数字图像处理：Ch6 特征提取与描述

1、图像分析系统的构成知识库特征表示与描述预处理分割低级处理高级处理中级处理识别与解释结果图像获取问题Ch6 特征提取与描述本章学习目标： 掌握本章介绍的多种代表性特征提取和描述方法，以及其附加效果。6.1 Hough变换（以检测直线为例）6.2 图像分割（以全局阈值和分水岭算法为例）6.3 形态学处理（去噪、填补、提取骨架）6.4 颜色、纹理、形状描述子，强大的SIFT和HOG思考： 如何检测道路，从而据此判断车是否违章行驶到人行道？6.1 Hough变换（以检测直线为例）Hough变换原理：利用图像空间和参数空间的点-线对偶性，将图像空间中具有一定关系的像素点在参数空间中进行聚集，通过在参数空

2、间进行简单的累加和统计，找出参数空间中累加器的峰值点，进而确定出图像空间中特定几何特征的相关参数。6.1 Hough变换（以检测直线为例）检测直线：图像空间中的任意一个点映射到参数空间中是一条直线，图像空间中位于同一直线上的点映射到参数空间中是一组相交于同一点的直线，反过来，参数空间中相交于同一点的所有直线，在图像空间中与之对应的是在同一直线上的一组点。建立一个直角坐标系作为图像平面的坐标系，在图像空间X-Y中，共线的点可以用直线方程描述为： y=kx+b （1） 其中k和b是直线的两个参数，分别表示直线的斜率和截距。 同时还可以将式（1）改写为： b=-xk+y （2） 式（2）可以看做是参

3、数平面K-B中的一条直线，其中x为直线的斜率，y为直线的截距。6.1 Hough变换（以检测直线为例）通过式（1）和式（2）可以看出，图像空间中的任意一个点（x0,y0)对应于参数空间中的一条直线b=-kx0+y0,而图像空间中的一条直线又是由参数空间中的一个点(k0,b0)决定的。（a）图像空间中的一个点（b）参数空间中的一条直线6.1 Hough变换（以检测直线为例）（a）图像空间中位于同一直线上的点 （b）参数空间中相交于同一点的直线6.1 Hough变换（以检测直线为例）通过式（1）和式（2）可以看出，图像空间中的任意一个点（x0,y0)对应于参数空间中的一条直线b=-kx0+y0,而

4、图像空间中的一条直线又是由参数空间中的一个点(k0,b0)决定的。在计算过程中，为了便于通过累加和统计的方法，找到参数空间中最大值点的位置，将参数空间进一步划分为二维的累加器数组Akb。二维累加器数组的示意图如图3所示，其中kmin，kmax和bmin，bmax分别为斜率和截距期望值的范围。6.1 Hough变换（以检测直线为例）确定图像空间中所有直线参数的具体步骤如下：（1）k和b的量化数值如上所述，在内存中分配一个变换域空间，即参数空间的变换域数组，并将其初始化为零；（2）读入一幅图像，遍历整幅图像，判断每一个像素点是否为边缘点；（3）对每一个边缘点点，进行处理，按照k和b的量化数值在变换

5、域累加器数组中的相应位置上加1；（4）遍历累加器数组，每找到一个局部最大值，判断该局部最大值是否大于所设置的阈值，若是，则将该最大值及其位置存放在上述定义的数组的一个元素中，并将该局部最大值附近的点清零，以便寻找下一个局部最大值，直到遍历整个数组找到的最大值小于设置的阈值为止。6.1 Hough变换（以检测直线为例）通常是二值边缘图Roberts算子 Sobel算子 Guass-Laplace算子原始图像 在道路背景图像中车道线并没有占据整个图像区域，而是在图像的下半部分。基于这个特点，在进行车道线检测之前，先确定车道线的感兴趣区域，再对该区域进行处理，将大大减少计算量、提高后续检测算法精确度

6、。车道线感兴趣区域示意图MATLAB.0以上版本提供hough变换的函数houghhoughlineshoughpeaks6.1 Hough变换（以检测直线为例）Ch6 特征提取、描述本章学习目标： 掌握本章介绍的多种代表性特征提取和描述方法，以及其附加效果。6.1 Hough变换（以检测直线为例）6.2 图像分割（以全局阈值和分水岭算法为例）6.3 形态学处理（去噪、填补、提取骨架）6.4 颜色、纹理、形状描述子，强大的SIFT和HOG 阈值分割利用图像中要提取的目标物与其背景在颜色/纹理特性上的差异，选取一个合适的阈值，以确定图像中每个象素点应该属于目标还是背景区域，从而产生相应的二值图像

7、 (分别表示目标和背景)。全局阈值分割是一幅图像一个阈值。 6.2 图像分割以全局阈值和分水岭算法为例全局阈值分割算法主要有两个步骤：1、确定需要的分割阈值2、将分割阈值与象素值比较以划分象素对 的图像的分割有效。物体与背景颜色具有较强区别6.2 图像分割以全局阈值和分水岭算法为例6.2 图像分割以全局阈值和分水岭算法为例全局阈值分割算法举例双峰直方图阈值分割60年代中期，Prewitt提出了直方图双峰法，即如果灰度级直方图呈明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为阈值。6.2 图像分割以全局阈值和分水岭算法为例如何自动确定阈值t呢？选取一个初值t；用t分割图像得到两组像素，_0是

8、小于等于t的, _1是大于t的；计算_0和_1中像素的平均值_0和_1；计算新阈值t (_0_1)/2；迭代计算上述2至4步，直到t的变化量小于某个预定值。t 暗亮P背景目标6.2 图像分割以全局阈值和分水岭算法为例其他阈值分割方法Ostu全局阈值分割方法局部阈值分割方法Ostu分割移动平均分割适当使用图像增强，然后再做阈值分割，可取得更好的结果Otsu分割均值滤波（5*5模板）Otsu分割6.2 图像分割以全局阈值和分水岭算法为例思考并记住以下说法：1. 阈值方法仅仅考虑了灰度（颜色/纹理）信息，忽略了相邻像素之间的关系。2. 阈值方法能够有效处理前背景比较单一的图像的分割问题，复杂的自然图

9、像需要更有效的分割方法,例如：基于能量函数优化的分割方法。6.2 图像分割以全局阈值和分水岭算法为例6.2 图像分割以全局阈值和分水岭算法为例分水岭算法的输入与输出分水岭算法一维示例分水岭算法二维示例(a) 原图像(b) 地形俯视图(c) 被水淹(d) 继续被水淹，形成短水坝(e) 继续被水淹，水坝增加(f) 最终分水线（分割线）分水岭算法实例1）分水岭算法得到patch很小的分割图像，可通过合并区域得到patch较大的分割图像2）分水岭的输出通常用作目标物分割等处理的输入，相比直接使用像素图像，计算复杂度降低Ch6 特征提取、描述本章学习目标： 掌握本章介绍的多种代表性特征提取和描述方法，以

10、及其附加效果。6.1 Hough变换（以检测直线为例）6.2 图像分割（以全局阈值和分水岭算法为例）6.3 形态学处理（去噪、填补、提取骨架）6.4 颜色、纹理、形状描述子，强大的SIFT和HOG形态学处理是指将数字形态学作为工具从图像中提取对于表达和描绘区域形状有用处的图像分量，比如边界、骨架以及凸壳，还包括用于预处理或后处理的形态学过滤、细化和修剪等。图像形态学处理中我们感兴趣的主要是二值图像，也可以是灰度图像。6.3 形态学处理结构元素设有两幅图像B，X。若X是被处理的对象，而B是用来处理X的，则称B为结构元素(structure element)，又被形象地称做刷子。结构元素通常都是一

11、些比较小的图像。的定义结构元素的函数：strel6.3 形态学处理形态学的基本运算(二值图像)： 1.腐蚀把结构元素B平移a后得到Ba，若Ba包含于X，我们记下这个a点，所有满足上述条件的a点组成的集合称做X被B腐蚀(Erosion)的结果。6.3 形态学处理bw = imread(text.tif);se = strel(line,11,90);bw2 = imerode(bw,se);imshow(bw), title(Original)figure, imshow(bw2), title(Eroded)原点腐蚀前腐蚀后腐蚀操作实例：2.膨胀把结构元素B平移a后得到Ba，若Ba击中X，记下

12、这个a点。所有满足上述条件的a点组成的集合称做X被B膨胀的结果。形态学的基本运算(二值图像)： 6.3 形态学处理膨胀前膨胀后腐蚀操作实例：思考：腐蚀和膨胀是不是互逆操作？答案：No.3.开运算：先腐蚀后膨胀1）消除细小对象2）在细小粘连处分离对象形态学的基本运算(二值图像)： 6.3 形态学处理4.闭运算：先膨胀后腐蚀1）填充对象内细小空洞2）连接邻近对象形态学的基本运算(二值图像)： 6.3 形态学处理5.细化：从原来的图中去掉一些点，但要保持原来形状，最终得到原图的骨架。算法实现：1）做腐蚀操作，但不立刻删除像素，只打标记2）将不破坏连通性的标记点删掉3）重复执行上述两步形态学的基本运算

13、(二值图像)： 6.3 形态学处理细化后细化前细化后细化前关于灰度图像的形态学处理，自行学习。 6.3 形态学处理Ch6 特征提取、描述本章学习目标： 掌握本章介绍的多种代表性特征提取和描述方法，以及其附加效果。6.1 Hough变换（以检测直线为例）6.2 图像分割（以全局阈值和分水岭算法为例）6.3 形态学处理（去噪、填补、提取骨架）6.4 颜色、纹理、形状描述子，强大的SIFT和HOG1. 颜色特征颜色矩、颜色直方图、.2. 纹理特征LBP特征、基于灰度共生矩阵的特征、Harr特征、.3. 形状特征轮廓、周长、形状数、傅里叶描述、.6.4 颜色、纹理、形状描述子第j个像素的值图像中像素的

14、个数RGB彩色图像特征向量:特征维数低，具有一定的鉴别力可以应对旋转、尺度变化等，缺乏细节描述力单通道颜色的1到3阶矩：均值：标准差：颜色偏度：颜色矩特征彩色图像直方图GR直方图的特征维数比颜色矩多、辨别力较颜色矩强纹理特征纹理描述图像或其中小块区域的空间颜色分布和光强分布形状特征形状特征的性能往往取决于图像分割、轮廓提取的效果。根据形状计算轮廓、周长、形状数、傅里叶描述等作为描述形状特征相比颜色、纹理，鉴别力更高。请在课设发表环节获取答案1、定位手：顺利的找到手。2、识别手势：张开五指？拳头？3、程序处理：根据手势执行命令。基于形状特征的手势识别The End一些基本符号和关系： 1. B包

15、含于X设有两幅图像B，X。对于B中所有的元素i，都有iX，则称B包含于(included in)X，记作B X形态学处理一些基本符号和关系： 2. B击中X设有两幅图像B，X。若存在这样一个点，它既是B的元素，又是X的元素，则称B击中(hit)X，记作BX。形态学处理一些基本符号和关系： 3. B不击中X设有两幅图像B，X。若不存在任何一个点，它既是B的元素，又是X的元素，即B和X的交集是空，则称B不击中(miss)X，记作BX=；其中是集合运算相交的符号，表示空集。形态学处理一些基本符号和关系： 4.补集设有一幅图像X，所有X区域以外的点构成的集合称为X的补集，记作Xc，如图6.5所示。显然，如果BX=，则B在X的补集内，即B Xc。形态学处理BW1 = imread(circles.tif);figure;imshow(BW1); BW2 = bwmorph(BW1,remove);BW3 = bwmorph(BW1,skel,Inf);figure, imshow(BW2)figure, imshow(BW3). I=imread(m1.bmp);BW3