基于Wedgelet的CT体数据线特征提取
ENVI EX特征提取(Feature Extraction)中基于规则的分类的特征属性
ENVI EX特征提取(Feature Extraction)中基于规则的分类的特征属性ENVI EX的Feature Extraction是一个非常强大的用于分割与分类的workflow。
EX先对影像进行分割，然后针对分割出来的斑块对象，利用光谱、纹理和几何信息对目标进行分类和提取。
EX提供监督分类和基于规则的分类两种分类方式，其中基于规则的分类通过调节各特征属性的阈值，将感兴趣目标提取出来。
EX提供了丰富的用于分类的特征属性，以下关于特征属性的说明，从Help中翻译而来。
光谱特征:MINBAND_x：对象在第x波段所有像素的灰度的最小值。
MAXBAND_x：对象在第x波段所有像素的灰度的最小值。
AVGBAND_x：对象在第x波段所有像素的灰度的平均值。
STDBAND_x：对象在第x波段所有像素的灰度的标准差。
纹理特征:TX_RANGE：对象纹理核的平均数据范围。
TX_MEAN：对象纹理核的平均值。
TX_VARIANCE：对象纹理核的均方差。
TX_ENTROPY：对象纹理核的平均熵。
几何特征:AREA：对象的多边形的总面积，减去多边形中洞的面积。
数值为地图单位下的值。
LENGTH：包括洞在内，对象所有边界的总长度。
COMPACT：对象的紧密度。
圆是紧密度最高的形状，紧密度为1/pi。
正方形的紧密度为1/2(sqrt(pi))。
紧密度计算公式为COMPACT=sqrt(4*AREA/pi)/外轮廓线长度。
CONVEXITY：对象的凸度。
没有洞的凸多边形的凸度为1，凹多边形的凸度小于1。
凸度的计算公式为CONVEXITY=凸包长度/LENGTHSOLIDITY：对象完整度，由多边形面积比多边形凸包的面积。
没有洞的凸多边形完整度为1，凹多边形的完整度小于1。
完整度的计算公式为SOLIDITY=AREA/凸包的面积。
ROUNDNESS：对象的圆度，由多边形的面积比多边形最长直径的平方。
最长直径指的是多边形外接矩形框的长轴长度。
数字影像的特征提取与定位课件
实验一：小波变换特征提取实验
小波变换理论
小波变换是一种信号分析方法， 能够将时域信号转换为频域信号
，适用于分析图像的特征。
实验步骤
在小波变换理论的基础上，通过 MATLAB软件实现小波变换特征 提取实验，包括图像的多尺度分 解、小波系数计算、特征提取等
步骤。
实验结果
通过对比不同尺度下的小波系数 和提取的特征，可以观察到图像 在不同尺度下的细节和特征表现
。
实验二：傅里叶变换特征提取实验
傅里叶变换理论
傅里叶变换是一种将时域信号转换为频域信号的方法，适用于分析 图像的特征。
实验步骤
在傅里叶变换理论的基础上，通过MATLAB软件实现傅里叶变换特 征提取实验，包括图像的傅里叶变换、滤波处理、特征提取等步骤 。
实验结果
通过对比滤波处理后的傅里叶频谱和提取的特征，可以观察到图像在 不同频率下的特征表现。
实验三：机器学习特征提取实验
机器学习理论
机器学习是一种通过训练数据自动提取特征的方法，适用于分类 、回归等任务。
实验步骤
在机器学习理论的基础上，通过Python软件实现机器学习特征提 取实验，包括数据预处理、模型训练、特征提取等步骤。
实验结果
通过对比不同模型下的特征提取结果，可以观察到机器学习模型对 图像特征的提取能力。
方法
常见的图像配准方法包括 基于灰度、基于特征、基 于变换域等。
基于特征匹配的定位技术
定义
特征匹配是一种通过提取 图像中的特征信息，然后 在另一幅图像中寻找相同 或相似特征的匹配过程。
过程
特征匹配通常包括特征提 取、特征匹配、变换模型 估计、图像变换与重采样 等步骤。
特征提取方法
特征提取方法特征提取是指从原始数据中提取出对于问题解决有意义的信息的过程。
在机器学习、模式识别、图像处理等领域中，特征提取是至关重要的一步，它直接影响着后续算法的性能和效果。
本文将介绍几种常见的特征提取方法，包括传统的统计特征提取方法和基于深度学习的特征提取方法。
首先，我们来看一下传统的统计特征提取方法。
在这类方法中，常用的特征包括均值、方差、最大最小值、标准差等。
这些特征能够很好地描述数据的分布情况和波动情况，对于一些简单的问题，这些特征已经足够。
此外，还有一些高级的统计特征提取方法，比如小波变换、傅里叶变换等，这些方法能够更好地捕捉数据的频域特征和时域特征，适用于信号处理和图像处理领域。
其次，我们介绍基于深度学习的特征提取方法。
深度学习在近年来取得了巨大的成功，其中的卷积神经网络（CNN）和循环神经网络（RNN）等模型在图像处理、自然语言处理等领域表现出色。
这些深度学习模型能够自动地学习到数据的抽象特征表示，无需手工设计特征提取器。
在训练充分的深度学习模型中，隐藏层的特征表示已经能够很好地表达原始数据，因此可以将这些隐藏层的特征作为最终的特征表示，适用于各种复杂的问题。
除了上述两类方法，还有一些其他的特征提取方法，比如基于字典学习的方法、稀疏编码方法等。
这些方法在特定的问题领域有着一定的应用，能够提取出数据的稀疏表示和高阶特征。
总的来说，特征提取是机器学习和模式识别中的重要一环，不同的问题和数据需要不同的特征提取方法。
传统的统计特征提取方法适用于简单的问题和数据，而基于深度学习的方法则适用于复杂的问题和大规模的数据。
在实际应用中，我们需要根据具体的情况选择合适的特征提取方法，以提高算法的性能和效果。
希望本文介绍的特征提取方法能够对读者有所帮助。
线特征的提取与定位算法
x cos y sin
图像空间
参数空间
映射
正弦 曲线
正弦曲线共线
Hough变换步骤
对影像进行预处理提取特征并计算其梯度方向. 将(，)参数平面量化，设置二维累计矩阵H(i， j).
ij
边缘细化，即在边缘点的梯度方向上保留极值 点而剔除那些非极值点. 对每一边缘点，以其梯度方向为中心，设置 一小区间[-o，+o].
0 1 0
1 4 1
0 1 0
i, j
拉普拉斯算子（Laplace）
卷积核 掩膜
0 1 0
1 4 1
0 1 0
取其符号变化的点，即通 过零的点为边缘点，因此 通常也称其为零交叉 （zero-Crossing）点
高斯一拉普拉斯算子（LOG）
《摄影测量学》
线特征的提取与定位算法
山东交通学院
测绘教研室
主要内容
特征的提取 • 特征点的提取算法 • 特征线的检测方法 特征的定位算法
线特征提取算子
线特征是指影像的“边缘”与“线”
“边缘”可定义为影像局部区域特 征不相同的那些区域间的分界线， 而“线”则可以认为是具有很小宽 度的其中间区域具有相同的影像特 征的边缘对
常用方法有差分算子、拉普拉斯算子、LOG算子等
房屋的提取
道路的提取
线的灰度 特征
一、微分算子
1．梯度算子
G g ( x, y ) g x g y
g 2 g G ( x, y ) m agG ( ) ( ) y x
2 g 2g x
2
2g y 2
2 g ij ( g i 1, j g i , j ) ( g i , j g i 1, j ) ( g i , j 1 g i , j ) ( g i , j g i , j 1 ) g i 1, j g i 1, j g i , j 1 g i , j 1 4 g i , j
基于多尺度分析的图像去噪及特征提取算法研究
第25卷第1期苏州市职业大学学报V ol.25，No.1 2014年3月Journal of Suzhou V ocational University Mar.，2014基于多尺度分析的图像去噪及特征提取算法研究戴桂平(苏州市职业大学 电子信息工程学院，江苏 苏州 215104)摘 要： 针对BEMD和非采样Contourlet变换2种典型的多尺度几何分析方法，研究并提出其在图像去噪及特征提取应用方面的4种算法模型，针对每种模型，分析了其算法原理及流程，并通过仿真实验验证了每种算法模型的有效性及优越性.关键词： 多尺度几何分析；二维经验模式分解；非采样Contourlet变换；独立成分分析中图分类号：TP391.41 文献标志码：A文章编号：1008-5475(2014)01-0017-05 Algorithms of Image De-noising and Feature ExtractionBased on Multi-scale AnalysisDAI Gui-ping(School of Electronic Information Engineering，Suzhou Vocational University，Suzhou 215104，China) Abstract：For two typical multi-scale geometric analysis methods：Bi-dimensional empirical modedecomposition and nonsubsampled contourlet transform，four algorithm models of image de-noising and featureextraction are proposed. For each model，the algorithm principles and processes are detailedly analyzed. Andthen through the simulation experiments，the effectiveness and superiority of each algorithm model are verified.Key words：multi-scale geometric analysis；bi-dimensional empirical mode decomposition；nonsubsampledcontourlet transform；independent component analysis在图像处理、模式识别与计算机视觉领域中，由于系统和环境等因素的影响，使得采集到的图像存在大量的噪声，视觉效果较差，直接影响了后续特征的提取，因而，图像去噪是图像处理的基础环节.此外，特征提取是模式识别的关键，全面、精确地提取特征是准确、快速分类的重要保证，因此图像去噪及特征提取成为一项十分重要的研究课题[1].近年来，随着对自然图像统计规律及人类视觉系统研究的深入，多尺度几何分析理论(multi-scale geometric analysis，MGA)逐渐成为计算机视觉领域的研究热点[2]. 所谓多尺度分析是指由粗到细或由细到粗地、在不同尺度(分辨率)上对图像进行分析，使其拥有方向性、多尺度、局部化、各向异性等优良特性，能够高效地捕捉自然图像的高维奇异性，其稀疏表达方式也更加符合人类视觉系统视皮层细胞感受野的处理机制.常用的图像MGA方法主要包括自适应和非自适应两类，自适应MGA方法是指图像变换的基函数随图像的具体内容而改变，包括Bandelet、Directionlet、Wedgelet以及EMD、BEMD等；而非自适应MGA方法是指基函数与具体的图像内容无关，包括Shearlet、Curvelet、Ridgelet、Contourlet以及非采样收稿日期：2013-11-21；修回日期：2013-12-22基金项目：国家自然科学基金资助项目(60970058)；江苏省自然科学基金资助项目(BK2009131)；苏州市职业大学青年基金资助项目(2013SZDQ02)作者简介：戴桂平(1982-)，女，江苏泰州人，讲师，硕士，主要从事模式识别与人工智能研究.第25卷 苏州市职业大学学报Contourlet 变换等[3]，其本质是通过对图像等高维数据内在的几何结构，如轮廓、边缘、纹理等进行高效地逼近和描述，从而克服了二维小波变换不能有效捕获信号高维奇异性的缺陷.其中，非采样Contourlet 变换除了继承多尺度几何分析的优良特性外，还具有多方向、各向异性、平移不变性以及基函数固定、结构更加稳定等性能，而二维经验模式分解(bi-dimensional empirical mode decomposition ，BEMD) 是一种具有自适应性的时频局部化多尺度分析方法，其分解不依赖于固定的基函数，因而能获得优良的图像处理性能.本文主要针对BEMD 以及非采样Contourlet(NSCT)变换这2种典型的多尺度几何分析方法，研究其在图像去噪、特征提取及模式识别中的应用.1 基于多尺度几何分析的图像去噪算法1.1 基于BEMD与双树复小波-局部Wiener滤波的图像去噪1) 基本原理.BEMD 是一种具有自适应性的时频局部化多尺度分析方法，与非自适应MGA 方法相比，此法能自适应地将图像和噪声逐级分解成若干个具有不同特征尺度的本征模函数(intrinsic mode function ，IMF)集，从而实现了图像与噪声的多尺度特征分离.与离散小波变换不同，双树复小波变换利用一对滤波器组同时产生两组小波分解，能够提供图像在6个高频方向的细节信息，因此具有平移不变性和良好的方向选择性、低冗余度以及完全重构特性等.而Wiener 滤波器是一种基于最小均方误差原则而得到的局部自适应线性滤波器，利用带有方向窗的局部Wiener 滤波可以对双树复小波分解得到的6个高频方向的细节信息进行去噪.2) 算法流程.结合BEMD 算法的自适应分解特性、双树复小波变换的平移不变性、多方向选择性以及Wiener 滤波优良的去噪性能，提出了一种基于BEMD 与双树复小波变换-局部Wiener 滤波相结合的图像去噪算法，具体见文献[4].该算法，首先，对含噪图像进行BEMD 分解得到不同特征尺度的IMF 子图像集；然后，利用双树复小波变换分别对中高频IMF 子图像进行多尺度、多方向分解，并结合带有椭圆方向窗的局部Wiener 滤波算法对各个高频方向子带进行去噪；最后，通过DTCWT 逆变换重构得到去噪后的IMF ，并与残差图像相加进行BEMD 重构，从而最终得到去噪后的图像.3) 仿真实验.为了验证去噪算法的有效性及优越性，文献[4]采用基于BEMD 与双树复小波-局部Wiener 滤波的图象去噪算法、BEMD 滤波、双树复小波-Wiener 滤波(2-DTCWT -Wiener)以及离散小波变换-Wiener 滤波(DWT -Wiener)分别对毫米波焦平面成像系统所形成的含有噪声的手枪图像进行去噪，结果如图1所示，实验结果表明，该融合算法去噪效果更明显，由于双树复小波变换可提供6个方向的高频细节信息且具备平移不变性，因而所提取的目标图像的边缘及细节特征更清晰，且不具有如图1(c)所示的Gibbs 现象的视觉失真.1.2 基于非下采样Contourlet变换(NSCT)域统计模型的自适应图像去噪1) 算法原理及流程.NSCT 是一种不进行下采样的Contourlet 变换，由非下采样金字塔(nonsub sampled pyramid ，NSP)和非下采样方向滤波器组(nonsub sampled directional filter banks ，NSDFB)构成，由于没有包含下采样环节，所以该变换具有平移不变性，此外还具有多方向性(任意方向)、各向异性等优良性能.基于NSCT 域统计模型的自适应图像去噪算法流程为：①NSCT 分解.对含噪图像进行3层(a) BEMD 滤波(b) 2-DTCWT -Wiener 滤波(c) DWT -Wiener 滤波(d) BEMD 与双树复小波-局部Wiener 滤波图1 各种算法去噪后的毫米波图像2014年第1期NSCT 分解，由粗到细尺度的方向数依次为4、8、16，得到低频及各尺度各方向的高频NSCT 系数.②基于各方向子带能量的改进BayesShrink 阈值估计.第i 尺度上噪声方差估计：利用蒙特卡罗鲁棒中值估计器来估计第i 尺度上所有方向子带系数的噪声方差σn2.i 尺度、j 方向子带贝叶斯阈值估计：利用最大似然估计法则估计i 尺度、j 方向上不含噪声的NSCT 系数方差，则贝叶斯阈值基于方向子带能量的改进BayesShrink 阈值估计为(1)式中：E j i 为第i 尺度、j 方向上的系数总能量；E i j j =∑1为第i 尺度上所有方向子带的系数总能量.由式(1)表明，方向子带能量越大，则细节信息越多，阈值越小；反之，方向子带能量越小，则含有的噪声越多，阈值则越大.③利用可调节的新阈值函数及改进的阈值对i 尺度、j 方向子带系数进行BayesShrink 收缩.具有可调节的新阈值函数为(2)式中：w i j k ,为第i 尺度、j BayesShrink 阈值. (3)④NSCT 重构.利用‘BayesShrink 改进算法去噪后的各个尺度的方向子带系数进行NSCT 重构，从而得到去噪后的图像.2) 仿真实验.为了验证基于NSCT 域统计模型的自适应图像去噪算法的优越性，将其与小波BayesShrink 去噪、Contourlet BayesShrink 去噪以及CT 改进BayesShrink 去噪相对比.其中，小波BayesShrink 去噪仿真中，利用bior4.4小波对含有噪声的仿真图像进行三层分解，利用未改进的BayesShrink 阈值对水平、垂直及对角高频系数分别进行收缩并重构；在Contourlet BayesShrink 去噪中，pfilt 和dfilt 滤波器分别采用‘9-7’及‘pkva ’系列，分解方向数矩阵nlevels 设定为[2，3，4]，即各4、8、16个高频方向；NSCT 改进BayesShrink 去噪中，pfilt 和dfilt 滤波器分别选择‘maxflat ’及‘dmaxflat7’系列，nlevels 仍设定为[2，3，4]，并采用峰值信噪比(PSNR)作为衡量去噪图像质量的指标.各种去噪算法PSNR值比较如图2所示，实验结果表明：NSCT 改进BayesShrink 去噪方法的去噪效果最好，PSNR 值最高为56.67 dB ；而Contourlet 变换由于不具备平移不变性，PSNR 值次之为47.08 dB ；CT BayesShrink 去噪中，由于其阈值及阈值函数不具备自适应性，PSNR 值只有31.90 dB ；在小波BayesShrink 去噪中，由于小波变换不具备多方向性及平移不变性，其去噪效果最差，PSNR 值仅为31.45 dB .2 基于多尺度几何分析的图像特征提取算法2.1 基于BEMD与ICAⅡ的图像特征提取1) 算法原理及流程.结合BEMD 算法的自适应时频局域化多尺度特性以及ICA Ⅱ表征数据的高阶图2 各种去噪算法PSNR值比较50100150200250501001502002505010015020025050100150200250(a) 小波BayesShrink 去噪(PSNR=31.45 dB)(b) CT BayesShrink 去噪(PSNR=31.90 dB)(c) CT 改进BayesShrink 去噪(PSNR=47.00 dB)(d) CT 改进BayesShrink 去噪(PSNR=56.67 dB)50100150200250501001502002505010015020025050100150200250 戴桂平：基于多尺度分析的图像去噪及特征提取算法研究第25卷 苏州市职业大学学报统计特性，提出一种基于BEMD 与ICA Ⅱ(独立成分分析，independent comment analysis)相结合的图像特征提取方法，具体见文献[5].该算法，首先，对预处理过的图像进行BEMD 分解，得到特征尺度从小到大(频率由大到小)的IMF 子图像集；然后，选取包含主要特征信息的若干IMF 子图像作为ICA Ⅱ的输入，为了减少计算量，采用PCA 算法去除子图像的二阶统计特征相关性进行降维；再次，利用FastICA Ⅱ算法提取IMF 子图像集的特征基向量；最后，利用提取的特征基向量进行图像的重构并通过分析重构信号的信噪比来验证(BEMD+ICA Ⅱ)图像特征提取算法的有效性与优越性.2) 仿真实验.为了验证(BEMD+ICA Ⅱ)图像特征提取算法的有效性及优越性，文献[5]将该算法成功地应用于掌纹识别领域.实验中BEMD 分解层数为5，并将分解后的5个IMF 子图像作为ICA Ⅱ的输入矩阵，采用随机采样大小为8×8像素的子图像块分别对每个IMF 抽取1 000次，从而构成大小为64×5 000的ICA Ⅱ输入矩阵，再利用基于PCA 降维处理的FastICA Ⅱ算法提取IMF 子图像集的掌纹特征基矩阵，其中PCA 主元个数取40，特征基矩阵维数为64×40，将其列向量转化成8×8的子图像块，从而构成图3(a)所示的40个特征基图像集，图3(b)为不经过BEMD 分解直接通过ICA Ⅱ提取出的特征基图像集，仿真结果表明，(BEMD+ICA Ⅱ)算法与单独的ICA Ⅱ相比，提取的特征基亮度变化更明显，具有更清晰的边缘，因而重构图像的信噪比更高，达到29.770 9，而后者仅为24.210 4.2.2 基于NSCT与改进脉冲耦合神经网络(M-PCNN)的图像特征提取1) 算法原理及流程.脉冲耦合神经网络(pulse coupled neural networks ，PCNN)是由Eckhorn 模拟猫的大脑视觉皮层中同步脉冲发放现象而建立的一个简化模型[6]，是由脉冲耦合神经元构成的二维单层、以迭代为主的自监督自学习网络，其中每个神经元与图像的每个像素相对应，其具有的连接域特性与动态阈值衰减特性能够使状态相似的神经元(像素)同步输出脉冲，从而能从复杂背景下提取出更多的图像细节信息.利用NSCT 分解的多尺度、多方向、各向异性、平移不变性以及M -PCNN 的全局耦合性和脉冲同步性，提出一种基于NSCT 和M -PCNN 的图像特征提取算法，流程为：①NSCT 分解.利用‘maxflat ’、‘dmaxflat7’型非下采样塔式及方向滤波器组对图像进行2层NSCT 分解，由粗到细尺度的方向数依次为2、4，得到低频子图及各尺度各方向上的高频子图集；②M -PCNN 二值图像信息熵特征矩阵提取.将低频子图及各尺度各方向的高频子图，分别输入简化后的M -PCNN 网络，模拟生物视觉的感知过程，通过迭代(设为20次)将每个子图分解成由若干(20个)二值图像组成的认知序列；利用信息熵公式计算每次迭代过程中输出二值图像Y ij (n )的信息熵，构成1×20维信息熵特征向量，并将低频及各方向高频子带提取的信息熵向量级联，构成整幅图像的信息熵特征向量，维数为1×(20×7)，20为每次迭代20次，7为子图总数(1个低频，6个方向高频子带).2) 仿真实验.为了验证(NSCT+M -PCNN)图像特征提取算法的有效性及优越性，采用ORL 人脸库进行实验，其中包括40人、每人10张人脸图像，前5张用于训练(200张)，后5张用于测试(200张)，利用NSCT+M -PCNN 算法分别提取训练集及测试集的二值图像信息熵特征矩阵(维数为140×200)，每一列对应一幅人脸图像的M -PCNN 信息熵特征向量，其中NSCT 参数设置见NST 分解，M -PCNN 采用简化的模型，具体参数设置为：连接强度系数β=0.4，耦合通道的固有电势V L =1，动态门限的固有电势V E =256，衰减时间常数αE =0.8，连接加权系数矩阵W =[0.5 1 0.5；1 0 1；0.5 1 0.5]，仿真结果如图4、图5所示，图4为NSCT 分解后的1个低频及6个高频方向子图，图5为coeffs{2}{1}高频子图(图4中第3个)输图3 (BEMD+ICAⅡ)与ICAⅡ提取的特征基图像及重构图像对比(a)基于BEMD 的ICA Ⅱ提取的特征基图像(b)基于ICA Ⅱ提取的特征基图像(c)( BEMD+ICA Ⅱ)重构掌纹图像(d) ICAⅡ重构掌纹图像2014年第1期出的12个M -PCNN 二值图像序列，程序中迭代次数为20次，应是20个二值图像，但其中8个二值图像信息熵为零或接近零，忽略不计，其对应的信息熵特征向量为H =[0.999 9，0，0，0.005 0，0.101 9，0.307 4，0.446 6， 0.535 3，0.460 2， 0.334 6，0.196 3，0.105 5，0.077 5，0.053 8，0.022 0，0.008 1，0.008 1，0.0027，0.002 7，0.001 4].由图4可知，人脸图像经过NSCT 多尺度、多方向稀疏分解后，得到1个低频子图和6个方向的高频子图，其中低频子图描述了人脸嘴、鼻、眼等方位信息；第1层的2个高频子图包含了大量用于识别的细节及边缘轮廓特征；而第2层的4个高频子图包含了更精细尺度的细节信息.将每个子图分别输入到M -PCNN 网络，得到一系列二值图像的信息熵特征向量，由于不同人脸图像像素分布的差异性，其生成的二值认知序列也具备明显差异，且信息熵特征具有旋转、平移、缩放及局部变形不变性，因而此算法提取的图像特征具备对图像尺度、旋转、变形和光照强度不变的优良特性.3 结论本文主要针对2种典型的多尺度几何分析方法：BEMD 以及非采样Contourlet 变换(NSCT)，研究其在图像去噪及特征提取中的应用，阐述并提出了4种算法模型，即基于BEMD 与双树复小波-局部Wiener 滤波的图像去噪算法、基于非下采样Contourlet 变换(NSCT)域统计模型的自适应图像去噪算法、基于BEMD 与ICA Ⅱ的图像特征提取算法以及基于NSCT 与改进脉冲耦合神经网络(M -PCNN)的图像特征提取算法，针对每种模型，分析了其算法原理及流程，并通过仿真实验验证了每种算法模型的有效性及优越性，从而为图像处理、人体生物特征识别技术提供一种更为有效的方法及新思路.参考文献：[1] 刘丽，匡纲要. 图像纹理特征提取方法综述[J]. 中国图象图形学报，2009，14(4)：621-632.[2] 李财莲，孙即祥，康耀红. 图像多尺度几何分析综述[J]. 海南大学学报：自然科学版，2011，29(3)：275-281.[3] 李彦，汪胜前，邓承志. 多尺度几何分析的图像去噪方法综述[J]. 计算机工程与应用，2011，47(34)：168-173.[4] 戴桂平，林洪彬. 基于BEMD 与双树复小波-局部Wiener 滤波的毫米波图像去噪[J]. 机械设计，2011，28(9)：12-16.[5] 戴桂平，尚丽. 应用二维EMD 和独立成分分析的掌纹识别[J]. 计算机工程与应用，2011，47(19)：182-185.[6] 王朝晖，王佳琪，赵德功，等. 基于Shearlet 与改进PCNN 的图像融合[J]. 激光与红外，2012，42(2)：213-215.(责任编辑：沈凤英)图4 人脸图像NSCT两层分解(1个低频，6个高频)图5 coeffs{2}{1}高频子图输出的M-PCNN二值图像序列戴桂平：基于多尺度分析的图像去噪及特征提取算法研究。
特征提取技术简介(六)
特征提取技术简介在计算机视觉和模式识别领域，特征提取是一个非常重要的步骤。
它是从原始数据中提取出具有代表性的特征，用于后续的分类、识别或其他任务。
本文将介绍特征提取技术的基本概念、常见方法以及在不同领域的应用。
基本概念特征提取是将原始数据转换成一组特征向量的过程。
这些特征向量可以包含各种信息，如形状、纹理、颜色、运动等。
特征提取的目标是提取出对于所面对问题具有代表性和差异性的特征，以便于后续的处理和分析。
在计算机视觉中，常见的原始数据可以是图像、视频、声音等。
常见方法在特征提取的过程中，有许多常见的方法可以使用。
其中，最常见的方法包括颜色特征提取、纹理特征提取、边缘特征提取等。
颜色特征提取可以用于图像的颜色分布分析，纹理特征提取可以用于识别图像中的纹理模式，边缘特征提取可以用于检测图像中的边缘信息。
此外，还有形状特征提取、运动特征提取等方法。
在图像识别领域，常见的特征提取方法包括SIFT、SURF、HOG等。
SIFT（尺度不变特征转换）是一种用于图像局部特征提取的算法，它具有旋转不变性和尺度不变性，适用于图像中的关键点提取。
SURF（加速稳健特征）是一种基于Hessian 矩阵的计算机视觉算法，可以用于图像的特征点匹配和目标识别。
HOG（方向梯度直方图）是一种用于目标检测的特征描述符，它可以有效地描述图像中的目标轮廓和纹理信息。
在语音识别领域，常见的特征提取方法包括MFCC（梅尔频率倒谱系数）、PLP（感知线性预测）、Rasta-PLP等。
MFCC是一种常用的语音特征提取方法，它可以有效地描述语音信号的频谱特征。
PLP是一种基于感知线性预测的语音特征提取方法，可以用于语音的识别和分类。
应用领域特征提取技术在各种领域都有着广泛的应用。
在医学影像识别领域，特征提取可以用于医学图像的分割、识别和分析。
在安防监控领域，特征提取可以用于视频中的目标检测和跟踪。
在自然语言处理领域，特征提取可以用于文本分类、情感分析等任务。
基于Contourlet变换的纹理图像特征提取方法
基于Contourlet变换的纹理图像特征提取方法
刘清鸣;洪春勇
【期刊名称】《现代计算机（专业版）》
【年(卷),期】2008(000)011
【摘要】对Contourlet变换构造以及Contourlet变换进行了描述,对其子带系数采用广义高斯模型进行建模.同时为进一步降低模型的计算复杂度,对模型进行曲线拟合.用两个变量描述每一系数模型概率.从而提取图像特征.最后,通过在Brodatz 纹理数据库中图像搜索验证特征提取的有效性.
【总页数】3页(P53-55)
【作者】刘清鸣;洪春勇
【作者单位】南昌大学计算机中心,南昌,330031;南昌大学计算机中心,南
昌,330031
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于Contourlet变换和PCNN的CT图像椎体解剖轮廓特征提取方法的研究[J], 李峤;李海云
2.基于轮廓波的纹理图像特征提取方法 [J], 赵一凡;夏良正;潘泓
3.基于改进Contourlet变换的纹理图像混合检索方法 [J], 曲怀敬;齐志强;吴延荣
4.基于Contourlet变换的纹理图像检索 [J], 李丽君
5.基于非下采样contourlet变换的纹理图像检索算法 [J], 张瑜慧;胡学龙
因版权原因，仅展示原文概要，查看原文内容请购买。
基于假设检验的数字影像线状特征亚像素自动提取
基于假设检验的数字影像线状特征亚像素自动提取李畅;李芳芳【摘要】线状特征是数字图像处理与模式识别中一种重要的中层描述符号,具有丰富的语义信息.针对目前提取算法的不足,提出一种稳健的高精度直线提取算法.在对分裂线段感知编组时提出一个基于假设检验的方法,从几何拓扑关系和物理光谱信息两个方面以及全局与局部两个尺度进行模糊融合和检验.并利用最小二乘模板匹配将提取直线的精度提高到亚像素.本算法可在一定程度上克服线段提取中的两类错误和定位精度低的问题,通过对航空和地面影像的试验,验证了该方法的有效性.【期刊名称】《测绘学报》【年(卷),期】2013(042)001【总页数】6页(P67-72)【关键词】线状特征亚像素提取;感知编组;假设检验;模糊融合;最小二乘模板匹配;霍夫变换【作者】李畅;李芳芳【作者单位】华中师范大学城市与环境科学学院,湖北武汉430079;国防科学技术大学信息系统工程重点实验室,湖南长沙410073【正文语种】中文【中图分类】P2341 引言直线是数字图像处理领域中的中层描述符号，利用它可以描述许多对象，即使是复杂的曲线在GIS和CAD中仍能用分段线段来表达。
因此线特征自动提取在图像处理［1］、计算机视觉［2－3］、机器视觉［4－5］和数字摄影测量与遥感［6－8］中有广泛的研究。
近年来在特征点与特征区域检测方面取得了较大进展［9－11］，然而，由于图像特征点的离散误差和特征点提取过程中的位移现象，使得由二图像点所确定的直线参数随之产生某种不确定性［12］。
此不确定性造成直线提取的不完整和过提取，也是导致直线特征立体匹配结果具有不确定性的关键因素［13］，因此线提取还是影响视觉理解的关键因素。
文献［14—15］总结了具有代表性的线提取算法：霍夫变换法、启发式连接算法、层次记号编组法和Burns设计的相位编组法等。
理想的直线提取算法应具有如下特征：①能提取低对比度线段；②保证线段提取完整性，尽量避免提取的破碎性；③防止线段被误连，降低取伪概率；④提取线段精度高；⑤对噪声不太敏感；⑥ 具有良好的局部特性。
基于Pro_E的人体特征尺寸提取
基于Pro_E的人体特征尺寸提取2009年工程图学学报2009第1期JOURNAL OF ENGINEERING GRAPHICS No.1基于Pro/E的人体特征尺寸提取李燕（武汉科技学院机电工程学院，湖北武汉 430073）摘要：根据三维服装CAD系统对三维数字化人体尺寸特征信息的需要，提出了一种提取人体特征尺寸的新方法。
该方法可根据人体扫描数据重构人体曲面模型，而后将模型导入Pro/E中, 通过创建水平基准面与人体表面求交，找出人体主要特征尺寸如颈围、胸围、腰围、臀围所在的截面轮廓曲线特点，以此设定搜索这些特征截面轮廓曲线需满足的条件，利用Pro/E的测量分析和优化特征分析功能进行求解，从而获得满足设定条件的人体截面轮廓曲线所在的位置，最终计算截面轮廓曲线的长度以得到人体特征尺寸。
该方法具有操作简便，易于掌握的特点。
关键词：计算机应用；人体特征尺寸；优化特征分析；人体三维点云数据中图分类号：TP 391.72文献标识码：A 文章编号：1003-0158(2009)01-0012-05Extracting Human Body’s Characteristic Dimension Based on Pro/ELI Yan( College of Machine and Electronic Engineering, Wuhan University of Science and Technology, Wuhan Hubei 430073, China )Abstract: According to the demand of 3D garment CAD system for 3D digital characteristic dimension information of the human body, a new method to extract human body’s characteristic dimension is brought forward. The curved humanbody module can be reconstructed based on the scan data. Using Pro/E’s functions of measuring analysis and optimizing analysis, the characteristic dimension can be gained by creating a horizontal plane to cross the module surface, then try to find the main characteristic dimension of the section such as neck, circumference, waistline and stern line. To set up the conditions for searching these section curves, the location of the human module section outline could be defined, then calculating the length of section curve to get characteristic dimension. This way is easy to operate and handle.Key words: computer application; human body’s characteristic dimension; optimized characteristic analysis; data cloud of 3D human body收稿日期：2007-09-19基金项目：湖北教育厅2007年科研重点资助项目（D200717002）；湖北省数字化纺织装备重点实验室资助项目（DTL2007k6）三维服装CAD 系统是建立在三维人体模型上的三维人体测量、尺寸信息提取、服装设计、虚拟试衣、动画模拟及基于互联网的订做、销售和展示等技术的集成与综合。
特征提取方法
特征提取方法特征提取是机器学习和计算机视觉领域中的一个重要问题。
在这个过程中，我们需要从原始数据中提取出最具代表性的特征，以便于后续的分类、识别和检测等任务。
本文将介绍几种常见的特征提取方法，并按照类别进行分类。
基于统计学的基于统计学的特征提取方法是一种常见的特征提取方法。
它通过对数据的统计分析来提取特征。
其中，最常用的方法是主成分分析（PCA）。
PCA是一种线性降维技术，它可以将高维数据降到低维，并保留数据的主要特征。
此外，还有一些其他的基于统计学的特征提取方法，如线性判别分析（LDA）、独立成分分析（ICA）等。
基于频域的基于频域的特征提取方法是一种将信号从时域转换到频域的方法。
它通过对信号的频率分析来提取特征。
其中，最常用的方法是傅里叶变换（FFT）。
FFT可以将信号从时域转换到频域，并将信号分解成不同的频率成分。
此外，还有一些其他的基于频域的特征提取方法，如小波变换（Wavelet Transform）等。
基于图像处理的基于图像处理的特征提取方法是一种将图像从像素级别转换到特征级别的方法。
它通过对图像的颜色、纹理、形状等特征进行分析来提取特征。
其中，最常用的方法是局部二值模式（Local Binary Pattern，LBP）。
LBP可以将图像分成不同的区域，并对每个区域进行二值化处理，从而提取出图像的纹理特征。
此外，还有一些其他的基于图像处理的特征提取方法，如SIFT、SURF等。
基于深度学习的基于深度学习的特征提取方法是一种利用深度神经网络来提取特征的方法。
它通过对数据进行多层次的非线性变换来提取特征。
其中，最常用的方法是卷积神经网络（Convolutional Neural Network，CNN）。
CNN可以通过卷积、池化等操作来提取图像的特征。
此外，还有一些其他的基于深度学习的特征提取方法，如循环神经网络（Recurrent Neural Network，RNN）等。
总结特征提取是机器学习和计算机视觉领域中的一个重要问题。
数字影像线特征提取
§ 3-3 线特征提取算子
[二]、一阶差分算子 一阶差分算子 1、梯度算子 对一个灰度函数g(x,y)，其梯度定义为一 个向量： ∂g
∂x G[ g ( x, y )] = ∂g ∂y
它的两个重要的特性是： （1）向量G[g(x,y)]的方向是函数g(x,y)在（x,y） 处最大增加率的方向； （2）G[g(x,y)]的模为 1 就等于最大增加率。
§ 3-3 线特征提取算子
[三]、二阶差分算子 二阶差分算子 1、方向二阶差分算子（提取“线”） − 1 − 1 − 1 [− 1 2 − 1] 2 2 − 1 − 1 需要在纵横方向同时检测时的算子为 :
D = − 1 2 − 1 + −1 2 −1 0 −1 0 = − 1 4 − 1 0 −1 0
第五章 线特征提取
内 容
[一]、数字影像线特征的特点 数字影像线特征的特点 [二]、一阶差分算子 一阶差分算子 [三]、二阶差分算子 二阶差分算子 [四]、Laplace 算子，LOG算子 Laplace 算子，LOG算子 [五]、Canny算子 Canny算子 Canny [六]、特征分割法 特征分割法
河南理工大学测绘学院遥感科学与技术系
数字摄影测量学 Digital Photogrammetry
§ 3-3 线特征提取算子
0 D1 = − 1 0 − 1 = − 1 − 1 −1 0 − 1 − 1 + 4 − 1 + 2 2 − 1 0 − 1 − 1 − 1 − 1 8 − 1 − 1 − 1
河南理工大学测 [( g i +1, j +1 − g i , j ) 2 + ( g i , j +1 − g i +1, j ) ]
基于Curvelet的边缘纹理特征提取及表情识别
基于Curvelet的边缘纹理特征提取及表情识别林克正;王浩【期刊名称】《计算机工程与应用》【年(卷),期】2013(000)016【摘要】针对小波变换在提取图像边缘特征上的局限性，提出一种使用Curvelet变换进行边缘纹理特征提取的表情识别方法。
Curvelet变换在表达图像的边缘曲线上的奇异性时比小波变换更能得到稀疏的图像表示。
在表情识别中，对表情图像使用Curvelet变换得到Curvelet系数作为边缘纹理特征能更好地反映表情的变化，使用K最邻近结点算法进行了识别。
结果表明在表情识别中该方法比小波变换更有效。
%For the wavelet transform has limitations to extract features of the edge of the images, a method of the facial expres-sion recognition is proposed that using curvelet transform to extract features of the edge of the images. The curvelet transform can get more representation of sparse images than the wavelet transform on the representation of the singular of the edges of the image curve. The curvelet coefficient that can be got by using the curvelet transform on the facial images as the edge of the tex-ture features can better reflect the changes in the facial expression, andthe k-nearest neighbor algorithm is used to recognition different expression in this paper. The result shows that the method proposed inthis paper is more effective than the wavelet transform in the expression recognition.【总页数】4页(P151-154)【作者】林克正;王浩【作者单位】哈尔滨理工大学计算机科学与技术学院，哈尔滨 150080;哈尔滨理工大学计算机科学与技术学院，哈尔滨 150080【正文语种】中文【中图分类】TP391.4【相关文献】1.卫星图像边缘与纹理特征提取 [J], 邹旭兴;谢明元2.基于边缘系数增强和对比度提升的Curvelet变换图像增强方法 [J], 徐效文;王阿记3.基于Curvelet变换和SVM的人脸表情识别方法研究 [J], 薄璐;周菊香4.基于Curvelet变换的边缘锐化方法 [J], 张恒娟;胡燕翔5.基于边缘云框架的高效安全人脸表情识别 [J], 张娴静;褚含冰;刘鑫因版权原因，仅展示原文概要，查看原文内容请购买。
基于Beamlet的图像线特征提取方法
(a)Beamlet1 (b)Beamlet2 (c)Beamlet3 (d)Beamlet4 图 1 位于不同尺度、位置和方向上的 Beamlet
(a) 一条线段
(b)由 Beamlet 逼近线段
图 2 由 Beamlet 逼近线段的示意图
2.2 Beamlet 变换 假设 f (x1, x2 ) 是单位正方形 [0,1]2 中的函数。函数 f 的连
图 4 是只具有直线特征的图像，SNR=-9.498 3 dB，分解 4 层，图像大小为 128×128 。从实验结果可以看出，本文的算 法能有效提取图像的直线特征。
(a)含噪图像
(b)融合图像
(c)Beamlet 提取结果
图 4 只具有直线特征的图像提取结果
图 5 是一个具有曲线特征的闭合椭圆，SNR= -14.147 dB， 分解 5 层，图像大小为 128×128 。本文的算法也有效地提取了 曲线特征。
12
i1 ,i1 ' i2 ,i2 '
(3)
其中， δ i,i ' 是 Kronecker 符号，即
δi,i '
=
⎧⎪1 ⎨ ⎪⎩ 0
i = i' i ≠ i'
(4)
则 f 满足表达式：
fi1,i2 = Ave{ f | Pixel(i1,i2 )}
(5)
其中， f i1 ,i2 可看作连续函数 f 像素级的平均。
(2)
其中，φi1,i2 为指定的一族连续插值函数。函数 φi1,i2 的选择有几
种方法，在这里使用平均插值函数。 Pixel(i1,i2 ) 表示正方形
[i1 n, (i1 +1) n]×[i2 n, (i2 +1) n] 。函数 φi1,i2 遵守条件：
图像特征提取算法研究
图像特征提取算法研究
李亚杰
【期刊名称】《科技广场》
【年(卷),期】2016(000)005
【摘要】在计算机视觉技术和图像处理中，都会运用到图像特征提取技术，图像的不变特征可以通过计算机的分析和处理来提取，大大提高了图片处理的准确度和速率。
本文主要研究可以提取图像特征的三种经典算法，即SIFT算法、SURF算法以及ASIFT算法，利用Matlab平台、VC平台以及OpenCV库函数对以上算法进行仿真和调试，比较三种算法特征提取的效果，并分析这些算法的性能以及优缺点。
【总页数】4页(P4-7)
【作者】李亚杰
【作者单位】江西理工大学信息工程学院，江西赣州 341000
【正文语种】中文
【中图分类】TP301
【相关文献】
1.图像特征提取算法研究 [J], 王迪;陈庭毅;陈嘉彬
2.视觉SLAM中图像特征提取算法研究 [J], 周梦妮;张国伟;卢秋红
3.一种基于PCA的医学图像特征提取与配准算法研究 [J], 李泽宇;何萍;朱立峰
4.基于Canny算子的指静脉图像特征提取算法研究 [J], 李竹林;钱梦杭;白明
5.基于视觉信息的彩色图像特征提取算法研究 [J], 吴永琢
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于Wedgelet的图像轮廓编码算法
一种基于Wedgelet的图像轮廓编码算法
王成儒;司菁菁
【期刊名称】《电视技术》
【年(卷),期】2004(000)012
【摘要】基于wedgelet理论提出了一种图像轮廓编码算法.该算法给出了一种率失真意义下的图像自适应多尺度wedgelet分析方法,用以抽取并表示图像中的边缘轮廓,然后基于四叉树结构编码图像最优多尺度wedgelet表示的参数,从而编码抽取出的图像轮廓.实验结果表明,本算法能以较大压缩比编码图像的边缘轮廓,并且压缩比可调.
【总页数】3页(P18-20)
【作者】王成儒;司菁菁
【作者单位】燕山大学,信息科学与工程学院,河北,秦皇岛,066004;燕山大学,信息科学与工程学院,河北,秦皇岛,066004
【正文语种】中文
【中图分类】TN911.22
【相关文献】
1.基于基因表达式编码算法的红外图像轮廓提取 [J], 郭水旺;王宝红;季钢;邵明省
2.一种基于Wedgelet变换的遥感图像分类算法 [J], 韩敏;林晓峰
3.基于基因编码算法的图像轮廓特征信息提取研究 [J], 杜广朝;刘晓;邵明省
4.一种基于图像轮廓信息的新视点图像生成算法 [J], 胡志萍;郭明恩;欧宗瑛
5.一种新的图像轮廓编码算法 [J], 张基宏;陈耀强
因版权原因，仅展示原文概要，查看原文内容请购买。
Solid Edge零件特征的几何信息提取
Solid Edge零件特征的几何信息提取
陈善国
【期刊名称】《重庆工商大学学报（自然科学版）》
【年(卷),期】2004(021)004
【摘要】介绍了SolidEdge中的实体特征分类和机械零件特征识别与提取的常规方法与过程,对如何提取Solidedge零件特征信息、几何信息及其处理程序进行了研究,提出了应用程序访问Solidedge特征库的两种模式;并以Solid Edge中的零件为例,通过VB语言设计应用程序,成功提取Solid Edge下零件的特征及几何信息,这些信息保存在数据库中,下游的CAPP、CAM系统可直接使用.
【总页数】4页(P406-409)
【作者】陈善国
【作者单位】重庆工商大学,机械与包装工程学院,重庆,400033
【正文语种】中文
【中图分类】TH164
【相关文献】
1.基于Solid Works的零件特征几何信息提取方法研究 [J], 江征风;陈雷;丁毓峰
2.基于SolidWorks的零件非几何特征信息提取 [J], 马飞;李雷
3.基于SolidWorks的二次开发在零件特征信息提取中的研究 [J], 朱强
4.基于SolidEdge下的零件特征几何信息提取方法 [J], 陈善国; 石晓川
5.基于Solid Edge下的零件特征几何信息提取方法 [J], 陈善国; 石晓川
因版权原因，仅展示原文概要，查看原文内容请购买。
一种特征点提取的方法
一种特征点提取的方法我折腾了好久一种特征点提取的方法，总算找到点门道。
我一开始做这个的时候真的是瞎摸索，就知道是要从一堆数据或者图像中把有代表性的那些点找出来。
我最开始尝试的方法就特别笨。
比如说有一堆图像，我就想啊，那先把图像里那些比较亮或者比较暗的部分找出来，感觉这些地方可能就是特征点呗。
然后我就一通操作，什么设置亮度阈值之类的。
结果搞出来的完全不是那么回事，那提取出来的点根本就不是真正的特征点，很多都是些没用的杂点。
后来我又想，也许根据形状会靠谱一点。
就像搭积木一样，每个形状独特的部分可能就是一个特征点。
我就开始分析图像里物体的形状，试图找出那些拐角、边缘曲率大的地方。
可这也是困难重重，形状这个东西可没那么好判断，稍微有点干扰就乱套了。
再后来我去看了一些相关的资料，才知道原来别人有一种基于数学算法的高级方法。
这个算法就好比是个超级精密的筛子，那些数据啊、图像啊就像是沙子和石子。
这个筛子能把真正符合某种数学关系的那些“石子”挑出来，而这些“石子”就是我们要找的特征点。
当时我感觉就像发现了新大陆一样。
不过这个算法我一开始理解起来也费劲，里面好多参数都不知道怎么设置。
我只能一点点试，就像小孩子调收音机找信号一样，慢慢地琢磨这个参数跟提取到的特征点有什么关联。
有时候某个参数一调，出来的结果就完全不对了，不是多好多特征点就是少了好多，又得重新开始。
从这个过程中我也总结了点心得。
如果想要准确提取特征点，对于要处理的内容得有深入的了解，是图像那就了解图像的构成和意义，是数据就得知道数据的来源和特性。
而且不能怕尝试新的想法，虽然可能失败，但是每次失败都算是给正确方法交的学费。
要是有比较可靠的前人的方法可以研究研究，但是自己也得懂得调整参数，让这个方法适合自己的需求。
我还犯过一个错就是只顾着提取特征点，没有考虑后续要拿这些特征点做什么。
有时候你提取出来的特征点可能表面上是对的，可是在之后的环节就发现根本用不上或者效果很差。
- 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)。
根据钞。，钞２的相对位置关系，将Ｗｅｄｇｅｌｅｔ分为两类： 邻边型Ｗｅｄｇｅｌｅｔ和对边型Ｗｅｄｇｅｌｅｔ，如图２所示（以８×８ 的图像为例）。
图２ Ｗｅｄｇｅｌｅｔ分类
Ｆｉｇ．２ Ｗｅｄｇｅｌｅｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
在正方形块Ｓ中，共有４组邻边和２组对边，下面分 别讨论邻边型Ｗｅｄｇｅｌｅｔ和对边型Ｗｅｄｇｅｌｅｔ的内在联系。 坐标系如图２所示，原点在正方形块的左下角。设图像 ，（戈，Ｙ）的尺寸为ｎ×ｎ。 ２．３．１ 邻边型Ｗｅｄｇｅｌｅｔ（不含４个顶点）
万方数据
术基金项目：国家自然科学基金（Ｎ。．６０６７２０９８、Ｎ。．６０９７２１０４）资助项目
利用投影数据重建出被检物的ＣＴ体数据，可直观、准确 地显示出被检物的内部结构。ＣＴ体数据的主要特征由 点、线、面、管状物和丝状物刻画…。其中，线特征的提取
第３期
曾 理等：基于ＫＰＣＡ—ＨＳＭＭ设备退化状态识别与故障预测方法研究
ｌｅｔ，以及由这条Ｂｅａｍｌｅｔ得到的两个互补Ｗｅｄｇｅｌｅｔ，图中 一个方格代表一个像素。
黼黼
十
㈣黼｜
黼｜｜１澜
㈣
图１ ８×８图像中两个互补的Ｗｅｄｇｅｌｅｔ
Ｆｉｇ．１ Ｔｗｏ Ｗｅｄｇｅｌｅｔ ｉｎ ａｎ ８×８ ｉｍａｇｅ
２．２ Ｗｅｄｇｅｌｅｔ分解
记，为一幅Ｎ×Ｎ（Ｎ＝２√）的图像，Ｓｍ＝
［等，粤掣］×［等，粤掣］表示尺度为歹、位
本文首先通过分析单尺度下Ｗｅｄｇｅｌｅｔ间的内在联 系，得到一种快速Ｗｅｄｇｅｌｅｔ分解方法，在此基础上，提出 一种基于Ｗｅｄｇｅｌｅｔ的ＣＴ体数据线特征提取方法，其思 路如下。首先将ＣＴ体数据按３个相互垂直的方向进行 切片划分，得到３组切片序列图像；然后对每组切片序列 图像进行基于多尺度Ｗｅｄｇｅｌｅｔ分解的线特征提取；最后 对３个方向的线特征进行融合，从而得到ＣＴ体数据的线 特征。实验对象为实际工业ＣＴ体数据，数字实验结果验 证了本文方法的有效性。
关键词：Ｗｅｄｇｅｌｅｔ；工业ＣＴ；线特征提取；体数据
Ｌｉｎｅａｒ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｏｆ ＣＴ ｃｕｂｉＬｉｌ”，Ｌｉ Ｚｏｎｇｊｉａｎｌ…，Ｌｉｕ Ｃｈａｎｇｊｉａｎ９４
（Ｊ 坨丁尺ｅｓｅ。ｒｃ厄Ｃｅ７１ｌ方ｅｒ，Ｋｅｙ Ｌａｂ。ｍ方。砂矿印施ｅｌｅｅ加忍ｉｃ死ｅｈ砚。锄ａｎｄ跏把ｍ ｏｆ ｔｈｅ Ｅｄｕｃ仍ｉ。７１ｌ胞７１ｌ妇方ｗ。厂醌ｉ７１ｌ。．
Ｋｅｙ ｗｏｒｄｓ：Ｗｅｄｇｅｌｅｔ；ＩＣＴ；ｌｉｎｅａｒ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ：ｃｕｂｉｃ ｄａ，ｔａ．
引
＿．＿ｋ
仁ｊ
ＣＴ利用射线束（如Ｘ射线）对被检测物进行扫描，
——●—●——●——●————●——●————●——●一
收稿日期：２００９－０５
Ｒｅｃｅｉｖｅｄ Ｄａｔｅ：２００９－０５
记图４（ａ）中，钞。，钞２ 坐标分别为（０，Ｙ。），（ｎ，Ｙ２）。 可以看出，图４中的４组对边 型Ｗｅｄｇｅｌｅｔ，其形状是 完全一样 的。将图４（ａ）～（ｄ）中，Ｗｅｄｇｅｌｅｔ Ｗ。，Ｗ２的 像素 均值分别记为ｍｉｌ一ｍ∽ｍ忽一ｍ纪，Ｗｅｄｇｅｌｅｔ Ｗ１，Ｗ２ 包 含的 像素个数分别记为ｎ３，ｎ４（ｎ３＋ｎ４＝ｎ２）。则
２ Ｗｅｄｇｅｌｅｔ的快速分解
２．１ Ｗｅｄｇｅｌｅｔ的定义
对于一幅Ｎ×Ｎ（Ｎ＝２√，Ｊ∈Ｚ）的图像，对图像进 行二进递归划分，并标注每一图像小块的边界点，则每对 标注点的连线被称为一条Ｂｅａｍｌｅｔ∞Ｊ。每条Ｂｅａｍｌｅｔ和所 在图像小块的边界所构成的两个楔形区域，被称为 Ｗｅｄｇｅｌｅｔ 万ｕ０方｜数。据图１描述了８×８方格图中的一条Ｂｅａｍ—
Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｏｎｇｑｉｎｇ
４ Ｄ印。力ｍｅｍ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ，Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅ死略，殛愕６４３０００，Ｃｈｉ７１ｌ口）
．Ａ ｂｓｔｒａｃｔ：Ｌｌｎｅ壬ｅａｔｕｒｅ ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｉｍｐｏｒｔａｎｔ ｆｅａｔｕｒｅｓ ｉｎ ＣＴ ｃｕｂｉｃ ｄａｔａ． Ｉｔ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｂａｓｉｓ ｉｎ ｒｅｖｅｒｓｅ ｄｅｓｉｇｎ
６０７
是计算机视觉中一个重要的处理过程，线特征常常对应 目标对象的轮廓或边界线，因此，抽取出ＣＴ体数据中的 线特征无论对于描述或解译ＣＴ体数据本身都是很重要 的。如利用工件的ＣＴ体数据线特征与设计图纸的ＣＡＤ 线特征匹配，可发现工件制造误差。
对图像线特征的提取方法包括两大类，一类是利用微 分边缘检测算子对图像进行边缘检测，另一类是通过变换 的方法对图像线特征进行检测。常见的微分边缘检测算 子如Ｓｏｂｅｌ、Ｌａｐｌａｃｅ、Ｃａｎｎｙ等心Ｊ，它们的检测速度较快，但 易受噪声干扰。常用的变换方法有Ｒａｄｏｎ变换旧Ｊ，Ｈｏｕｇｈ 变换Ｍ Ｊ，多尺度分析的方法（如Ｗａｖｅｌｅｔ∞Ｊ、Ｒｉｄｇｅｌｅｔ∞Ｊ、Ｃｕｒ－ ｖｅｌｅｔ—Ｊ、Ｂｅａｍｌｅｔ∞Ｊ、Ｃｏｎｔｏｕｒｌｅｔ—ｏ等）。Ｒａｄｏｎ变换和Ｈｏｕｇｈ 变换只适用于直线特征比较明显的图像；Ｗａｖｅｌｅｔ变换处 理点奇异性上的优势在处理线奇异性上不再突出；Ｒｉｄｇｅｌｅｔ 变换可看成Ｒａｄｏｎ变换加Ｗａｖｅｌｅｔ变换的组合，适用于直 线特征的提取，不太适用于曲线特征的提取；Ｃｕｒｖｅｌｅｔ变换 由一种特殊的滤波过程和多尺度Ｒｉｄｇｅｌｅｔ变换实现，具有更 强的表达图像中沿边缘信息的能力，但其计算复杂度偏 高；Ｂｅａｍｌｅｔ变换以线基的方式分析图像，非常适用于对独 立存在的线特征进行提取，对于提取以不同灰度区域相连 形式存在的线特征则不太适用。
记图３（ａ）中，钞。，钞２坐标分别为（戈。，０），（ｎ，Ｙ２）。 可以看出，图３中的８组邻边型Ｗｅｄｇｅｌｅｔ，其形状是 完全一样的。因此，只需求出图３（ａ）中，Ｗｅｄｇｅｌｅｔ Ｗ２包
６０８
仪器仪表学报
第３ １卷
含的像素坐标值，则能同时得到图３（ａ）～（ｈ）中，各自 Ｗｅｄｇｅｌｅｔ （Ｗ。），（Ｗ２）的像素坐标值，进而计算出它们的 均值 。将图３（ａ）～（ｈ）中，Ｗｅｄｇｅｌｅｔ Ｗ。，Ｗ２的像素均值分 另ＩＪ记为ｍ。１一ｍ矗１，ｍ以一ｍ砣，Ｗｅｄｇｅｌｅｔ Ｗ１，Ｗ２ 包含的像素 个数分别记为７１１１，７１１２（７１１１＋７１１２＝７１１２）。 用Ｂｒｅｓｅｎｈａｍ算 法‘１５ １，计算出图３（ａ）中由Ｖ１钞２生成的Ｂｅａｍｌｅｔ，进而得到 Ｗｅｄｇｅｌｅｔｗ２ 包含的像素坐标值（记为（戈，ｙ）∈Ｒ）和像素 个数ｎ２，则
Ｄａｓｅｄ ｏｎ ｌｎｄｕｓｔｒＬａｌ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ（ＩＣＴ）． Ａｆｔｅｒ ａｎａｌｙｚｉｎｇ ｔｈｅ ｃｏｍｐｏｎｅｎｔ ａｎｄ ｒｅｌａｔｉｏｎ ｏｆ Ｗｅｄｇｅｌｅｔ ｉｎ ｍｏｎｏ—
ｓｃａｌｅ，ａ ｆａｓｔ Ｗ ｅｄｇｅｌｅｔ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｍｅｔｈｏｄ ｉｓ ｇａｉｎｅｄ． Ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｉｓ ｍｅｔｈｏｄ，ｃｏｎｓｉｄｅｒｉｎｇ ｔｈａｔ ｍｏｓｔ ｏｆ ｔｈｅ ｌｉｎ—
ｍ忽＝
（戈，Ｙ）
（３）
ｍｎ＝ ＩＬ
（戈，７１ｌ一 １一Ｙ）
交换 ｍ忽，吻中的戈，Ｙ，则得到 ｍ砣，ｍ纪ｏ
（ａ）
（ｂ）
（ａ）
（ｂ）
（ｄ）
（ｄ）
（Ｃ）
（ｄ）
图４对边型Ｗｅｄｇｅｌｅｔ
Ｆｉｇ．４ Ｏｐｐｏｓｉｔｅ ｓｉｄｅ Ｗｅｄｇｅｌｅｔ
置为ｋ＝｛ｋ。，ｋ２｝的正方形块，且０≤歹≤Ｊ，０≤ｋ。，ｋ２＜ ２Ｊ，歹，ｋ。，ｋ２均为整数。记Ｓｍ的边界点集为ｙ，任取（钞。， 钞２）∈Ｖ，则钞。钞２将Ｓｍ划分成区域Ｒ。和Ｒ６。记ｍ。和ｍ６ 分别为区域Ｒ。和Ｒ６的像素值均值，则图像块Ｓｍ的 Ｗｅｄｇｅｌｅｔ分解集为ｕ叫
阢，（Ｓｉ，五）］＝｛训（Ｓｉ，五；钞１，钞２，ｍ。，ｍ６）：（钞１，Ｖ２）∈ｙ）
Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ ４０００４４，Ｃｈｉｎ口；
Ｕｎｉｖｅｒｓｉｔｙ，ＣｈＤ聊ｉ略４删，劬ｉ７１ｌｏ： ２ ＣＯＺＺｅ鲈ｏｆ Ｍａｔｈｅｍａｔｉｃｓ ａｎｄ Ｐｈｙｓｉｃｓ，Ｃｈｏｎｇｑｉｎｇ
Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏ聊ｉ昭４删，吼ｉ７１ｌｏ： ＣＯＺＺ学ｏｆ ３
基于Ｗｅｄｇｅｌｅｔ的ＣＴ体数据线特征提取
曾 理１”， 李宗剑１…， 刘长江４ （１ 重庆大学光电技术及系统教育部重点实验室ＩｃＴ研究中心 重庆４０００４４； ２重庆大学数理学院重庆４０００４４； ３ 重庆大学光电工程学院重庆４０００４４；
４ 四川理工学院数学系 自贡６４３０００）
絮可量．！釜麓要是学述？Ｔ体数据的重要特征之一，是基于工业ｃＴ逆向设计的重要基础。该文通过分析单尺度下Ｗｅｄｇｅｌｅｔ的组
Ｗｅｄｇｅｌｅｔ变换作为多尺度几何分析方法家族中的一 员ｕ…，由斯坦福大学的Ｄｏｎｏｈｏ于１ ９９９年提出。Ｗｅｄｇｅ— ｌｅｔ在Ｂｅａｍｌｅｔ分割二进图像块的基础上以区域基的方式 来表示图像，既具有Ｂｅａｍｌｅｔ提取独立存在线特征的能 力，又能对以不同灰度区域相连形式存在的线特征进行 提取。近些年，Ｗｅｄｇｅｌｅｔ变换已应用到图像处理中的边 缘提取ｕ１｜、分割ｕ ２｜、压缩ｕ列等方面。