第7章图像分割与描述

第七章图像分割与描述C7Imagesegmentationanddescription车牌识别

要辨认车牌中的文字，需先将这些文字分选出来，跟字库进行比对。然后与数据库车辆信息进行对比，确定车主信息。图像分割概述军事目标识别图像分割概述图像分析系统的构成知识库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图像分割概述图像分析

所谓图像分析，就是根据图像中的目标的描述数据对其作定性或定量分析，分析的基础是目标区域的特征。图像描述

用一组数量或符号来表征图像中被描述的目标的基本特征。图像分割概述图像分析手段之一——图像分割把图像分解成构成它的部件和对象的过程。有选择性地定位感兴趣对象在图像中的位置和范围。

总之，把图像空间按照一定的要求分成一些“有意义”的区域的技术叫图像分割(Segmentation)。图像分割概述主要内容图像边缘检测Hough变换图像的区域分割水平集理论图像特征及分析目标检测方法简介主要内容图像边缘检测Hough变换图像的区域分割水平集理论图像特征及分析目标检测方法简介人可以仅满足于边缘提供的信息一、边缘检测(Edgedetection)1、图像（物体）的边缘一、边缘检测(Edgedetection)1、图像（物体）的边缘一、边缘检测(Edgedetection)图像的边缘是图像的最基本特征。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间。因此它是图像分割所依赖的重要特征。1、图像(物体)的边缘一、边缘检测(Edgedetection)边缘的类型：

阶跃边缘(Stepedge)

屋顶边缘(Roofedge)

脉冲边缘(Pulseedge)1、图像(物体)的边缘阶跃边缘(StepEdge)实际图一、边缘检测(Edgedetection)1、图像(物体)的边缘屋顶边缘(Roofedge)一、边缘检测(Edgedetection)实际图1、图像(物体)的边缘脉冲边缘(Pulseedge)一、边缘检测(Edgedetection)实际图1、图像(物体)的边缘一、边缘检测(Edgedetection)2、基于微分算子的边缘检测——原理由于微分算子具有突出灰度变化的作用，对图像进行微分运算。在图像边缘处其灰度变化较大，故该处微分计算值较高，可将这些微分值作为相应点的边缘强度。通过阈值判别来提取边缘点，即如果微分值大于阈值，则为边缘点。一、边缘检测(Edgedetection)2、基于微分算子的边缘检测差分形式：微分算子的几种变形：(1)(2)(3)一、边缘检测(Edgedetection)2、基于微分算子的边缘检测一、边缘检测(Edgedetection)2、基于微分算子的边缘检测Roberts算子Prewitt算子Sobel算子Laplacian算子LoG算子Canny算子几种常用的边缘检测算子一、边缘检测(Edgedetection)(1)Roberts算子X方向Y方向(2)Prewitt算子一、边缘检测(Edgedetection)X方向Y方向加权平均：对靠近中心(x,y)的点权值为对角线方向邻点的权值的2倍。一、边缘检测(Edgedetection)(3)Sobel算子X方向Y方向一、边缘检测(Edgedetection)(4)拉普拉斯(Laplacian)算子二维函数f(x,y)的拉普拉斯算子是一个二阶的微分,定义为：

一、边缘检测(Edgedetection)(4)拉普拉斯(Laplacian)算子掩模表示:一、边缘检测(Edgedetection)(4)拉普拉斯(Laplacian)算子

是一个二阶导数算子，它将在边缘处产生一个陡峭的零交叉；检测一个像素是在边的亮的一边还是暗的一边；利用零跨越(交叉)，确定边的位置。图10.10(a)由一条理想垂直边缘分开的两个恒定灰值区域；(b)边缘附近的细节，显示了一个水平灰度刨面及其一阶导数和二阶导数一、边缘检测(Edgedetection)(4)拉普拉斯(Laplacian)算子应用：拉普拉斯算子不直接用于边的检测，通常只起辅助的角色，其零交叉点可用于定位粗边缘的中心。缺点：对噪音的敏感；会产生双边效果；不能检测出边的方向。图10.11第一列：被均值为零、标准差分别为0.0,0.1,1.0和10.0个灰度级的随机高斯噪声污染的斜坡边缘的图像和灰度剖面；第二列：一阶导数图像和灰度剖面线；第三列：二阶导数图像和和灰度剖面线。基本特征：平滑滤波器是Gaussian滤波器。采用Laplacian算子计算二阶导数。边缘检测判据是二阶导数零交叉点并对应一阶导数的较大峰值。使用线性内插方法在子像素分辨率水平上估计边缘的位置。（Marr&Hildreth）LoG=LaplacianofGaussian高斯滤波+拉普拉斯边缘检测一、边缘检测(Edgedetection)(5)LoG边缘检测算法Whereistheedge?EffectsofnoiseLaplacianofGaussianWhereistheedge?

Lookforpeaksin

Solution:smoothfirstDerivativetheoremofconvolution因为：LaplacianofGaussianoperatorWhereistheedge?Zero-crossingsofbottomgraphLaplacianofGaussian考虑：LaplacianofGaussian（墨西哥草帽）GaussianderivativeofGaussianLaplacianofGaussian其中：LaplacianofGaussian

案例7.3.1编程实现二维LoG算子图像与图像的边缘提取。

图7.3.4

拉普拉斯高斯算子（LOG）与边缘提取一、边缘检测(Edgedetection)(6)Canny边缘检测算法

Canny

边缘检测算子是JohnF.Canny于1986年开发出来的一个多级边缘检测算法。更为重要的是,他创立了边缘检测计算理论（Computationaltheoryofedgedetection）解释这项技术如何工作。

Canny,J.,AComputationalApproachToEdgeDetection,IEEETrans.PatternAnalysisandMachineIntelligence,8:679-714,1986.

Cannyhomepage:/~jfc/

一、边缘检测(Edgedetection)(6)Canny边缘检测算法

Canny把边缘检测问题转化为检测单位函数极大值问题。

Canny认为，一个好的边缘检测算子应具有三个指标：

(A)低失误概率。所有边缘都应被找到，并且应该没有伪响应。

(B)高位置精度。已定位边缘必须尽可能接近真实边缘。

(C)对每个边缘有唯一的响应。对于真实的边缘点，检测器仅应返回一个点。算法步骤：①用高斯滤波器平滑图像。一、边缘检测(Edgedetection)为什么用高斯滤波器？平滑去噪和边缘检测是一对矛盾，应用高斯函数的一阶导数，在二者之间获得最佳的平衡。(6)Canny边缘检测算法②用一阶偏导有限差分计算梯度幅值和方向。一、边缘检测(Edgedetection)差分：幅值：方向：(6)Canny边缘检测算法③对梯度幅值进行非极大值抑制(Non-MaximumSuppression)。一、边缘检测(Edgedetection)(6)Canny边缘检测算法①哪个点值是最大的?②下一个点在哪里？x’和x’’为沿着垂直于某个角度方向的x的邻域像素。一、边缘检测(Edgedetection)③对梯度幅值进行非极大值抑制(Non-MaximumSuppression)。一、边缘检测(Edgedetection)③对梯度幅值进行非极大值抑制(Non-MaximumSuppression)。量化：

取高低两个阈值作用于幅值图|△D|，得到两个边缘图：高阈值和低阈值边缘图。连接高阈值边缘图，出现断点时，在低阈值边缘图中的8邻点域搜寻边缘点。为什么要这样处理?

*阈值太低假边缘;*阈值太高部分轮廊丢失.*选用两个阈值:更有效的阈值方案。

④用双阈值算法检测和连接边缘(HysteresisThresholding)。

一、边缘检测(Edgedetection)幅值ThTl一、边缘检测(Edgedetection)Canny边缘检测算例Canny边缘检测算例一、边缘检测(Edgedetection)Canny边缘检测算例一、边缘检测(Edgedetection)非最大值抑制Non-MaximumSuppression一、边缘检测(Edgedetection)Canny边缘检测算例双阈值HysteresisThresholdingBW=edge(I,'sobel')BW=edge(I,'sobel',thresh)BW=edge(I,'sobel',thresh,direction)[BW,thresh]=edge(I,'sobel',...)BW=edge(I,'prewitt')BW=edge(I,'prewitt',thresh)BW=edge(I,'prewitt',thresh,direction)[BW,thresh]=edge(I,'prewitt',...)BW=edge(I,'roberts')BW=edge(I,'roberts',thresh)[BW,thresh]=edge(I,'roberts',...)BW=edge(I,'log')BW=edge(I,'log',thresh)BW=edge(I,'log',thresh,sigma)[BW,threshold]=edge(I,'log',...)BW=edge(I,'zerocross',thresh,h)[BW,thresh]=edge(I,'zerocross',...)BW=edge(I,'canny')BW=edge(I,'canny',thresh)BW=edge(I,'canny',thresh,sigma)[BW,threshold]=edge(I,'canny',...)图像边缘检测MATLAB算例I=imread('circuit.tif');imshow(I);BW1=edge(I,'prewitt');BW2=edge(I,'canny');figure,imshow(BW1);figure,imshow(BW2)图像边缘检测MATLAB算例图像边缘检测MATLAB算例图像边缘检测算例原图PrewittSobleCanny图像边缘检测算例图像边缘检测算例SobelCanny复杂背景下的边缘检测实例复杂背景下的边缘检测实例复杂背景下的边缘检测实例Sobel复杂背景下的边缘检测实例Canny案例7.4.3

用edge函数实现提取图像边缘案例分析

图7.3.5采用各种边缘检测算子得到的边缘图像效果

对图像加入椒盐噪声后边缘检测图像效果

主要内容图像边缘检测Hough变换图像的区域分割水平集理论图像特征及分析目标检测方法简介Hough变换问题的提出在找出边界点集之后，需要连接，形成完整的边界图形描述。Hough变换于1962年由PaulHough提出,并在美国作为专利被发表。它所实现的是一种从图像空间到参数空间的映射关系。二、Hough变换图像及其参数空间二、Hough变换ImageSpaceParameterSpace图像空间的一条直线对应参数空间的一个点图像及其参数空间二、Hough变换ImageSpaceParameterSpace一条直线的多个点对应参数空间多条直线相交于一个点二、Hough变换极坐标下的Hough变换由于垂直直线斜率p为无穷大，一般改用极坐标形式：其中：参数平面为-

，对应不是直线而是正弦曲线。二、Hough变换ABCyxA

CBθρρθyxθρ直角坐标系(x,y)的一条直线对应极坐标系(θ,ρ)的一个点；反之亦然。(a)图像空间—五个点；(b)Hough变换后的参数空间二、Hough变换图像空间Hough空间二、Hough变换图像空间Hough空间二、Hough变换图像空间Hough空间二、Hough变换OriginalEdgedetectionFoundlinesParameterspace二、Hough变换Hough变换应用—ADI获奖项目二、Hough变换2、Hough变换的扩展Hough变换不只对直线，也可以用于圆：

（x–c1）2+(y-c2)2=c32

这时需要三个参数的参数空间。3、Hough变换用于检测直线见P228主要内容图像边缘检测Hough变换图像的区域分割水平集理论图像特征及分析目标检测方法简介1、图像区域分割的基本策略三、图像的区域分割基于灰度值的两个基本特性：(1)不连续性——区域之间；(2)相似性——区域内部。三、图像的区域分割

(1)、像素灰度值的不连续性先找到点、线(宽度为1)、边(不定宽度);

再确定区域(2)图像灰度值的相似性通过选择阈值，找到灰度值相似的区域区域的外轮廓就是对象的边三、图像的区域分割不连续性

边界分割法相似性

阈值分割法

面向区域的分割数学形态学分割三、图像的区域分割2、阈值分割法三、图像的区域分割阈值(Threshold)，也叫门限。阈值化(Thresholding),即按给定阈值进行图像的二值化处理。阈值分割法可分为以下几种：

简单阈值分割法;

多阈值分割法;迭代阈值分割法；

最大类间方差法;

最佳阈值法。(1)简单阈值分割

许多情况，图像是由具有不同灰度级的两类区域组成。如文字与纸张、地物与云层（航空照片）。其特点:直方图具有两个峰，分别与两个灰度级范围相对应。故可选择一个门限(阈值)，将两个峰分开。三、图像的区域分割T阈值Ｔ三、图像的区域分割指纹图像分割结果阈值Ｔ三、图像的区域分割血细胞图像分割结果图像阈值处理中噪声的影响光照和反射的作用(1)简单阈值分割三、图像的区域分割缺点：

这种方法会受到噪音的干扰，最小值不是预期的阈值，而偏离期望的值。可做以下改进：

①取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰。

②对直方图进行平滑处理。改进措施：通过直方图得到阈值例如：两个波峰的中间位置T三、图像的区域分割(2)多阈值分割

双峰法可以推广到不同灰度均值的含有多目标的图像中。假设一幅图像包含两个以上的不同类型的区域，可以使用几个门限来分割图象。如白血球图像，直方图上有细胞核、细胞质、背景三个峰，可使用2个门限来分割图像。即三、图像的区域分割ABC阈值Ｔ1阈值Ｔ2三、图像的区域分割①为阈值T选择一个初始估计值（建议取最大灰度值和最小灰度值的中间值）。②使用T分割图像。这会产生两组像素：灰度值≥T的所有像素组成的G1，灰度值<T的所有像素值组成的G2。③计算G1和G2范围的像素的平均灰度值1和2。④计算一个新的阈值：⑤重复步骤2到4，直到连续迭代中T值间的差小于预先指定的参数T为止。三、图像的区域分割(3)迭代阈值法图像分割迭代阈值法图像分割实例三、图像的区域分割(4)最大类间方差

——Otsu灰度图像阈值算法最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标两部分。

T=graythresh(f)%MATLAB工具箱中提供的基于最大类间方差的函数调用语句，T是返回的阈值。图像有L阶灰度，ni是灰度为i的像素数，图像总像素数N=n1+n2+…+nL。灰度为i的像素概率：pi=ni/N类间方差：三、图像的区域分割(4)最大类间方差灰度图像阈值:三、图像的区域分割不需要认为设定其他参数，是一种自动选择阈值的方法。无论图像有无明显的双峰，该方法都可以得到较好的分割结果。①两峰间谷底值；②计算T(最小错误法)：

P1(x)，P2(x)为两峰出现概率密度函数，且成正态分布，1，2为均值，1，2为标准差，当1=2=时：

P1，P2——背景和物体出现的先验概率。

三、图像的区域分割(5)最佳阈值分割案例7.1.2直方图阈值双峰法的图像分割程序与效果%直方图双峰法阈值分割图像程序clearI=imread('细胞.png')%读入灰度图像并显示imshow(I);figure;imhist(I);%显示灰度图像直方图

Inew=im2bw(I,140/255);%图像二值化，根据140/255%确定的阈值，划分目标与背景figure;imshow(Inew);%显示分割后的二值图像图7.1.11选取不同阈值图像分割的效果基本思想将具有相似性质的像素集合起来构成区域；串行区域法。步骤对每个需要分割的区域找一个种子像素作为生长的起点。将种子像素周围邻域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域内。把新加入的像素作为新的种子继续上面的过程，直到没有满足条件的像素加入区域。三、图像的区域分割3、区域增长法（a）给出像素值为‘1’和‘5’的种子（b）T=3，恰好分成两个区域（c）T=1，有些像素无法判断（d）T=6，整个图被分成一个区域三、图像的区域分割3、区域增长法关键问题选择或确定一组能正确代表所需区域的种子像素具体问题具体分析先验知识（如：红外图像中检测目标时，选最亮的像素作为种子）无先验知识（可根据直方图选取灰度中像素个数多的像素作为种子）确定在生长过程中能将相邻像素合并的准则具体问题相关（目标和背景的像素分布特点）图像数据种类（单色、灰度还是彩色）像素间的连通性和邻近性制定让生长过程停止的条件或规则一般是没有满足生长的像素应考虑图像的局部性质（灰度、纹理和彩色）目标的全局性质（尺寸、形状等）三、图像的区域分割生长准则和过程区域生长的关键是选择合适的生长或相似准则。(1)基于区域灰度差(2)基于区域灰度分布统计性质(3)基于区域形状三、图像的区域分割3、区域增长法三、图像的区域分割(1)基于区域灰度差

基本方法：

种子像素的灰度值与邻域像素的差。改进：

先合并具有相同灰度的像素，然后求出所有邻接区域间的平均灰度差，并合并最小灰度差的邻接区域，重复上述步骤直到没有区域合并。区域O均匀测度度量：上式可解释为：在区域O中，各像素灰度值与均匀值的差不超过某阈值K，则其均匀测度度量为真。平均灰度的均匀测度度量可以作为区域增长的相似性检测准则。设某一图像区域O，其中像素数为N，均值表示为三、图像的区域分割案例7.2.1

一个简单的区域生长的例子

如下图示，其准则是邻近点的灰度级与物体的平均灰度级的差小于2。图7.2.2

区域生长的简单图示三、图像的区域分割(2)基于区域灰度分布统计性质基本方法：以灰度分布相似性作为生长准则来决定区域的合并步骤：①把图像分成互不重叠的小区域。②比较邻接区域的累积灰度直方图，根据灰度分布的相似性进行区域合并。③重复②，直到满足终止条件。灰度分布相似性的两种检测方法：①

Kolmogorov-Smirnov检测②

Smoothed-Difference检测三、图像的区域分割上式，h1,h2分别是相邻两子块的累积灰度直方图。

三、图像的区域分割合并的是两邻接区域的共同边界中对比度较低部分占整个区域边界份额较大的区域。(3)基于区域形状基本方法：利用对目标形状的检测结果来决定区域的合并。主要步骤：①把图像分割成灰度固定的区域，设两邻接区域的周长分别是p1和p2，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L,满足下列条件则合并。三、图像的区域分割②把图像分割灰度固定的区域，设两邻接区域的共同边界长度为B，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L,满足下列条件则合并。合并的是两邻接区域的共同边界中对比度较低部分比较多的区域。

案例7.2.2

下面举例说明用灰度差判别准则的合并法形成区域的过程。设例中阈值T=2，基本单元为像素，在3×3的微区域中与像素相邻的像素数有8个，灰度差判别准则的区域合并图7.2.4

灰度差判别准则的区域合并

利用图像数据的金字塔或四又树数据结构的层次概念,将图像划分成一组任意不相交的初始区域，即可以从图像的这种金字塔或四叉树数据结构的任一中间层开始、根据给定的均匀性检测准则进行分裂和合并这些区域，逐步改善区域划分的性能，直到最后将图像分成数量最少的均匀区域为止。三、图像的区域分割4、分裂-合并区域法基本步骤如下：

(1)确定均匀性测试准则P；

(2)对任一区域Ri，如果P(Ri)=false，将其分裂成四等份。

(3)对相邻的2个区域Ri和Rj,如果P(Ri

Rj)=true,就将它们合并。

(4)如果进一步的分裂或合并都不可能了，则结束，否则执行(2)。三、图像的区域分割4、分裂-合并区域法四叉树示例：分裂分裂合并合并三、图像的区域分割四叉树分解案例分析

案例7.2.3

调用qtdecomp函数实现对图像的四叉树分解。

图7.2.6用qtdecomp函数实现四叉树分解案例7.2.4分裂-合并算法的例子。设有8×8图像的0层、1层、2层、3层如图7.2.6所示，3层为树叶，其中的数值为灰度值以及各层的小区域平均灰度值。根的灰度值表示图像的平均亮度。三、图像的区域分割5、数学形态学图像分割腐蚀与膨胀开-闭运算变体分水岭法(Watershedalgorithm

)6.分割中运动的应用图10.60构造一幅静止参考图像:(a)和(b)序列中的两帧图像；(c)从图(a)中减去向东运动的汽车并使用图(b)中对应的区域恢复背景后的结果主要内容图像边缘检测Hough变换图像的区域分割水平集理论图像特征及分析目标检测方法简介四、水平集理论1、LevelSet方法简介LevelSet方法是由Sethian和Osher于1988年提出，最近十几年得到广泛的推广与应用。水平集方法作为一类曲线演化模型正成为该领域最流行的方法,研究成果越来越多。Osher&Sethian，‘Frontspropogatingwithcurvature-dependentspeed:AlgorithmsbasedonHamilton-Jacobiformulations’,JournalofComputationalPhysics79,12-49,1988。/LevelSet.html

曲线切方向的变形仅仅改变参数,不改变形状。四、水平集理论四、水平集理论2、曲线演化与水平集函数四、水平集理论2、曲线演化与水平集函数水平集函数闭合曲线拓扑结构变化四、水平集理论3、水平集的基本控制方程该方程是水平集函数的基本控制方程，是曲线演化方程的欧氏表达，是一种Hamilton-Jacobi类型的偏微分方程。也可以解释为水平集函数及相应的水平集在法向力F的推动下的演化方程。

F也称为演化速度函数。水平集函数曲率K的计算公式为：四、水平集理论4、水平集用于图像处理的一般性算法(1)设定水平集函数的初态；

(2)确定动力F的形式；

(3)按基本方程推演水平集函数的各状态；

(4)对于每一水平集函数的状态求解零水平集。四、水平集理论5、Mumford-Shah模型的水平集方法Mumford-Shah模型是一种建立在图像全局信息基础上的优秀模型，其能量函数包含了图像的区域和边界，通过极小化能量函数可以一次性获得图像的边界和分片光滑的近似图像，能量函数表达式为：四、水平集理论6、C-V模型C-V模型是Chan和Vese提出的一种基于简化Mumford-Shah模型的水平集方法。模型的演化方式以图像全局信息为基础，曲线的运动或停止不再依赖于图像的局部信息。文献来源：ChanTF,VeseLA.Activecontourswithoutedges.IEEETransactionsonImageProcessing,2001,10(2):266-277.四、水平集理论C-V模型下的曲线演化过程主要内容图像边缘检测Hough变换图像的区域分割水平集理论图像特征及分析目标检测方法简介图像特征分类五、图像特征及分析1、二值图象的几何特征及描述

面积

设图像已经被分割，目标区域的像素的值为1，背景区域的像素为0，则目标区域的面积为：五、图像特征及分析表示法设计

链码

多边形逼近外形特征边界分段区域骨架五、图像特征及分析链码定义：(1)链码是一种边界的编码表示法。

(2)用边界的方向作为编码依据。为简化边界的描述,一般描述的是边界点集。0123014672354-链码8-链码五、图像特征及分析链码举例：4-链码：0000333333222222111100110123五、图像特征及分析链码循环首差链码：用相邻链码的差代替链码例如：4-链码10103322循环首差为： 33133030循环首差：1-2=-1(3) 3-0=3

0-1=-1(3) 3-3=0

1-0=1 2-3=-1(3) 0-1=-1(3) 2-2=0差分的方向可以是逆时针，亦可以是顺时针。五、图像特征及分析链码：11002122244454466667链码：77660700022232244445差分：01061700600710600076差分：01061700600710600076链码差分的旋转不变性为起始点,

则可定义边界长度为：

常见的等效的表示方法有三种：

(1)区域与背景的交界线的长度，采用欧氏距离。(2)区域边界8链码长度；若边界的链码表示为：五、图像特征及分析周长(3)边界所占面积：即周长用区域的边界点数之和表示。所谓边界点是指满足如下性质的点:在其4邻域内既有区域内的像素,又有区域外的像素。五、图像特征及分析例8.2.1图8.2.6中所示的区域，阴影部分为目标区域，其余部分为背景区域，请采用上述三种计算周长的方法分别求出区域的周长。图8.2.6区域周长示例

采用上述三种计算周长的方法求得边界的周长分别是：

（1）隙码表示，周长为26；

（2）链码表示，周长为；

（3）面积表示，周长为12。位置

区域的质心：(对二值化图像，叫做“形心”)。xyabcdxcyc五、图像特征及分析矩形度

区域面积A与包围它的最小矩形面积之比：

圆形度

区域面积A与包围它的最小圆面积之比：

其中，P为周长五、图像特征及分析投影设为f(x,y)在方向上的投影，它是一个向量。五、图像特征及分析图像特征的描述有以下三种形式：

1.表示法设计

2.边界描述子

3.关系描述子五、图像特征及分析特征表示与描述简单描述子形状数傅立叶描述子矩量五、图像特征及分析边界描述子关系描述子

阶梯关系编码骨架关系编码方向关系编码内角关系编码树结构关系编码五、图像特征及分析五、图像特征及分析2、角点(corner,featurepoint,interestingpoint)

实际图Weshouldeasilyrecognizethepointbylookingthroughasmallwindow.Shiftingawindowinany

directionshouldgivealargechangeinintensity.五、图像特征及分析角点检测算法有：

Moravec算子

Harris算子

Susan算子

SIFT检测法“flat”region:

nochangeinalldirections“edge”:

nochangealongtheedgedirection“corner”:

significantchangeinalldirections五、图像特征及分析

(1)

Moravec(1977)角点检测Changeofintensityfortheshift[u,v]:IntensityShiftedintensityWindowfunctionorw(x,y)=Gaussian1inwindow,0outside

(2)Harris(1988)角点检测五、图像特征及分析如果u,v值很小，即窗口移动位移小，则：HarriscornerdetectorForsmallshifts[u,v]wehaveabilinearapproximation:whereMisa22matrixcomputedfromimagederivatives:HarrisDetector:MathematicsIntensitychangeinshiftingwindow:eigenvalueanalysis1,2–eigenvaluesofMdirectionoftheslowestchangedirectionofthefastestchange(max)-1/2(min)-1/2Ellipsee(u,v)HarrisDetector:Mathematics12“Corner”

1and2arelarge,

1~2;

Eincreasesinalldirections1and2aresmall;

Eisalmostconstantinalldirections“Edge”

1>>2“Edge”

2>>1“Flat”regionClassificationofimagepointsusingeigenvaluesofM:HarrisDetector:MathematicsMeasureofcornerresponse:k–empiricalconstant,k=0.04-0.06HarrisDetector:Mathematics12“Corner”“Edge”“Edge”“Flat”

RdependsonlyoneigenvaluesofM

Rislargeforacorner

Risnegativewithlargemagnitudeforanedge|R|issmallforaflatregionR>0R<0R<0|R|smallHarrisDetector:Mathematics算法步骤：FindpointswithlargecornerresponsefunctionR(R>threshold);TakethepointsoflocalmaximaofR.HarrisDetector:MathematicsHarrisDetector:WorkflowComputecornerresponseRFindpointswithlargecornerresponse:R>thresholdTakeonlythepointsoflocalmaximaofR五、图像特征及分析Harris角点检测实例Harris角点检测实例五、图像特征及分析(3)SUSAN角点检测五、图像特征及分析最小吸收核同值区（SmallUnivalueSegmentAssimilatingNucles，简称SUSAN）原则，最早由Smith和Brady（1995）提出。它可用于边缘检测（一维特征）、角点或拐点检测（二维特征）以及噪声衰减。

模板的核模板的边界暗区域亮区域eabcd(4)SIFT方法五、图像特征及分析SIFT(ScaleInvarianceFeatureTransform)方法从图像中提取出的特征点可以用于一个物体或场景不同视角下的可靠匹配，提取出的特征点对图像尺度和旋转保持不变，对光线变化、噪声、仿射变化都具有鲁棒性。候选特征点过滤低对比度的特征点过滤边缘处特征点稳定特征点3、纹理(Texture)特征五、图像特征及分析

纹理分析在计算机视觉、模式识别以及数字图像处理中起着重要的作用。但对于纹理的定义，至今国际上尚无一个公认的标准说法。3、纹理(Texture)特征五、图像特征及分析通常所指的图像纹理，意指图像像素灰度或颜色的某种变化，而且这种变化是空间统计相关的。图像或物体的纹理或纹理特征反映了图像或物体本身的属性，因此有助于将两种不同的物体区别开来。纹理分析方法：多个纹理区域的图象灰度共生矩阵(基于灰度统计的分析法)分形分析(基于模型的分析)Markov(或Gibbs)随机场(基于模型的分析)Gabor(或小波变换)纹理分析(基于信号处理)(1)、灰度共生矩阵五、图像特征及分析灰度共生矩阵(greylevelco-occurrencematrixs，GLCM，Haralick,1979)对于具有G个灰度级的图像，受位移矢量d=(dx,dy)控制的灰度级共生矩阵Pd是一个的GXG矩阵，矩阵行列表示各个灰度级，矩阵元素反映两种灰度在相距一定距离的位置上同时出现的次数。(1)、灰度共生矩阵五、图像特征及分析左边为一幅5×5的图象，具有三个灰度级，右边为灰度级同现矩阵，位移矢量d=(1,1)。(1)、灰度共生矩阵五、图像特征及分析若d=(1,0),Pd

=?五