第8章图像特征提取与分析新

第8章 图像特征提取与分析
本章重点：
•图像特征及特征提取的基本概念
•常见的图像特征提取与描述方法
8.1 基本概念
8.2 颜色特征描述
8.3 形状特征描述
8.4 图像纹理分析
8.5 小结
引言
• 在物体从图像中分割出来后，进一步就可 以对它的几何特征进行测量和分析，在此 基础上可以识别物体，也可以对物体分类， 或对物体是否符合标准进行判别，实现质 量监控。与图像分割一样，物体测量与形 状分析在工业生产中有重要的应用。
（1）二维离散函数（如数字图像）的中心矩
pq ( x x ) ( y y ) f ( x, y)
p q x y
（2） 归一化中心矩（平移、尺度不变）
pq
pq pq , 其中 1, p q 2,3, 00 2
（3）七个不变矩（平移、尺度、旋转不变）
选取的特征应具有如下特点： 可区别性 可靠性 独立性好 数量少
特征提取与选择总原则：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，需作出平衡。
8.2 颜色特征描述
颜色特征反映彩色图像的整体特征，一幅图 像可以用它的颜色特性近似描述。 根据颜色与空间属性的关系，颜色特征的表 示方法可以有颜色矩、颜色直方图、颜色相 关等几种方法。
8.2.2 颜色直方图
由于RGB颜色空间与人的视觉不一致，可将RGB空 间转换到视觉一致性空间。除了转换到前面提及 的HSI空间外，还可以采用一种更简单的颜色空间：
彩色图像变换成灰度图像的公式为：
这里，max=255。
其中R,G,B为彩色图像的三个分量，g为转换后 的灰度值。
8.3 形状特征描述
8.4 图像的纹理分析
一般认为类似于布纹、草地、砖头、 墙
面等具有重复性结构的图像叫纹理图像。
• 纹理图像在局部区域内可能呈现不规则性， 但整体上则表现出一定的规律性，其灰度 分布往往表现出某种周期性。 • 纹理图像所表现出的这种特有的性质称为 纹理。实际中很多图像具有纹理型结构， 对这类纹理型图像可以通过纹理分析提取 其宏观特征信息。
引言
引言
• 图中有几个水果。要想从该图像中把香蕉 提取出来，必须告诉计算机要提取什么样 的物体。例如，应把香蕉的特征之一—— 细而长告诉给计算机。也就是说，要指示 图像中物体的形状、大小等特征。即告诉 计算机要提取的物体是大物体或是圆的、 方的等。这时，就 要使用“大小”、“圆 度”等表示物体形状的参数。
引言
• 例如，能将马铃薯或苹果等农产品按品质自动分 类的机器视觉系统，自动计算不规则形状所包含 面积的测量系统，将传送带上不同工件自动分类 的视觉系统；自动检查一个人的图像特征，判断 是 不是某一个人；自动售货机可以识别纸币的面 额；在先进的图像处理研究中，已进行指纹图像 的自动处理，以代替电子钥匙，并已能够实现人 的相貌的自动识别 等等。 • 本章作为一个简单的实例，以二值图像为对象， 提取物体的形状、大小等特征，进而从图像中取 出所需的对象，并去除不必要的部分。
引言
• 什么是图像特征？
就是图像中的物体有什么样的特点。
• 图像特征是表征一个图像最基本的属性或特征。
• 图像特征可以是人类视觉能够识别的自然特征；
也可以是人为定义的某些特征。
8.1 基本概念
目的 让计算机具有认识或者识别图像的能力，即 图像识别。 特征选择是图像识别中的一个关键问题，将 直接影响到图像识别分类器的设计，性能及 其识别结果的准确性。 特征选择和提取的基本任务是如何从众多特 征中找出最有效的特征。
8.1 基本概念
特征形成 根据待识别的图像，通过计算产生一组原始 特征，称之为特征形成。 特征提取 原始特征的数量很大，或者说原始样本处于 一个高维空间中，通过映射或变换的方法可 以将高维空间中的特征描述用低维空间的特 征来描述，这个过程就叫特征提取 。
9一些最有效的特征以达 到降低特征空间维数的目的，这个过程就叫 特征选择。
计算点(i,j)和(h,k)间距离常采用的几种方法：
(1) 欧氏距离: (2) 4-邻域距离， 也称为街区距 离: (3)8-邻域距离， 也称为棋盘距 离:
d s [(i, j ), (h, k )] | i h | | j k |
下图中表示了以中心像素为原点的各像素的距离。从离开 一个像素的等距离线可以看出，在欧氏距离中大致呈圆形， 在棋盘距离中呈方形，在街区距离中呈倾斜 45 度的正方 形。街区距离是图像中两点间最短的 4－连通的长度，而 棋盘距离则是两点间最短的8－连通的长度。
8.2.1 颜色矩
颜色矩是以数学方法为基础的，通过计算矩来描 述颜色的分布。 颜色矩通常直接在RGB空间计算 颜色分布的前三阶矩表示为： 1 N N 1 1 2 2 [ ( P ) ] i Pij i ij i N j 1 N j 1
1 N i [ ( Pij i )3 ]3 N j 1
4.
重心
• 重心是指图像中目标像素位置坐标(xi, yi)(i=0,1,……,n－1)的平均值，可用下式计算：
利用特征参数提取物体
每个果实的特征参数计算步骤如图所示，
特征参数计算结果表示如下。
（a）原图像
（b）圆度小于0.5的区域
（c）提取的图像
• 利用特征参数去除噪声
特征参数也可用于去除不必要的物体或噪声。 第六章介绍了用腐蚀、膨胀等形态学处理去除二 值图像噪声的方法，对于二值图像，用特征参数 也能达到去除噪声的目的。也就是说，对图像进 行标记，区分成连接成分之后，只要去除面积较 小的连接成分即可。其处理流程如图所示。
形状特征描述是在提取图像中的各目标形状特征 基础上，对其进行表示。它是进行图像识别和理 解的基础。 图像经过边缘提取和图像分割等操作，就会得到 景物的边缘和区域，也就获得了景物的形状。 任何一个景物形状特征均可由其集合属性（如长 短、面积、距离、凹凸等）和统计属性（连通、 欧拉数）来进行描述。
1 20 02
2 2 ( 20 02 ) 2 411
3 (30 312 ) 2 ( 03 3 21 ) 2 4 (30 12 ) 2 ( 03 21 ) 2 5 (30 312 )( 03 12 ) [(30 12 ) 2 3( 21 03 ) 2 ]
5.
欧拉数
图像的欧拉数是图像的拓扑特性之一，它表明了图像的连通性。 下图 (a)的图形有一个连接成分和一个孔，所以它的欧拉数为0， 而下图 (b)有一个连接成分和两个孔，所以它的欧拉数为-1。 可见通过欧拉数可用于目标识别。 • 孔洞数H、连通分量的数目C、欧拉数E • E=C-H
具有欧拉数为0和-1的图形
1
• 一阶-颜色分量的平均强度；二、三阶—方差和偏 移度。
8.2.2 颜色直方图
• 颜色直方图是最基本的颜色特征表示方法，它反 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。其函数表达式如下： n H （k）= k (k 0,1,, L 1) N • nk是图像中特征值为k的像素的个数，N是图像像 素的总数。 • 颜色直方图所描述的是不同色彩在整幅图像中所 占的比例。它对于图像质量的变化不甚敏感，所 以它特别适合描述那些难以进行自动分割的图像 和不需要考虑物体空间位置的图像。
7 (3 21 03 )(30 12 )[(30 12 ) 2 3( 21 03 ) 2 ]
(312 30 )( 21 03 )[3(30 12 ) 2 ( 21 03 ) 2 ]
人工纹理图例
自然纹理图例
二、纹理分析方法
• 统计方法（采用统计方法对纹理进行分析）
A、基于直方图的统计矩
令z为一个代表灰度级的随机变量，p( zi )，i 0,1, , L 1，为对应的直方图。则n阶中心矩为：
n ( z ) ( z i m) n p ( z i )
W r L
它可以将细长的物体与方形或者圆形的 物体区别开来。
3. 圆形度 • 圆形度用来刻画物体边界的复杂程度，例如，比 较相同面积的圆形和星形，星形等图形要比圆形 的周长大的多。因此，提出圆度e来表示物体的形 状复杂程度：
式中：A—面积；P—周长。
举例：
显然，当圆的半径为r时，周长为2πr, 面积为πr2,所以，e＝1.0。由图可知， 形状越接近圆形，e越大；形状越复杂，e值越小。
一、纹理分析概念
指的是图像像素灰度级或颜色的某种变化，主要研究如何 获得图像纹理特征和结构的定量描述和解释，以便于图像 分割、分析和理解。 一般来说，可以认为纹理由许多相互接近、相互编织的元 素构成，并常富有周期性。 纹理的定义大体可以从三个方面来描述:
具有某种局部的序列性，并在该序列更大的区域内不断重复；
序列由基本部分非随机排列组成； 各个部分大致都是均匀的统一体。
纹理分析是指通过一定的图像处理技术抽取出纹理特征， 从而获得纹理的定量或定性描述的处理过程。
纹理特征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。 纹理分析基本过程是从像素出发，在纹理图像中提取出一 些辨识力比较强的特征，作为检测出的纹理基元，并找出 纹理基元排列的信息，建立纹理基元模型，然后再利用此 纹理基元模型对纹理图像进一步分割、分类或是辨识等处 理。
i 0
L 1
m zi p ( zi )
L 1 i 0
零阶矩： 0 1 一阶矩：1 0 二阶矩： 2 2，表示灰度对比度的量度，可以用 于构造有关平滑度的描绘子： R 1 1 1 ( z)
2
（归一化： ） 2 (L - 1)
2 ( z)
三阶矩：3，表示直方图偏斜度的量，左偏为负， 右偏为正。 四阶矩： 4，表示相关平直度的量。 五、更高阶矩不容易与直方图形状联系起来，但他 们提供对纹理更进一步的描述。