机器视觉学习笔记:图像特征提取

描述

区域和轮廓只包含对分割结果的原始描述,在实际应用中我们还需要从区域或轮廓中确定一个或多个特征量。这些确定的特征量被称为特征。

确定特征的过程被称为图像特征提取。  

一、概述

1.图像特征的分类

(1)图像的视觉特征

边缘、轮廓、形状、纹理和区域等。

(2)图像的统计特征

灰度直方图特征、矩特征,其中矩特征包括均值、方差、峰度及熵特征等。

(3)图像变换系数特征

傅立叶变换、离散余弦变换、小波变换等。

(4)图像代数特征

矩阵的奇异值

2.  特征提取与特征选择

(1)特征选择

从一组特征中挑选出一些最有效的特征,以达到降低特征空间维数的目的。

(2)特征提取

对原始特征进行变换得到的这些有利于分类、更本质、更少的新特征的过程。

二、兴趣点提取

1.什么是兴趣点

兴趣点是指图像信号在二维空间上发生变化的区域,通常情况下包括拐角点、交点和纹理等显著变化区域。

机器视觉

2.兴趣点标定的方法

(1)基于轮廓线的方法

轮廓线具有曲率变化的特征,可归类为结点,端点等类型。如在图像中寻找脊和谷的方法对兴趣点进行标定。 

(2)基于图像强度的方法

信号的自相关函数检测特征点,灰度值的差大于某个门限时即认为该点是兴趣点。 

(3)基于参数模型的方法

使用高斯卷积模型对拐角进行识别,  使用最小化方法,使得模板与观测信号最佳匹配。

3.兴趣点的表达方法

(1)尺度不变特征变换(Scale-invariant feature transform,SIFT)

使用了128维的向量对兴趣点特征进行表达,该向量通过Lowe建立的码表形成。该方法可以做到缩放不变、亮度不变的特性。 

(2)可控滤波器和梯度不变方法

使用高斯滤波器的方法求图像的梯度,具有长度为13的维数。 

(3)区域矩不变特性

通过改变统计矩的组合,适用于图像的多种不变特性的应用。

(4)频域分析法

通过Gabor滤波器来捕捉图像在频率和方向上的细微变化,描述的维度很高。

三、Harris角点算法

1.概述

当滑动窗口处于一个兴趣点发生的地方,无论从哪个方向移动该窗口,都会发生图像强度(灰度值)的剧烈变化。

机器视觉

基于图像灰度的方法通过计算点的曲率及梯度来检测角点,避免了第一类方法存在的缺陷,此类方法主要有Moravec算子、Forstner算子、Harris算子、SUSAN算子等。

2.原理

图像窗口滑动后灰度值变化计算:

机器视觉

小距离窗口滑动近似计算:

机器视觉

首先采用Sobel算子计算出梯度Ix和Iy,再逐点计算其乘积,最后使用高斯窗对该乘积图像的所有像素点进行卷积即可。

3.MATLAB编程实现

 

img=imread('F:lena.png');
imshow(img);
img = rgb2gray(img);        %转换为灰度图像
img =double(img);
[m n]=size(img);                %获取图像尺寸
tmp=zeros(m+2,n+2);        %创建空矩阵tmp
tmp(2:m+1,2:n+1)=img;    %将img赋值给tmp矩阵
Ix=zeros(m+2,n+2);
Iy=zeros(m+2,n+2);
E=zeros(m+2,n+2);             %创建空矩阵Ix,Iy,E
Ix(:,2:n)=tmp(:,3:n+1)-tmp(:,1:n-1);    %求横向梯度Iy(2:m,:)=tmp(3:m+1,:)-tmp(1:m-1,:); %求纵向梯度
 
Ix2=Ix(2:m+1,2:n+1).^2;                   %求梯度方向乘积
Iy2=Iy(2:m+1,2:n+1).^2;
Ixy=Ix(2:m+1,2:n+1).*Iy(2:m+1,2:n+1);  
 
h=fspecial(‘gaussian’,[7 7],2);         %使用高斯核进行加权
Ix2=filter2(h,Ix2);
Iy2=filter2(h,Iy2);
Ixy=filter2(h,Ixy);
Rmax=0;
R=zeros(m,n);
for i=1:m
    for j=1:n
        M=[Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy2(i,j)];
        R(i,j)=det(M)-0.06*(trace(M))^2;              %计算角点量
 
        if R(i,j)>Rmax
            Rmax=R(i,j);                                   %阈值判断
        end
    end
end      
re=zeros(m+2,n+2);
tmp(2:m+1,2:n+1)=R;
img_re=zeros(m+2,n+2);
img_re(2:m+1,2:n+1)=img;
for i=2:m+1
    for j=2:n+1
        if tmp(i,j)>0.02*Rmax &&...
           tmp(i,j)>tmp(i-1,j-1) && tmp(i,j)>tmp(i-1,j) && tmp(i,j)>tmp(i-1,j+1) &&...
           tmp(i,j)>tmp(i,j-1) && tmp(i,j)>tmp(i,j+1) &&...
           tmp(i,j)>tmp(i+1,j-1) && tmp(i,j)>tmp(i+1,j) && tmp(i,j)>tmp(i+1,j+1)
                img_re(i,j)=255;                             %标记角点              
        end   
    end
end
img_re=mat2gray(img_re(2:m+1,2:n+1));
figure,imshow(img_re);     %恢复并显示图像

 

四、直线提取

1.Hough变换原理

在图像空间XY里,设所有过点(x,y)的直线都满足方程:

机器视觉

式中,p为直线的斜率,q为直线的截距。也可以写成:

机器视觉

式中表示参数空间PQ中过点(p,q)的一条直线。图像空间到参数空间之间的转换可以用图表示:

机器视觉

2.直线提取原理

开始时,置数组A为零,然后对每一个图像空间中的给定点,让θ取遍区间上所有可能的值,并根据直线公式算出对应的ρ,再根据和的值(设都已经取整)对A累加:

机器视觉

对图像遍历后,上式的值就是在点(θ,ρ)处共线点的个数。值(θ,ρ)也给出了直线方程的参数,这样就得到了点所在的线。 

机器视觉

3.MATLAB编程实现

 

img = imread(rg.bmp');
figure(1),subplot(1,2,1);
imshow(img);  title('原始图像');
img=rgb2gray(img);       % 灰度图像subplot(1,2,2);imshow(img);  title('灰度图像'); thresh=[0.01,0.10];         %敏感度阈值
sigma=3;                         %定义高斯参数 
 
f = edge(double(img),'canny',thresh,sigma);  %边缘检测
figure(2),
imshow(f);  
title('canny 边缘检测'); 
% 检测函数;
[H, theta, rho]= hough(f,'Theta', 20:0.1:75);     %0-1
% H->累计数组 , thetaH:对应的θ,实际上H的大小就是Rho×Theta
% Rho:H对应的ρ
 
peak=houghpeaks(H,1);                    %峰值提取
hold on  %保留当前的图和特定的坐标轴属性,以便后续的绘图命令添加到现有的图表。
lines=houghlines(f,theta,rho,peak);   %得到线段信息
 
figure(3);imshow(f,[]);
title('霍夫变换检测结果');
hold on  ;
for k=1:length(lines)     
       xy=[lines(k).point1;lines(k).point2];          
       plot(xy(:,1),xy(:,2),'LineWidth',4,'Color',[.6 .6 .6]);  
end  

 

 

本文来源于CSDN博主iutangplease

审核编辑:汤梓红

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分