數字圖像處理：特征提取基本概念總結

• • 一、特征提取概念
  • 二、特征概述
  • • 1．邊緣
    • 2．角
    • 3．區域
    • 4．脊
• 三、常用圖像特征概述
• • • 1．顏色特征
    • 2．紋理特征
    • 3．形狀特征
    • 4．空間關系特征

一、特征提取概念

特征提取是計算機視覺和圖像處理中的一個概念。它指的是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。特征提取的結果是把圖像上的點分為不同的子集，這些子集往往屬于孤立的點、連續的曲線或者連續的區域。

二、特征概述

至今為止特征沒有萬能和精確的定義。特征的精確定義往往由問題或者應用類型決定。特征是一個數字圖像中“有趣”的部分，它是許多計算機圖像分析算法的起點。因此一個算法是否成功往往由它使用和定義的特征決定。因此特征提取最重要的一個特性是“可重復性”：同一場景的不同圖像所提取的特征應該是相同的。
特征提取檢查每個像素來確定該像素是否代表一個特征。假如它是一個更大的算法的一部分，那么這個算法一般只檢查圖像的特征區域。作為特征提取的一個前提運算，輸入圖像一般先在尺度空間中被平滑，此后通過局部導數運算來計算圖像的一個或多個特征。
有時，假如特征提取需要許多的計算時間，而可以使用的時間有限制，一個高層次算法可以用來控制特征提取階層，這樣僅圖像的部分被用來尋找特征。
由于許多計算機圖像算法使用特征提取作為其初級計算步驟，因此有大量特征提取算法被發展，其提取的特征各種各樣，它們的計算復雜性和可重復性也非常不同。
下面是用來描述圖像的一些基本概念：

1．邊緣

邊緣是組成兩個圖像區域之間邊界（或邊緣）的像素。一般一個邊緣的形狀可以是任意的，還可能包括交叉點。在實踐中邊緣一般被定義為圖像中擁有大的梯度的點組成的子集。一些常用的算法還會把梯度高的點聯系起來來構成一個更完善的邊緣的描寫。這些算法也可能對邊緣提出一些限制。局部地看邊緣是一維結構。

2．角

角是圖像中點似的特征，在局部它有兩維結構。早期的算法首先進行邊緣檢測，然后分析邊緣的走向來尋找邊緣突然轉向（角）。后來發展的算法不再需要邊緣檢測這個步驟，而是可以直接在圖像梯度中尋找高度曲率。后來發現這樣有時可以在圖像中本來沒有角的地方發現具有同角一樣的特征的區域。

3．區域

與角不同的是區域描寫一個圖像中的一個區域性的結構，但是區域也可能僅由一個像素組成，因此許多區域檢測也可以用來監測角。一個區域監測器檢測圖像中一個對于角監測器來說太平滑的區域。區域檢測可以被想象為把一張圖像縮小，然后在縮小的圖像上進行角檢測。

4．脊

長條形的物體被稱為脊。在實踐中脊可以被看作是代表對稱軸的一維曲線，此外局部針對于每個脊像素有一個脊寬度。從灰梯度圖像中提取脊要比提取邊緣、角和區域困難。在空中攝影中往往使用脊檢測來分辨道路，在醫學圖像中它被用來分辨血管。
特征被檢測后它可以從圖像中被抽取出來。這個過程可能需要許多圖像處理的計算機。其結果被稱為特征描述或者特征向量。

三、常用圖像特征概述

常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關系特征。

1．顏色特征

1.1基本概念
顏色特征是一種全局特征,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特征是基于像素點的特征，此時所有屬于圖像或圖像區域的像素都有各自的貢獻。由于顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對象的局部特征。另外，僅使用顏色特征查詢時，如果數據庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特征的方法，其優點是不受圖像旋轉和平移變化的影響，進一步借助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。
1.2常用的特征提取與匹配方法
（1） 顏色直方圖
其優點在于：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在于：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。
最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特征匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。
（2） 顏色集
顏色直方圖法是一種全局顏色特征提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），并將顏色空間量化成若干個柄。然后，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系
（3） 顏色矩
這種方法的數學基礎在于：圖像中任何的顏色分布均可以用它的矩來表示。此外，由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。
（4） 顏色聚合向量
其核心思想是：將屬于直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所占據的連續區域的面積大于給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。

2．紋理特征

2.1基本概念
紋理特征也是一種全局特征，它也描述了圖像或圖像區域所對應景物的表面性質。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內容的。與顏色特征不同，紋理特征不是基于像素點的特征，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特征具有較大的優越性，不會由于局部的偏差而無法匹配成功。作為一種統計特征，紋理特征常具有旋轉不變性，并且對于噪聲有較強的抵抗能力。但是，紋理特征也有其缺點，一個很明顯的缺點是當圖像的分辨率變化的時候，所計算出來的紋理可能會有較大偏差。另外，由于有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由于這些不是物體本身的特性，因而將紋理信息應用于檢索時，有時這些虛假的紋理會對檢索造成“誤導”。 在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特征是一種有效的方法。但當紋理之間的粗細、疏密等易于分辨的信息之間相差不大的時候，通常的紋理特征很難準確地反映出人的視覺感覺不同的紋理之間的差別。

2.2常用的特征提取與匹配方法
（1）統計方法
統計方法的典型代表是一種稱為灰度共生矩陣的紋理特征分析方法。灰度共生矩陣的四個關鍵特征是能量、慣量、熵和相關性。統計方法中另一種典型方法是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特征，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特征參數
（2）幾何法
所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特征分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤格特征法和結構法。
（3）模型法
模型法以圖像的構造模型為基礎，采用模型的參數作為紋理特征。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法
紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特征、自回歸紋理模型、小波變換等。
灰度共生矩陣特征提取與匹配主要依賴于能量、慣量、熵和相關性四個參數。Tamura 紋理特征基于人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

3．形狀特征

3.1基本概念
各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基于形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特征僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特征所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特征空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由于視點的變化，可能會產生各種失真。
3.2常用的特征提取與匹配方法
通常情況下，形狀特征有兩類表示方法，一類是輪廓特征，另一類是區域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區域特征則關系到整個形狀區域。
（1）邊界特征法
該方法通過對邊界特征的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然后，做出關于邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。
（2）傅里葉形狀描述符法
傅里葉形狀描述符(Fourier shape deors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。
（3）幾何參數法
形狀的表達和匹配采用更為簡單的區域特征描述方法，例如采用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基于形狀特征的圖像檢索。需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的準確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。
（4）形狀不變矩法
利用目標所占區域的矩作為形狀描述參數。

4．空間關系特征

4.1基本概念
所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通?？臻g位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，后一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。
空間關系特征的使用可加強對圖像內容的描述區分能力，但空間關系特征常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效準確地表達場景信息。為了檢索，除使用空間關系特征外，還需要其它特征來配合。
4.2常用的特征提取與匹配方法
提取圖像空間關系特征可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然后根據這些區域提取圖像特征，并建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然后對每個圖像子塊提取特征，并建立索引。

總結

以上是生活随笔為你收集整理的数字图像处理：特征提取基本概念总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。