提取
图像处理中的信号处理及其应用
图像处理中的信号处理及其应用信号处理在图像处理中起着至关重要的作用，为数字图像的处理、压缩、传输以及识别提供了基础性技术。
本文旨在深入了解图像处理中信号处理的基础知识、技术、应用以及未来发展趋势。
一、信号处理的基础知识信号处理可以分为连续信号处理和离散信号处理。
在图像处理中，数字图像是由离散信号组成的，因此离散信号处理是较为常用的。
离散信号变换是信号在离散时间下的处理方法，常用的有离散傅里叶变换（DFT）、离散余弦变换（DCT）和小波变换等。
其中，DCT在JPEG压缩和MPEG视频编码中广泛应用。
图像增强是图像处理中常用的技术之一，其目的是使图像更好地展示所需的信息。
图像增强的方法很多，其中利用直方图均衡化能够使图像在灰度方面更加均匀，增强对比度。
但是，直方图均衡化会引入噪声，导致图像细节失真。
因此，局部对比度增强是一种更常用的增强方法。
二、信号处理的技术1. 图像滤波图像滤波是对图像进行平滑和锐化处理的技术。
平滑处理可以去除图像中的噪点，提高图像质量。
常见的平滑滤波器有均值滤波和高斯滤波。
锐化处理可以增强图像细节，提高图像的观感效果。
常见的锐化滤波器有Sobel滤波器和拉普拉斯滤波器。
2. 图像分割图像分割是将图像中的像素按照不同属性分为不同的区域的过程。
常用的图像分割方法有基于阈值的分割、基于边缘的分割和基于区域的分割。
其中，基于区域的分割方法可以得到更加准确的分割结果。
3. 特征提取特征提取是将复杂的图像转化为简单特征的过程，是图像识别和分析的关键技术。
常用的特征提取方法有边缘检测、纹理特征提取和色彩特征提取等。
其中，边缘检测可以将图像中的物体轮廓提取出来，为后续的识别和分析提供基础。
三、信号处理的应用1. 图像识别和分类图像识别和分类是图像处理中最重要的应用之一。
利用图像处理技术可以将图像转换为数字信号，通过对信号进行分析和处理，可达到图像分类、物体检测和人脸识别等目的。
2. 图像压缩图像压缩是将图像数据压缩到更小的空间，以便存储和传输。
大数据分析中的图像处理与特征提取方法
大数据分析中的图像处理与特征提取方法在大数据分析领域，图像处理与特征提取方法是非常重要的工具和技术。
随着互联网和智能设备的迅速发展，数据量的爆炸增长给传统的数据处理方式带来了巨大的挑战。
而图像处理和特征提取方法则可以帮助我们从大量的图像数据中提取有价值的信息和模式。
本文将介绍一些在大数据分析中常用的图像处理和特征提取方法。
首先，图像处理方法是对图像进行预处理和改变的过程。
大数据中的图像处理方法可以分为两大类：基础图像处理和深度学习方法。
基础图像处理方法包括图像去噪、图像增强、图像分割和图像配准等。
图像去噪是一种减小或消除图像中噪声的方法，可以提高图像的质量和清晰度。
图像增强则是通过调整图像的亮度、对比度和色彩饱和度等参数，提高图像的视觉效果。
图像分割是将图像分成多个区域或对象的过程，可以用于图像目标检测和图像分析。
图像配准是将多幅图像进行对齐和融合的过程，可以用于图像拼接和图像融合等应用。
深度学习方法是一种基于神经网络的图像处理方法，其主要思想是通过多层神经网络对图像进行特征提取和分类。
深度学习方法在大数据分析中广泛应用于图像识别、目标检测、图像生成和图像分割等任务。
深度学习方法具有较强的自适应性和泛化能力，可以处理复杂的图像数据，并取得了在许多任务上的优秀成果。
特征提取方法是从图像中提取有意义和有区分度的特征信息。
在大数据分析中，特征提取是一个关键步骤，它可以帮助我们理解和描述图像数据的特征和模式。
常用的特征提取方法包括传统的特征提取方法和深度学习方法。
传统的特征提取方法包括颜色特征、纹理特征和形状特征等。
颜色特征是图像中像素的颜色分布和色彩空间的统计特征，可以用于图像分类和图像检索等任务。
纹理特征是描述图像纹理和表面结构的统计特征，可以用于图像分割和纹理识别等任务。
形状特征是描述图像中物体形状的几何和拓扑特征，可以用于物体检测和形状匹配等任务。
这些传统的特征提取方法在大数据分析中仍然具有重要的作用。
计算机视觉与图像处理
计算机视觉与图像处理计算机视觉与图像处理是计算机科学中不可缺少的研究领域之一，用于分析、处理和理解数字图像和视频。
这两个领域有着广泛的应用领域，如医学图像处理、自动驾驶、安防监控、虚拟现实等。
一、计算机视觉计算机视觉是指计算机通过处理数字图像和视频来模拟人类视觉系统对视觉信息的分析、理解和理解过程。
计算机视觉主要包括图像采集、预处理、特征提取、目标检测、图像识别等步骤。
其中，特征提取和目标检测是计算机视觉的重点研究方向。
特征提取是指从数字图像中提取出对目标描述精确、具有可区分性的特征。
常用的特征提取方法有边缘检测、角点检测、纹理特征提取等。
目标检测是指在数字图像中查找所有感兴趣目标的位置，并将其与其他的非目标信息区分开来。
常用的目标检测算法包括Haar 级联检测器、HOG算法、YOLO算法等。
二、图像处理图像处理是指对数字图像进行各种处理和操作，以提高图像质量、改进图像特征、增加图像信息等。
图像处理主要包括图像增强、图像复原、图像分割、图像压缩等方面。
图像增强是通过增强图像亮度、对比度、对图像进行滤波等处理方法，使图像信息显得更加清晰准确。
常用的图像增强方法包括直方图均衡化、非线性滤波、小波变换等。
图像复原是指通过图像处理来修复原始图像中含有噪声或变形的部分。
常用的图像复原方法包括带阻滤波、空间域滤波、频域滤波等。
图像分割是指将图像分成不同的区域，以便进行分析和操作。
常用的图像分割方法包括阈值分割、区域生长、边缘检测等。
图像压缩是指将图像的数据编码压缩，以减少存储空间的占用。
常用的图像压缩方法包括JPEG压缩、PNG压缩等。
三、计算机视觉与图像处理的结合应用计算机视觉与图像处理的结合应用具有广泛的应用领域，如医学诊断、自动驾驶、安防监控、虚拟现实等。
在医学诊断领域中，计算机视觉与图像处理可以用于肺结节检测、肝脏病变检测、乳腺癌早期检测等方面。
在自动驾驶领域中，计算机视觉与图像处理可以用于车道线检测、交通标志识别、障碍物检测等方面。
图像分割与特征提取_图文_图文
7.3.2 其它阈值选取方法
3. 迭代式阈值的选取
迭代式阈值选取过程可描述为： ① 选取一个初始阈值T； ② 利用阈值T把给定图像分割成两组图像，记为R1和 R2； ③ 计算R1和R2均值μ1和μ2； ④ 选择新的阈值T，且
⑤ 重复第②至④步，直至R1和R2的均值μ1和μ2不再 变化为止。
7.4 基于跟踪的图像分割
2. 双峰形直方图谷底阈值的获取
通常情况下由于直方图呈锯齿形状，这时，需要利用 某些解析函数对双峰之间的直方图进行拟合，并通过对拟
合函数求微分获得最小值。
设有二次曲线方程：
（7.30）
对应于直方图双峰之间的最小值谷底阈值就为：
（7.31）
7.3.2 基于双峰形直方图的阈值选取
2. 双峰形直方图谷底阈值的获取
该类二值图像灰度分布的百分比时，就可通过试探的 方法选取阈值，直到阈值化后的图像的效果达到最佳 为止。
7.3.2 其它阈值选取方法
3. 迭代式阈值的选取 基本思路是：首先根据图像中物体的灰度分布情
况，选取一个近似阈值作为初始阈值，一个比较好的 方法就是将图像的灰度均值作为初始阈值；然后通过 分割图像和修改阈值的迭代过程来获得任可的最佳阈 值。
基于阈值的图像分割方法是提取物体与背景在灰 度上的差异，把图像分为具有不同灰度级的目标区域 和背景区域的一种图像分割技术。
7.3.1 基于阈值的分割方法
1. 阈值化分割方法
图7.3.1 基于单一阈 值分割的灰度直方图
T
利用阈值T分割后的图像可定义为：
从暗的背景上分 割出亮的物体：
（7.24）
从亮的背景上分 割出暗的物体：
7.2.3 二阶微分边缘检测
图7.3 Laplacian二阶边缘检测算子的边缘检测示例
文物纹样提取的技术
文物纹样提取的技术
文物纹样提取的技术是一种利用数字图像处理技术对文物上的
纹样进行提取和分析的方法。
该技术可以帮助文物保护和研究工作，对于了解文物的历史和文化背景具有重要的意义。
文物纹样提取的技术主要包括图像预处理、特征提取和纹样分析三个步骤。
首先，对文物的数字图像进行预处理，包括去噪、图像增强和图像分割等操作，以提高后续处理的准确度和效率。
然后，通过特征提取的方法，提取文物上的纹样特征，如纹理特征、形状特征等，并根据这些特征进行纹样分类和识别。
最后，通过纹样分析，可以对文物进行历史和文化分析，了解文物的制作工艺、文化背景和历史演变等方面。
文物纹样提取的技术具有广泛的应用价值，可以应用于各种不同类型的文物，如陶瓷器、石刻、青铜器等。
该技术可以帮助文物保护工作者更好地了解文物的历史和文化价值，为文物保护和研究提供有力的支持。
- 1 -。
清晰分割的原理
清晰分割的原理清晰分割是指在图像处理领域中，将图像中的目标与背景进行清晰的分离的一种技术。
在许多图像处理应用中，清晰分割是一个非常重要的步骤，它可以帮助我们识别出图像中的目标，从而进行后续的处理和分析。
清晰分割的原理主要是基于图像中的目标与背景在颜色、纹理、边缘等方面的差异，通过利用这些差异来将目标与背景进行有效分离。
在图像处理的过程中，清晰分割通常可以分为两个主要的步骤：特征提取和分割算法。
在特征提取阶段，我们会从图像中提取出目标与背景在颜色、纹理、边缘等方面的特征信息。
在分割算法阶段，我们会根据这些特征信息来进行目标与背景的分割。
下面我们将介绍一些常用的清晰分割原理和方法。
一、基于阈值的分割方法基于阈值的分割方法是最简单的一种清晰分割方法。
它的基本原理是将图像中的像素根据其灰度值与预设的阈值进行比较，将像素分为目标和背景两类。
这种方法适用于图像中目标与背景具有明显灰度差异的情况，例如黑白对比鲜明的图像。
然而，对于灰度变化较为平缓的图像，基于阈值的分割方法往往效果欠佳。
二、基于边缘的分割方法基于边缘的分割方法是利用图像中目标与背景边缘的特征来进行分割的一种方法。
其基本原理是通过检测图像中像素灰度变化较大的位置，从而确定目标与背景的边界。
常见的边缘检测算法包括Sobel、Prewitt、Canny等。
然而，基于边缘的分割方法往往对噪声、光照变化等因素较为敏感，在实际应用中需要进行一定的预处理和参数调整。
三、基于区域的分割方法基于区域的分割方法是通过对图像中像素进行聚类，将相邻的像素聚合成相似的区域，并将这些区域划分为目标和背景。
这种方法适用于图像中目标与背景的颜色、纹理等特征有较大差异的情况。
常见的基于区域的分割算法包括区域生长法、分水岭法、K均值聚类等。
然而，基于区域的分割方法在处理复杂背景、目标交叠等情况时效果欠佳。
四、基于图像学的分割方法基于图像学的分割方法是一种基于图像全局信息的分割方法，它将图像中的目标与背景分割看作是一个能量最小化的问题，通过最小化目标与背景之间的能量差异来进行分割。
计算机视觉技术中常见的图像识别方法
计算机视觉技术中常见的图像识别方法在计算机视觉领域，图像识别是一项重要的技术，它使得计算机能够理解和识别图像中的内容。
图像识别方法包括了很多不同的技术和算法，本文将介绍一些常见的图像识别方法。
1. 特征提取方法：特征提取是图像识别的关键步骤，它能将图像中的关键信息提取出来，以便后续的识别和分类。
常见的特征提取方法包括：- 边缘检测：边缘是图像中明显颜色或灰度值变化的地方，边缘检测方法可以通过计算像素灰度值的一阶或二阶导数来检测并标记出边缘。
常用的边缘检测方法包括Sobel算子、Canny算子等。
- 尺度不变特征变换（SIFT）：SIFT是一种对图像局部特征进行提取和描述的算法。
它通过寻找图像中的关键点，并计算关键点周围的局部特征描述子来实现图像的特征提取。
SIFT算法具有尺度不变性和旋转不变性等优点，被广泛应用于目标识别和图像匹配领域。
- 主成分分析（PCA）：PCA是一种统计学方法，用于将高维数据转变为低维数据，并保留原始数据的主要特征。
在图像识别中，可以使用PCA方法将图像像素矩阵转换为特征向量，从而实现图像的特征提取和降维。
2. 分类器方法：分类器方法是图像识别中常用的方法之一，它通过训练一个分类器来预测图像的类别。
常见的分类器方法包括：- 支持向量机（SVM）：SVM是一种监督学习算法，它通过将数据映射到高维空间中，构建一个能够将不同类别分开的超平面来实现分类。
在图像识别中，可以利用SVM方法通过给定的特征来训练一个分类器，再用该分类器对新的图像进行预测。
- 卷积神经网络（CNN）：CNN是一种前馈神经网络，它通过多层卷积和池化层来自动学习和提取图像中的特征。
CNN在图像识别领域取得了很大的成功，被广泛应用于图像分类、目标检测和图像分割等任务中。
- 决策树：决策树是一种基于树形结构的分类方法，它通过根据特征的不同取值来对样本进行分类。
在图像识别中，可以构建一棵决策树来实现对图像的分类和识别。
图像处理和模式识别技术
图像处理和模式识别技术图像处理和模式识别技术被广泛应用于视觉计算领域，它们涉及了计算机科学、数学、物理学和工程学等多个学科，具有广泛的应用场景。
一、图像处理技术1. 图像采集图像采集是在实际应用中收集图像数据的过程。
图像采集可以通过数字相机、扫描仪和传感器等进行。
采集到的图像数据可以存储为数字图像，方便进行后续的图像处理。
2. 图像增强图像增强是指通过一系列的处理方法，来提高图像质量的过程。
图像增强可以分为灰度增强和彩色增强两种。
灰度增强是针对灰度图像，通过直方图均衡化、滤波等方式提高图像的对比度和清晰度。
彩色增强则是针对彩色图像，通过调整图像的亮度、饱和度和色调等参数来改善图像的质量。
3. 图像分割图像分割是指将图像中的目标分离出来，以便进行后续处理的过程。
图像分割可以通过阈值分割、边缘分割、区域生长和聚类等方式完成。
图像分割在计算机视觉领域中有着广泛的应用，如自动驾驶、人脸识别等领域。
4. 特征提取特征提取是将图像中的信息提取出来进行分析的过程。
特征提取可以通过灰度共生矩阵、哈尔小波、Gabor滤波器等多种方法实现。
特征提取在模式分类、目标检测等领域中有着重要的应用。
二、模式识别技术1. 数据预处理数据预处理是指对原始数据进行预处理的过程，目的是去除噪声、归一化数据、筛选数据等，使得数据更适合进行后续处理。
数据预处理可以通过平滑、滤波、降维等方式实现。
2. 特征选择特征选择是指从原始数据中挑选出有用的特征用于后续处理的过程。
特征选择可以通过相关系数、判别分析、主成分分析等方式实现。
特征选择能够提高分类算法的准确性和效率。
3. 模型训练模型训练是指利用已知类别的训练数据，建立分类器或回归模型的过程。
模型训练可以通过支持向量机、决策树、神经网络等方式实现。
模型训练的概念也广泛应用于其他领域，如自然语言处理中的语言模型训练等。
4. 模型评价模型评价是指利用测试数据来评价训练模型的准确性和泛化性能的过程。
- 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、"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、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)。
边缘数据点去计算参数空间P-Q中的参考点的轨迹，
从而将不连续的边缘像素点连接起来，或将边缘像素
点连接起来组成封闭边界的区域，从而实现对图像中
直线段、圆和椭圆的检测。
7.2.4
Hough变换
1. Hough变换的基本原理
设在图像空间中，所有过点(x,y)的直线都满足方程：
y = px q
若将其改写成： q = px y 这时，p和q可以看作是变量，而x和y是参数，上式就 可表示参数空间P-Q中过点(p,q)的一条直线。 一般地，对于过同一条直线的点(xi,yi)和(xj,yj)，有 图像空间方程：yi = pxi q
反之，参数空间P-Q中的一点和图像空间X-Y中的一条
直线相对应。
7.2.4
Hough变换
1. Hough变换的基本原理
Y
Q
(x ·,y )
i i
q = pxi yi
( ·x , y )
j j
· (p,q)
q = px j y j
X P
图7.4
图像空间直线与参数空间点的对偶性
7.2.4
（7.27）
f ( x, y） g ( x, y ) = 0
f ( x, y ) T f ( x, y ) T
（7.28）
7.3.1
基于阈值的分割方法
2.半阈值化分割方法
（7.23）
Y (x,y)
θ max
θ
┆
О
·
0 … Θ min X ρ
…
┆
┆ 0
ρ max ρ
图7.6
直线的极坐标表示
图7.7
将平面细分成网格阵列
7.3 基于阈值的图像分割
基于阈值的图像分割适用于那些物体（前景） 与背景在灰度上有较大差异的图像分割问题。
7.3.1 基于阈值的分割方法
基于阈值的图像分割方法是提取物体与背景在灰 度上的差异，把图像分为具有不同灰度级的目标区域 和背景区域的一种图像分割技术。
（7.14）
以上是以(i+1,j)为中心，用i替换i+1可得以(i,j)为中心 的二阶偏导数公式：
7.2.3
也即有： 同理有：
二阶微分边缘检测
2 f = f (i 1, j ) 2 f (i, j ) f (i 1, j ) 2 x 2 f = f (i, j 1) 2 f (i, j ) f (i, j 1) 2 y
突变的象素的集合。
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
◆图像边缘有两个特征：方向和幅度 沿边缘走向，像素值变化比较平缓； 沿垂直于边缘的走向，像素值则变化比较剧烈。 ◆一般常用一阶和二阶导数来描述和检测边缘。
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
图像
剖面
一阶导数
二阶导数
7.1 图像分割的概念
7.2 基于边缘检测的图像分割
基于边缘检测的图像分割方法的基本思路是先 确定图像中的边缘像素，然后就可把它们连接在一 起构成所需的边界。
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
◆图像边缘意味着图像中一个区域的终结和另一 个区域的开始，图像中相邻区域之间的像素集合构成 了图像的边缘。 ◆进一步讲，图像的边缘是指图像灰度发生空间
（7.26）
7.3.1
基于阈值的分割方法
2.半阈值化分割方法
图像经阈值化分割后不是表示成二值和多值图像，而 是是将比阈值大的亮像素的灰度级保持不变，而将比阈值 小的暗像素变为黑色；或将比阈值小的暗像素的灰度级保 持不变，而将比阈值大的亮像素变为白色。
f ( x, y ) g ( x, y ) = 0 f ( x, y ) T f ( x, y ) T
7.2.4
Hough变换
1. Hough变换的基本原理
Y
θ
A A
· ·
B
B
C C X P
·
（b）一条直线上的多个点与相交于一点的正弦曲线簇相对应
7.2.4
Hough变换
2. Hough变换的应用
x = x cos y sin = x y sin( arctab ) y
2 2
上升阶跃边缘 （a）
下降阶跃边缘 （b）
脉冲状边缘 （c）
屋顶边缘 （d）
图7.1
图像边缘及其导数曲线规律示例
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
综上所述，图像中的边缘可以通过对它们求导数 来确定，而导数可利用微分算子来计算。对于数字图 像来说，通常是利用差分来近似微分。
7.2 基于边缘检测的图像分割
1 1 1
1 8 1
1 1 1
7.2.3
二阶微分边缘检测
图7.3
Laplacian二阶边缘检测算子的边缘检测示例
7.2.4
Hough变换
Hogh（哈夫）变换的基本思想是将图像空间X-
Y变换到参数空间P-Q，利用图像空间X-Y与参数空
间P-Q的点－线对偶性，通过利用图像空间X-Y中的
7.2.2
梯度边缘检测
(1) Roberts算子 是一个交叉算子，其在点(i,j)的梯度幅值表示为：
G(i, j ) = f (i, j ) f (i 1, j 1) f (i 1, j ) f (i, j 1)
（7.6） （7.7）
用卷积模板可表示为 ：
G (i, j ) = Gx G y
其中，Gx和Gy分别为 ：
1 Gx = 0 0 1
0 Gy = 1
1 0
（7.8）
7.2.2
梯度边缘检测
(2) Sobel算子 Sobel算子在点(i,j)的梯度幅值表示为：
2 2 S (i , j ) = s x s y
（7.9） （7.10）
简化的卷积模板表示形式为 ： S (i, j ) = s x s y
其中，sx和sy分别x方向和y方向梯度的模版形式 ：
（7.12）
7.2.3
二阶微分边缘检测
拉普拉斯二阶导数算子 ：
2 f 2 f f = 2 2 x y
2
（7.13）
二阶差分的偏导数近似式为 ：
2 f Gx ( f (i 1, j ) f (i, j )) = = 2 x x x f (i 1, j ) f (i, j ) = x x = f (i 2, j ) 2 f (i 1, j ) f (i, j )
（7.24）
f ( x, y ) T f ( x, y ) T
（7.25）
7.3.1
基于阈值的分割方法
1. 阈值化分割方法
例7.3.1 利用阈值化方法提取物体的轮廓。
（a）细胞图像 图7.9
（b）提取的边界轮廓图
用阈值化方法提取细胞边界轮廓
7.3..15） （7.16）
所以有： 2 f 2 f = f (i 1, j ) f (i, j 1) 4 f (i, j ) f (i 1, j ) f (i, j 1) 2 2
x y
对应的集中模板为：
0 1 0 1 4 1 0 1 0
7.3.1
基于阈值的分割方法
1. 阈值化分割方法
图7.3.1 基于单一阈 值分割的灰度直方图
T
利用阈值T分割后的图像可定义为：
从暗的背景上分 g ( x, y ) = 1 割出亮的物体： 0 从亮的背景上分 1 g ( x, y ) = 割出暗的物体： 0
f ( x, y ) T f ( x, y ) T
1 s x = 2 1 1 2 1
其中，sx和sy分别x方向和y方向梯度的模版形式 ：
0 0 0
1 s y = 0 1 2 0 2 1 0 1
（7.11）
7.2.2
梯度边缘检测
(3) Prewitt算子 Prewitt算子在点(i,j)的梯度幅值表示为：
q 参数空间方程： = pxi yi
（7.17） （7.18）
y j = px j q
（7.19,20）
q = px j y j （7.21,22）
7.2.4
Hough变换
1. Hough变换的基本原理 由此可见，图像空间X-Y中的一条直线(因为两点
可以决定一条直线)和参数空间P-Q中的一点相对应；
当在较暗的背景上有2个较亮的物体，且有如下的直 方图和约定时： （1） f ( x, y ) T1
（2）
（3）
T1 f ( x, y) T2
T2 f ( x, y)
可用两个阈值进行分割，更一般的多个阈值的情况为：
k g ( x, y ) = 1 0 Tk 1 f ( x, y ) Tk f ( x, y ) T1 Tk f ( x, y )
Hough变换
1. Hough变换的基本原理 把上述结论推广到更一般的情况：
如果图像空间X-Y中的直线上有n个点，那么这些
点对应参数空间P-Q上的一个由n条直线组成的直线簇，
且所有这些直线相交于同一点。
7.2.4
Hough变换
1. Hough变换的基本原理
Y
.B · A
.
Q C C
B
A
·
X
P
（a） 一条直线上的多个点与相交于一点的直线簇相对应
7.1 图像分割的概念
◆目标或前景
◆背景 ◆目标一般对应于图像中特定的、具有独特性质的
区域。