图像特征提取(颜色,纹理,形状)【YObo体育aPP官方下载官网】

产品时间:2021-10-04 00:58

简要描述:

1.颜色特征提取 盘算机视觉的特征提取算法研究至关重要。在一些算法中,一个高庞大度特征的提取可能能够解决问题(举行目的检测等目的),但这将以处置惩罚更多数据,需要更高的处置惩罚效果为价格。 而颜色特征无需举行大量盘算。只需将数字图像中的像素值举行相应转换,体现为数值即可。因此颜色特征以其低庞大度成为了一个较好的特征。 在图像处置惩罚中,我们可以将一个详细的像素点所出现的颜色分多种方法分析,并提取出其颜色特征分量。...

推荐产品
详细介绍
本文摘要:1.颜色特征提取 盘算机视觉的特征提取算法研究至关重要。在一些算法中,一个高庞大度特征的提取可能能够解决问题(举行目的检测等目的),但这将以处置惩罚更多数据,需要更高的处置惩罚效果为价格。 而颜色特征无需举行大量盘算。只需将数字图像中的像素值举行相应转换,体现为数值即可。因此颜色特征以其低庞大度成为了一个较好的特征。 在图像处置惩罚中,我们可以将一个详细的像素点所出现的颜色分多种方法分析,并提取出其颜色特征分量。

YObo体育aPP官方下载官网

1.颜色特征提取 盘算机视觉的特征提取算法研究至关重要。在一些算法中,一个高庞大度特征的提取可能能够解决问题(举行目的检测等目的),但这将以处置惩罚更多数据,需要更高的处置惩罚效果为价格。

而颜色特征无需举行大量盘算。只需将数字图像中的像素值举行相应转换,体现为数值即可。因此颜色特征以其低庞大度成为了一个较好的特征。

在图像处置惩罚中,我们可以将一个详细的像素点所出现的颜色分多种方法分析,并提取出其颜色特征分量。好比通过手工标志区域提取一个特定区域(region)的颜色特征,用该区域在一个颜色空间三个分量各自的平均值表现,或者可以建设三个颜色直方图等方法。

下面我们先容一下颜色直方图和颜色矩的观点。(1)颜色直方图: 颜色直方图用以反映图像颜色的组身分布,即种种颜色泛起的概率。Swain和Ballard最先提出了应用颜色直方图举行图像特征提取的方法[40],首先使用颜色空间三个分量的剥离获得颜色直方图,之后通过视察实验数据发现将图像举行旋转变换、缩放变换、模糊变换后图像的颜色直方图改变不大,即图像直方图对图像的物理变换是不敏感的。因此常提取颜色特征并用颜色直方图应用于权衡和比力两幅图像的全局差。

另外,如果图像可以分为多个区域,而且前景与配景颜色漫衍具有显着差异,则颜色直方图出现双峰形。颜色直方图也有其缺点:由于颜色直方图是全局颜色统计的效果,因此丢失了像素点间的位置特征。可能有几幅图像具有相同或相近的颜色直方图,但其图像像素位置漫衍完全差别。因此,图像与颜色直方图得多对一关系使得颜色直方图在识别前景物体上不能获得很好的效果。

思量到颜色直方图的以上问题,主色调直方图便发生了。所谓主色调直方图基于假设少数几个像素的值能够表现图像中的绝大部门像素,即泛起频率最高的几个像素被选为主色,仅用主色组成的主色调直方图形貌一幅图像。

这样的形貌子并不会降低通过颜色特征举行匹配的效果,因为从某种角度将,频度泛起很小的像素点可以被视为噪声。(2)颜色矩: 颜色矩是一种有效的颜色特征,由Stricker和Orengo提出[41],该方法使用线性代数中矩的观点,将图像中的颜色漫衍用其矩表现。

使用颜色一阶矩(平均值Average)、颜色二阶矩(方差Variance)和颜色三阶矩(偏斜度Skewness)来形貌颜色漫衍。与颜色直方图差别,使用颜色矩举行图像形貌无需量化图像特征。由于每个像素具有颜色空间的三个颜色通道,因此图像的颜色矩有9个分量来形貌。

由于颜色矩的维度较少,因此常将颜色矩与其他图像特征综合使用。(3)颜色集: 以上两种方法通常用于两幅图像间全局或region之间的颜色比力、匹配等,而颜色集的方法致力于实现基于颜色实现对大规模图像的检索。颜色集的方法由Smith和Chang提出[42],该方法将颜色转化到HSV颜色空间后,将图像凭据其颜色信息举行图像支解成若干region,并将颜色分为多个bin,每个region举行颜色空间量化建设颜色索引,进而建设二进制图像颜色索引表。

为加速查找速度,还可以结构二分查找树举行特征检索。2.纹理特征提取 一幅图像的纹理是在图像盘算中经由量化的图像特征。图像纹理形貌图像或其中小块区域的空间颜色漫衍和光强漫衍。纹理特征的提取分为基于结构的方法和基于统计数据的方法。

一个基于结构的纹理特征提取方法是将所要检测的纹理举行建模,在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较好。但对于交通图像中的纹理识别,基于统计数据的方法效果更好。

(1)LBP特征 LBP方法(Local binary patterns)是一个盘算机视觉中用于图像特征分类的一个方法。LBP方法在1994年首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 提出[43][44],用于纹理特征提取。

厥后LBP方法与HOG特征分类器团结使用,改善了一些数据集[45]上的检测效果。对LBP特征向量举行提取的步骤如下: 首先将检测窗口划分为16×16的小区域(cell),对于每个cell中的一个像素,将其环形邻域内的8个点(也可以是环形邻域多个点,如图 3‑4. 应用LBP算法的三个邻域示例所示)举行顺时针或逆时针的比力,如果中心像素值比该邻点大,则将邻点赋值为1,否则赋值为0,这样每个点都市获得一个8位二进制数(通常转换为十进制数)。

然后盘算每个cell的直方图,即每个数字(假定是十进制数)泛起的频率(也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列举行统计),然后对该直方图举行归一化处置惩罚。最后将获得的每个cell的统计直方图举行毗连,就获得了整幅图的LBP纹理特征,然后便可使用SVM或者其他机械学习算法举行分类了。

(2)灰度共生矩阵 灰度共生矩阵是另一种纹理特征提取方法,首先对于一幅图像界说一个偏向(orientation)和一个以pixel为单元的步长(step),灰度共生矩阵T(N×N),则界说M(i,j)为灰度级为i和j的像素同时泛起在一个点和沿所界说的偏向跨度步长的点上的频率。其中N是灰度级划分数目。

由于共生矩阵有偏向和步长的组合界说,而决议频率的一个因素是对矩阵有孝敬的像素数目,而这个数目要比总共数目少,且随着步长的增加而淘汰。因此所获得的共生矩阵是一个稀疏矩阵,所以灰度级划分N经常淘汰到8级。

如在水平偏向上盘算左右偏向上像素的共生矩阵,则为对称共生矩阵。类似的,如果仅思量当前像素单偏向(左或右)上的像素,则称为非对称共生矩阵。

YObo体育aPP官方下载

[43]T. Ojala, M. Pietikäinen, and D. Harwood (1994), "Performance evaluation of texture measures with classification based on Kullback discrimination of distributions", Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994), vol. 1, pp. 582 - 585.[44] T. Ojala, M. Pietikäinen, and D. Harwood (1996), "A Comparative Study of Texture Measures with Classification Based on Feature Distributions", Pattern Recognition, vol. 29, pp. 51-59.[45] Xiaoyu Wang, Tony X. Han, Shuicheng Yan,"An HOG-LBP Human Detector with Partial Occlusion Handling", ICCV 20093.边缘特征提取 边缘检测是图形图像处置惩罚、盘算机视觉和机械视觉中的一个基本工具,通常用于特征提取和特征检测,旨在检测一张数字图像中有显着变化的边缘或者不一连的区域,在一维空间中,类似的操作被称作步长检测(step detection)。边缘是一幅图像中差别屈原之间的界限线,通常一个边缘图像是一个二值图像。边缘检测的目的是捕捉亮度急剧变化的区域,而这些区域通常是我们关注的。在一幅图像中两度不一连的区域通常是以下几项之一:# 图像深度不一连处# 图像(梯度)朝向不一连处# 图像光照(强度)不一连处# 纹理变化处 理想情况下,对所给图像应用边缘检测器可以获得一系列一连的曲线,用于表现工具的界限。

因此应用边缘检测算法所获得的效果将会大大淘汰图像数据量,从而过滤掉许多我们不需要的信息,留下图像的重要结构,所要处置惩罚的事情即被大大简化。然而,从普通图片上提取的边缘往往被图像的支解所破坏,也就是说,检测到的曲线通常不是一连的,有一些边缘曲线段开,就会丢失边缘线段,而且会泛起一些我们不感兴趣的边缘。

这就需要边缘检测算法的准确性。下面先容两个本文实现的边缘检测算法:canny算子和sobel算子举行边缘检测。

(1)Canny算子边缘检测 Canny边缘检测算法基于一个多阶边缘算子,是由John F. Canny于1986年首先提出的[46],他不光给出了边缘检测的方法,也提出了边缘检测的盘算理论。Canny边缘检测器使用一个基于高斯模型派生的检测模型,因为未处置惩罚图像可能含有噪声,所以开始在原始图像上应用一个高斯滤波器,效果是一个轻度平滑的图像,以至于不至于被单个噪声像素滋扰全局重要参数。

以一个5×5的高斯滤波模板为例(见公式3-7),对图像A应用高斯滤波可得B。下面临图像的光强梯度统计都基于图B。

一幅图像中的边缘可能在偏向上各有所异,所以Canny算法用四个滤波器划分检测图像中的水平、垂直和对角线边缘。边缘检测器(如 Roberts, Prewitt, Sobel)值返回一个水平偏向分量Gx和竖直偏向分量Gy,由此边缘梯度和偏向即可确定: 所有边缘的角度都在上述选定的四个偏向(0°,45°,90°,135°)周围。

下一步通过滞后性门限跟踪边缘线。与小的光强梯度相比,数值较大的光强梯度更容易作为边缘线。

在大多数图像中界说一个门限值来确定光强梯度取值几多适互助为边缘线通常是不行行的,因此Canny算法使用滞后作用确定门限值。该方法使用两个门限划分界说崎岖界限。

假设所有的边缘应该不受噪声影响而且是一连的曲线。因此我们设置一个高门限用于判断确定是边缘的曲线,再由此出发,使用偏向信息跟踪那些可追踪的图像边缘。当追踪该边缘时,应用低门限可以让我们追踪那些含有边缘的区域直到找到下一个曲线的起点。

如图 3‑5所示,(a)为原图的灰度图,(b)为高斯滤波平滑图,(c)和(d)划分是手动设置的崎岖门限值如图所示的canny边缘检测效果。凭据多组图像数据测试发现,当canny崎岖门限值划分设置为50,150时能够保证大部门有效信息的保留且不会有过多冗余信息。因今后文中接纳门限值[Thres1,Thres2]= 50,120 作为canny边缘检测参数。

Opencv中以下代码实现: cvCanny( dst,src, 50, 120, 3 );(2)Sobel算子边缘检测 和Canny算子类似,Sobel算子[47]也是使用梯度信息对图像举行边缘检测的。对图像举行边缘检测时,盘算每个像素的梯度并给出差别偏向从明到暗的最大变化及其变化率。这个效果显示出图片在该点亮度变化为“急剧”还是“平滑”,由此可以判断该区域成为边缘的概率。

在实际操作中,这个成为边缘的可能性(称为magnitude)盘算比盘算偏向更为可靠,也更为便捷。在图像中的每个像素点,梯度向量只想亮度增长最大的偏向,该梯度向量的长度对应于该偏向的光强变化率。这就说明在同一像素图像上一个区域的某点的sobel算子是一个零向量,而且在边缘线上的点上有一组向量值为亮度梯度。

数学上在原图像上应用3×3的掩膜盘算水平和垂直两个偏向的变化梯度近似值。如果我们界说A为源图像,和划分作为一幅图像的水平近似梯度和垂直近似梯度,盘算方式如下: 式3-9中,*表现二维卷积运算。这里建设的坐标系在x坐标偏向向右,y坐标偏向向下,在图像中的每个点,用式3-8形貌总梯度巨细及偏向。

用Sobel算子举行边缘检测效果见图 3‑6所示。


本文关键词:YObo体育aPP官方下载官网,图像,特征,提取,颜色,纹理,形状,【,YObo,体育

本文来源:YObo体育aPP官方下载-www.ays119.com

产品咨询

留言框

  • 产品:

  • 您的单位:

  • 您的姓名:

  • 联系电话:

  • 详细地址:

  • 留言内容:

在线客服 联系方式 二维码

电话

0891-135344444

扫一扫,关注我们