| 图像特征(二) | 您所在的位置：网站首页 › matlab特点和基本功能 › 图像特征(二) |
图像特征(二)
|
转载请注明出处 https://mp.csdn.net/console/editor/html/105172749 接续上一节内容(颜色特征)，本文主要介绍形状特征，并给出matlab上实现的demo。 形状特征形状特征有两类表示方法，一类是轮廓特征，一类是区域特征。图像的轮廓特征主要针对物体的外边界；而图像的区域特征则关系到整个形状区域。下面将介绍几种典型的形状特征描述方法： 轮廓特征轮廓是一系列相连的点组成的曲线，代表了物体的基本外形。其与边缘的不同：(1)轮廓是连续的，边缘并不全都连续；(2)边缘主要作为图像的物体特征；而轮廓主要用来分析物体的形态(如周长和面积)；(3)边缘包括轮廓。一般在二值图像中寻找轮廓，寻找轮廓是针对白色物体，即物体是白色，而背景是黑色。 1 边界特征法通过对边界特征的描述来获取图像的形状参数。其中Hough变换检测平行直线和边界方向直方图方法是经典方法。 Hough变换是利用图像全局特性而将边缘像素连接起来，组成区域封闭边界的一种方法，其基本思想是点-线的对偶性。 边界方向直方图：首先微分图像求得图像边缘，2）做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。 2 傅里叶形状描述符法傅里叶形状描述符(Fourier shape deors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转换为一维问题。 由边界点导出三种形状表达：曲率函数、质心距离、复坐标函数。 区域特征 1 几何参数法形状的表达和匹配采用更为简单的区域特征描述方法，如采用有关形状定量测量(如矩、面积、周长等)的形状参数法。——具体看后文——矩的介绍。 需要说明的是：形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。 2 形状不变矩法—区域特征利用目标所占区域的矩作为形状描述参数。 其他近年来，在形状的表示和匹配方面的工作还包括有限元法(Finite Element Method, FEM)、旋转函数(Turning)和小波描述符(Wavelet Deor)等方法。 基于形状特征检索的共同问题 目前基于形状的检索方法缺乏比较完善的数学模型；目标有变形时，检索结果不太可靠；许多形状特征仅描述了目标局部的性质，要全面描述目标对计算时间和存储量有较高的要求；许多性质特征反映的目标形状信息与人的直观感受不完全一致。 图像的矩(Image Moments) 1 矩的介绍矩用来抽取图像(块)的特征。图像中，低阶矩反映低频(主要的)信息，高阶矩反映高频(细节)信息。从一幅图像计算出来的矩集，不仅可以描述图像形状的全局特征，还可以提供大量关于该图像不同的几何特征信息，如大小、位置、方向和形状等。矩函数在图像分析中有广泛应用，如模式识别、目标分类、目标识别与方位估计等。 普通矩的计算： 图像矩的计算，是普通矩的离散化。对于强度为fx,y 的像素点，(p+q) 阶矩可定义为： 其中，C与R分别表示图像的列与行。 各阶矩的物理意义与计算： 0阶矩(m00 )：目标区域的面积(质量)；1阶矩((m01,m10 )：目标区域的质心；2阶矩(m20,m02,m11 )：目标区域的旋转半径；3阶矩(m30,m03,m12,m21 )：目标区域的方位和斜度，反映目标的扭曲。 2 中心矩：构造平移不变性以目标区域的质心为中心构建中心矩，那么矩的计算永远是目标区域中的点相对于目标区域的质心，而与目标区域的位置无关，即具备了平移不变性。 目标区域的质心坐标： 根据求得的质心坐标，可以构造出中心距： 为抵消尺度变化对中心矩的影响，利用零阶中心矩u00 对各阶中心矩进行归一化处理，得到归一化中心矩： 零阶矩表示目标区域的质量(面积)，如果目标区域的尺度发生变化，其零阶中心距也会相应发生改变，使得矩具备尺度不变性。 4 Hu矩：构造旋转不变性利用二阶和三阶规格中心距可推导出以下7个不变矩组(Φ1 ~Φ7 )，他们在图像平移、旋转和比例变化时保持不变。 Φ1=η20+η02 Φ2=(η20-η02)2+4η112 Φ3=(η30-3η12)2+(3η21-η03)2 Φ4=(η30+η12)2+(η21+η03)2 Φ5=η30-3η12η30+η12η30+η122-3η21+η032+3η21-η03η21+η033η30+η122-η21+η032 Φ6=η20-η02η30+η122-η21+η032+4η11(η30+η12)(η21+η03) Φ7=3η21-η03η21+η03η30+η122-3η21+η032-η30-3η12η21+η033η30+η122-η21+η032 具体实现代码 function n = FcnHuSquare( oriImg ) [m,n,~] = size(oriImg); % 图像灰度化 grayImg = rgb2gray(oriImg); % canny边缘检测提取边缘,保留边缘灰度图像 edgeImg = edge( grayImg, 'canny' ); zerosIndex = edgeImg==0 ; grayImg(zerosIndex)=0; % 图像二值化 bwImg = zeros( m,n ); level = graythresh(grayImg); thresh = level*255; onesIndex = grayImg>=thresh ; bwImg(onesIndex) = 1; %% 计算图像质心 m00 = sum( sum(bwImg) ); % 零阶矩 m01 = 0; % 一阶矩的初值 m10 = 0; % 一阶矩的初值 for i = 1:m for j = 1:n m01 = bwImg(i,j)*j + m01; m10 = bwImg(i,j)*i + m10; end end I = m10/m00; J = m01/m00; % 计算图像中心矩 u11 = 0; u20 = 0; u02 = 0; u30 = 0; u03 = 0; u12 = 0; u21 = 0; for i = 1:m for j = 1:n u11 = bwImg(i, j)*(i-I)*(j-J) + u11; u20 = bwImg(i, j)*(i-I)^2 + u20; u02 = bwImg(i, j)*(j-J)^2 + u02; u30 = bwImg(i, j)*(i-I)^3 + u30; u03 = bwImg(i, j)*(j-J)^3 + u03; u21 = bwImg(i, j)*(i-I)^2*(j-J) + u21; u12 = bwImg(i, j)*(i-I)*(j-J)^2 + u12; end end u20 = u20/(m00^2); u02 = u02/(m00^2); u11 = u11/(m00^2); u30 = u30/(m00^(5/2)); u03 = u03/(m00^(5/2)); u12 = u12/(m00^(5/2)); u21 = u21/(m00^(5/2)); % 7个Hu不变矩 n(1) = u20 + u02; n(2) = (u20-u02)^2 + 4*u11^2; n(3) = (u30-3*u12)^2 + (3*u21-u03)^2; n(4) = (u30+u12)^2 + (u21+u03)^2; n(5) = (u30-3*u12)*(u30+u12)*( (u30+u12)^2-3*(u21+u03)^2 ) + ... (3*u21-u03)*(u21+u03)*( 3*(u30+u12)^2-(u21+u03)^2 ); n(6) = (u20-u02)*( (u30+u12)^2-(u21+u03)^2 ) + 4*u11*(u30+u12)*(u21+u03); n(7) = (3*u21-u03)*(u21+u03)*( (u30+u12)^2-3*(u21+u03)^2 ) - ... (u30-3*u12)*(u21+u03)*( 3*(u30+u12)^2-(u21+u03)^2 ); end |
【本文地址】