图像处理一阶统计特征

2018-03-01 17:03:31 anpingbo 阅读数 217
  • SIFT特征提取2

    了解Hough变换基本思想及直线检测步骤; 掌握Harris角点检测的基本思想及实现步骤; 了解尺度空间概念及SIFT特征提取的基本思想 了解ORB中快速特征检测及BRIEF特征建立方法 掌握前述算子的OpenCV实现

    2606人学习 CSDN就业班
    免费试看

根据处理的图像,声音,文本等信息的统计特性,可以给出很多反映信息特性的特征。模式识别也是对特征的辨别,不管是有监督的学习分类还是无监督的聚类,都间接或者直接的对特征进行了提取或者表征。比如线性回归,在使用一条曲线拟合一堆数据的时候,这条曲线(或者曲线参数)就是这堆数据的特征,而结果和实际值的平方和就是这种特征和数据的接近程度。
1. 图像的区域特征
(1) 一阶统计特征:
一幅图像的一阶统计特征包括其直方图,矩,中心矩。直方图反映了图像灰度的分布概率,方差是直方图宽度的度量,反映了灰度级和平均值之间的差别。中心距u3反映了直方图倾斜度,u4是直方图峰度。熵是直方图均匀度的度量,熵越大表示直方图越接近均匀分布。熵的表达式为:
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述

2014-04-15 10:41:15 Angelahhj 阅读数 4641
  • SIFT特征提取2

    了解Hough变换基本思想及直线检测步骤; 掌握Harris角点检测的基本思想及实现步骤; 了解尺度空间概念及SIFT特征提取的基本思想 了解ORB中快速特征检测及BRIEF特征建立方法 掌握前述算子的OpenCV实现

    2606人学习 CSDN就业班
    免费试看

图像特征的分类有多种标准,根据特征自身的特点可以分为两类:描述物体外形的形状特征和描述物体灰度变换的纹理特征。根据特征提取所采用的方法的不同又可以分为统计特征和结构(句法)特征。特征选取的标准是,1)易提取;2)稳定性;3)具有区分度。

 

统计特征提取的方法有哪些?

直方图,在直方图基础上衍生出来的一些其他的方法,如均值、方差、熵、矩等;

灰度共生矩阵;

 

图像特征提取一般提取三个方面的特征,即颜色、纹理、形状。

 

颜色特征:

相对于RGB空间来说,HSV空间对光照(和噪声)鲁棒性好,所以将RGB转成HSV。根据HSV三个分量的范围,将颜色空间分成若干个color bins,统计颜色直方图。

Hhue)色彩,又称为色调,是指色彩的相貌,与色彩明暗无关;

SSaturation)饱和度,是色彩纯与不纯的分别;

VValue)亮度,是指色彩的明暗程度、光度的高低,越接近白色亮度越高。

但是颜色直方图并没有反映颜色空间分布的信息,也没有表达出图像中物体的形状。

纹理特征:

关于纹理,目前并没有统一的定义。我们可以理解成纹理元的重复,构成了纹理。纹理特征的提取方法可以分成四类:基于统计特征的纹理分析(如灰度共生矩阵、Tamura提出的6个特征的方法)、基于信号处理的分析(如小波变换)、基于结构的纹理分析、基于模型的纹理分析(如数字图像变换法、小波变换)。

1.      基于统计特征的纹理分析

基于统计特征的纹理分析是基于像元及其邻域的灰度属性,研究纹理区域中的统计特征或者像元及其邻域内的灰度的一阶、二阶、高阶统计特征。

应用最广

l  Tamura等从心理学角度定义的六个基本特征,即粗糙度(coarseness)、对比度(contrast)、方向性(directionality)、线像度(line likeness)、规则性(regularity)、粗略度(roughness),这是一组与人类视觉特性对应的纹理特征。

l  Amadasun等定义的基于邻域灰度差别矩阵的纹理特征,包括稀疏度、繁忙度、纹理粒度等5个特征。

l  Haralick等定义的基于灰度共生矩阵的纹理特征,常用统计量包括角二阶矩、对比度、相关、方差、熵等。

 

2.      基于信号处理的纹理分析

基于信号处理的纹理分析是建立在时域、频域分析与多尺度分析基础之上,对纹理图像中某个区域进行某种变换后,再提取保持相对平稳的特征值。

3.      基于模型的纹理分析

基于模型的纹理分析假设纹理是以某种参数控制的分布模型方式形成的,从纹理图像的实现来估计计算模型参数,以参数为特征或用某种分类策略进行图像分割。参数估计是该方法的核心问题。

4.      基于结构特征的纹理分析

l  句法(syntactic)纹理描述方法

l  数学形态学方法

适合周期性好的纹理,比如棋盘、布纹

使用范围较窄

 

 

形状特征:

形状特征主要包括基于边缘的特征和基于区域的特征。提取边缘特征,首先通过SoberCanny等边缘检测算子得到边缘,再计算链码、边缘梯度直方图等特征。但是这种方法有一定的缺陷,边缘信息是很不稳定的信息,内容相似的图片在边缘形状的视觉效果上也可能会存在很大的差异。基于区域的特征提取方法包括傅里叶变换、不变矩等,这种方法对图像的平移、旋转、伸缩具有不变性。

基于边缘特征的一种方法是检测边缘,得到角点,也就得到了物体的大致轮廓,然后计算相邻角点的n阶矩。

 

 

2018-06-28 14:29:42 HelloZEX 阅读数 7046
  • SIFT特征提取2

    了解Hough变换基本思想及直线检测步骤; 掌握Harris角点检测的基本思想及实现步骤; 了解尺度空间概念及SIFT特征提取的基本思想 了解ORB中快速特征检测及BRIEF特征建立方法 掌握前述算子的OpenCV实现

    2606人学习 CSDN就业班
    免费试看
《数字图像处理-冈萨雷斯》笔记
第一章 绪论
图像处理实例:伽马射线成像、X射线成像、紫外波段成像、可见光以及红外线成像、微波波段成像、无线电波成像、声波成像。


图像处理的基本步骤:图像获取、滤波与增强、图像复原、彩色图像处理、小波与分辨率处理、压缩、形态学处理、分割、表示与描述、目标识别、


第二章 数字图像基础


角膜、巩膜外壳、脉络膜、视网膜。
视锥细胞亮视觉,视杆细胞暗视觉。
韦伯比:类似于光强的分辨率。目标给出响应,比值越小,表示亮度辨别能力越好。
彩色光源质量因素:发光强度(实际指的是能量)、光通量、亮度。
数字图像一般默认左上角是原点,x轴向下,y轴向上。
灰度值跨越的值域非正式地称为动态范围。动态范围定义为最大可度量灰度和最小可检测灰度之比。
存储图像所需的比特数b = M * N * k (比特数=长*宽*灰度级; b=1024*1024*8);
等偏爱曲线:人对图像的主观感受跟随图像大小和灰度级之间的关系。


临接和邻域:
N4(p) 4领域,
N8(p) 8领域,
ND(p) 对角领域。
邻接:
四领域和八领域好理解,m邻接的意思是:
1)q、p在四邻域中;
2)q在p的对角领域中,并且p和q的四领域没有交集。
那么就称p、q是m邻接的。


 


第三章 灰度变换与空间滤波


一些基本的灰度变换函数
1、 图像反转:s = L-1-r
2、 对数变换:s=clog(1+r) 对数变换拉伸对应的灰度值,反对数效果相反。对数变换实现了图像灰度扩展和压缩的功能。它扩展低灰度值而压缩高灰度值,让图像的灰度分布更加符合人的视觉特征。
3、 gamma变换:   在屏幕上精确显示图像则伽马校正很重要。
4、 分段线性变换;
5、 灰度直方图
6、 灰度直方图均衡:直方图均衡化处理之后,原来比较少像素的灰度会被分配到别的灰度去,像素相对集中, 处理后灰度范围变大,对比度变大,清晰度变大,所以能有效增强图像
7、 直方图匹配:使其直方图与另一幅图像的直方图或特定函数形式的直方图进行匹配。


平滑空间滤波
1、 平滑线性滤波(均值滤波)
2、 统计排序非线性滤波(中值、最大值、最小值)






锐化空间滤波
锐化的主要目的是突出灰度的过渡部分。
1、 拉普拉斯算子——二阶微分图像锐化
 拉普拉斯算子:
 
锐化结果:
 
2、 Sobel算子——一阶微分锐化(边缘检测和边缘增强应用)
Sobel算子:
 


第四章 频率域滤波


傅里叶级数:
  


卷积:
 




频域平滑


1、 ILPF理想低通滤波器
2、 BLPF巴特沃斯低通滤波器
3、 GLPF高斯低通滤波器


频域锐化


4、 IHPF理想高通滤波器
5、 BLPF巴特沃斯高通滤波器
6、 GLPF高斯高通滤波器


 

第五章 图像复原与重建


一些重要的噪声类型:
高斯噪声;瑞利噪声;伽马噪声;指数噪声;均匀噪声;脉冲(椒盐)噪声;


当仅存在加性噪声的时候,可以选择空间滤波的方法。


均值滤波器
算术均值滤波器:
几何均值滤波器:
谐波均值滤波器:对盐粒噪声效果较好,不适用于胡椒噪声。他善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器:
 
Q成为滤波器阶数,Q为正数时消除胡椒噪声,Q为负数时消除椒盐噪声。Q=0时就成为了算术均值滤波器。

统计排序滤波器
中值滤波器:
最大最小值滤波器:
修正的阿尔法均值滤波器:

自适应滤波器
自适应局部降低噪声滤波器:

自适应中值滤波器:


2015-12-03 19:19:43 fanfangyu 阅读数 10581
  • SIFT特征提取2

    了解Hough变换基本思想及直线检测步骤; 掌握Harris角点检测的基本思想及实现步骤; 了解尺度空间概念及SIFT特征提取的基本思想 了解ORB中快速特征检测及BRIEF特征建立方法 掌握前述算子的OpenCV实现

    2606人学习 CSDN就业班
    免费试看
1.医学图像处理的基本流程:图像预处理、特征提取、分类。其算法的设计关键为特征提取和分类两部分。
2.疾病的诊断取决于对医学图像的获取和医学图像的解释。
3.主要研究工作为利用图像处理技术,通过形状、颜色、纹理以及与周围组织的关系等数据信息的处理,来对图像进行准确的分析,以此区别出正常和异常的医学图像
4.研究目的及意义:不同模式的图像信息因其成像原理不同具有各自的特点,存在对比度和分辨率的差异;成像设备、患者体位移动、形状的复杂性和易变性使得医学图像不明确、不连续,数据量大。
5.特征提取:对研究对象固有的、本质的及重要的特征属性进行测量并将结果数值化,或将对象分解并符号化,形成特征矢量或符号串、关系图的过程。
6.图像特征:形状:利用提取图像对象的边缘信息来获取,主要方法为Roberts、Prewitt、Sobel算子、Laplacian边缘检测算子以及Cannv算子等。
7.纹理特征:纹理是目标图像的重要特征,可以认为是灰度或颜色在空间分布的规律所形成的图案
8.医学图像的特点:1多模态性(解剖图像;不同功能活动状况的功能图像)
                 2灰度上的模糊性(内部因素,牙齿和股骨的灰度值在密度上的区别;外部因素:噪声的干扰)
                 3既有局部效应
                 4不确定性特点
9.医学图像的特征提取:颜色、纹理、形状
10.形状特征:基于边界利用形状的外部边缘(傅里叶描述子、链码、边界矩、边近界似)、基于区域利用形状的全部区域(矩不变量,还有区域的面积、形状的纵横比、形状矩、几何矩)  
基于边界的特征提取:一阶微分Robert、Prewitt、Sobel算子
                       二阶微分Laplacian边缘检测算子
                       基于最优方法算子Canny
基于区域的特征提取:似圆度(C=P^2/4∏A目标物体的周长平方和其面积之比,描述物体的形状和圆的近似度,C值越大,目标物体的形状越复杂)
                       转动惯量NMI
                       几何矩(利用目标所占区域的矩作为形状描述参数)
11.纹理特征:纹理能够对视觉图像中不同区域的结构、方向、粒度和规则性的差异进行有效的描述,符合人类的视觉特性。纹理不仅包含了物体表面性质或特征,还在一定程度上反映他们和环境的关系,因此,纹理特征在表述灰度统计信息之余,还能够体现出结构信息和空间分布。
纹理可以分为两类:a反复出现,方向性明确的结构性纹理,这种纹理的基元排列比较规则
                  B随机性纹理,通过统计特征给出。
方法:统计(一阶统计量一阶灰度直方图,在实际应用中,取整个直方图作为纹理特征是没有必要的,通常提取几个重要特征,主要包括关于原点的r阶矩、关于均值的r阶中心矩、扭曲度、峰度、熵;二阶统计量灰度共生矩阵,是考虑处于几何位置的一对对像素的灰度相关性并以这一对对像素出像某种灰度的条件概率来表征纹理,可以定量的描述特征,能量、熵、惯性矩、相关、局部平稳)和结构
灰度共生矩阵和小波变换
2019-08-07 20:39:26 SongGu1996 阅读数 4461
  • SIFT特征提取2

    了解Hough变换基本思想及直线检测步骤; 掌握Harris角点检测的基本思想及实现步骤; 了解尺度空间概念及SIFT特征提取的基本思想 了解ORB中快速特征检测及BRIEF特征建立方法 掌握前述算子的OpenCV实现

    2606人学习 CSDN就业班
    免费试看

一阶统计量特征,或者说灰度直方图特征,主要思想是对整张图像,或者图像中的感兴趣区域进行一些统计学计算,求得相应的统计量,用于在灰度层面描述图像。需要注意的是,一阶统计量特征仅适用于单通道的灰度图像,如果想对彩色图像提取一阶统计量特征,需要先对彩色图像进行灰度化操作。本文的代码展示的是如何对图像的感兴趣区域提取一阶统计量特征。

本文使用的例子是一例骨肿瘤患者的CT图像和它对应的肿瘤区域标记,原始CT图像数据是三维的.nii格式,在Matlab中打开和处理这种格式的数据需要借助NIFTI工具库,NIFTI工具库大家可以在GitHub中搜索下载,或者通过下面的链接下载,下载解压后将其添加到Matlab的路径中即可使用。

链接:https://pan.baidu.com/s/1giKDEtsVs-YVA5p-dtuhyA 
提取码:grcm 

提取三维数据中的一层进行演示,代码如下,使用的软件版本为Matlab 2018b,首先介绍数据的读取和预处理。

% 读取三维原始图像image和对应的感兴趣区域标记文件label
% image和label的尺寸为512×512×65,65是层数
image = load_nii('C:\Users\Administrator\Desktop\image.nii');
image = image.img;
label = load_nii('C:\Users\Administrator\Desktop\label.nii');
label = label.img;
% 选取原始图像和标记文件的第35层,并对标记文件进行二值化操作
% 使得标记中感兴趣区域为1,其他区域为0
img = image(:,:,35);
mask = label(:,:,35);
mask = imbinarize(mask);
% 医学影像灰度值跨度很大,所以将img的像素值归一化到0-255范围内,便于后续分析
img = double(img);
ymin = 0;
ymax = 255;
xmin = min(min(img));
xmax = max(max(img));
img = round((ymax-ymin)*(img-xmin)/(xmax-xmin) + ymin);
img = uint8(img);
% 将第35层的原图和标记展示出来
imshow(img, []);
figure
imshow(mask);
% 求原图在感兴趣区域上的灰度直方图并可视化出来
% 变量level存放的是图像的灰度级,这里为256×1的向量,存放0-255之间的整数
% 变量count存放的是感兴趣区域中每个像素值的数量
[count, level] = imhist(img(mask == 1));
figure
imhist(img(mask == 1));

上面代码得到的数据读取和预处理结果如下所示,第一幅图是像素值归一化到0-255后的第35层原始数据,第二幅图是它对应的二值化后的感兴趣区域标记图像,白色区域为手工勾画的肿瘤区域,第三幅图是将感兴趣区域投射回原图的示意图,第四幅图是原始图像感兴趣区域内的灰度直方图。

下面的代码根据感兴趣区域和灰度直方图信息对原图提取一些统计量,用于在灰度层面上描述图像。

% 变量roi中存放的是对应于感兴趣区域的原始图像中的灰度值
roi = img(mask == 1);
roi = double(roi);
% 变量pixelnum中存放的是感兴趣区域(白色区域)内的像素数
pixelnum = sum(sum(mask == 1));
% 定义第一维特征为感兴趣区域内所有像素值的平均值
histofeats(1) = sum(roi) / pixelnum;
% 定义第二维特征为感兴趣区域内所有像素值的中位数
histofeats(2) = median(roi);
% 定义第三维特征为感兴趣区域内所有像素值的标准差
histofeats(3) = std(roi);
% 定义第四维特征为感兴趣区域内所有像素值的偏度
histofeats(4) = skewness(roi);
% 定义第五维特征为感兴趣区域内所有像素值的峰度
histofeats(5) = kurtosis(roi);
% 定义第六维特征为感兴趣区域内所有像素值的最小值
histofeats(6) = min(roi);
% 定义第七维特征为感兴趣区域内所有像素值的最大值
histofeats(7) = max(roi);
% 定义第八维特征为感兴趣区域内所有像素值的熵
histofeats(8) = entropy(roi);
% 定义第九维特征为感兴趣区域内所有像素值的能量
p = count/ pixelnum;
histofeats(9) = p' * p;
% 定义第十维特征为感兴趣区域内所有像素值的范围
histofeats(10) = max(roi) - min(roi);
% 定义第十一维特征为感兴趣区域内所有像素值的平均绝对离差
minu = roi - sum(roi) / pixelnum;
histofeats(11) = sum(abs(minu)) / pixelnum;
% 定义第十二维特征为感兴趣区域内所有像素值的均方根
histofeats(12) = sqrt(sum(roi.^2) / pixelnum);

代码中的特征仅仅是例子,大家可以发挥自己的想象力,设计出更多特征用于实际任务。