图像处理中常用的特征_图像处理常用的特征 - CSDN
  • 本篇主要是基于之前的一篇文章的整理,整理成思维导图模式,方便查看和复习。 常用图像特征——颜色特征、纹理特征、形状特征、空间关系特征 有需要思维导图源文件的,可留言联系 ...

    本篇主要是基于之前的一篇文章的整理,整理成思维导图模式,方便查看和复习。

    常用的图像特征——颜色特征、纹理特征、形状特征、空间关系特征

    主要是从图像的颜色特征,纹理特征,形状特征,空间特征展开讨论,主题框架如下图所示:
    在这里插入图片描述
    完整的思维导图为:
    在这里插入图片描述

    有需要思维导图源文件的博友,可留言联系。

    展开全文
  • 图像处理中常用特征有哪些? 在物体识别、计数的过程,通常要将人为观察到的特征用于分割目标图像,常用的图像特征可归结为: 颜色特征 纹理特征 形状特征 *空间关系特征 颜色特征 颜色...

    图像处理中常用的特征有哪些?

    在物体识别、计数的过程中,通常要将人为观察到的特征用于分割目标图像,常用的图像特征可归结为:

    • 颜色特征
    • 纹理特征
    • 形状特征
    • *空间关系特征

    ##颜色特征

    颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。

    常用的特征提取与匹配方法

    (1) 颜色直方图

    其优点在于:它能简单描述一幅图像中颜色的全局分布,即不同色彩在整幅图像中所占的比例,特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于:它无法描述图像中颜色的局部分布及每种色彩所处的空间位置,即无法描述图像中的某一具体的对象或物体。

    最常用的颜色空间:RGB颜色空间、HSV颜色空间。

    颜色直方图特征匹配方法:直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。

    (2) 颜色集

    颜色直方图法是一种全局颜色特征提取与匹配方法,无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间(如 HSV 空间),并将颜色空间量化成若干个柄。然后,用色彩自动分割技术将图像分为若干区域,每个区域用量化颜色空间的某个颜色分量来索引,从而将图像表达为一个二进制的颜色索引集。在图像匹配中,比较不同图像颜色集之间的距离和色彩区域的空间关系

    (3) 颜色矩

    这种方法的数学基础在于:图像中任何的颜色分布均可以用它的矩来表示。此外,由于颜色分布信息主要集中在低阶矩中,因此,仅采用颜色的一阶矩(mean)、二阶矩(variance)和三阶矩(skewness)就足以表达图像的颜色分布。

    (4) 颜色聚合向量

    其核心思想是:将属于直方图每一个柄的像素分成两部分,如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值,则该区域内的像素作为聚合像素,否则作为非聚合像素。

    (5) 颜色相关图

    ##纹理特征

    (一)特点:纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差。另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

    例如,水中的倒影,光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性,因而将纹理信息应用于检索时,有时这些虚假的纹理会对检索造成“误导”。

    在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。

    (二)常用的特征提取与匹配方法

    纹理特征描述方法分类

    (1)统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上,通过实验,得出灰度共生矩阵的四个关键特征:能量、惯量、熵和相关性。统计方法中另一种典型方法,则是从图像的自相关函数(即图像的能量谱函数)提取纹理特征,即通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数

    (2)几何法

    所谓几何法,是建立在纹理基元(基本的纹理元素)理论基础上的一种纹理特征分析方法。纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中,比较有影响的算法有两种:Voronio 棋盘格特征法和结构法。

    (3)模型法

    模型法以图像的构造模型为基础,采用模型的参数作为纹理特征。典型的方法是随机场模型法,如马尔可夫(Markov)随机场(MRF)模型法和 Gibbs 随机场模型法

    (4)信号处理法

    纹理特征的提取与匹配主要有:灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。

    灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究,提出6种属性,即:粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型(simultaneous auto-regressive, SAR)是马尔可夫随机场(MRF)模型的一种应用实例。

    形状特征

    (一)特点:各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,但它们也有一些共同的问题,包括:①目前基于形状的检索方法还缺乏比较完善的数学模型;②如果目标有变形时检索结果往往不太可靠;③许多形状特征仅描述了目标局部的性质,要全面描述目标常对计算时间和存储量有较高的要求;④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致,或者说,特征空间的相似性与人视觉系统感受到的相似性有差别。另外,从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影,从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状,由于视点的变化,可能会产生各种失真。

    (二)常用的特征提取与匹配方法

    Ⅰ几种典型的形状特征描述方法

    通常情况下,形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。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。

    几种典型的形状特征描述方法:

    (1)边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法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;边界方向直方图法首先微分图像求得图像边缘,然后,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 descriptors)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,将二维问题转化为一维问题。

    由边界点导出三种形状表达,分别是曲率函数、质心距离、复坐标函数。

    (3)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,例如采用有关形状定量测度(如矩、面积、周长等)的形状参数法(shape factor)。在 QBIC 系统中,便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数,进行基于形状特征的图像检索。

    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。

    (4)形状不变矩法

    利用目标所占区域的矩作为形状描述参数。

    (5)其它方法

    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 或 FEM)、旋转函数(Turning Function)和小波描述符(Wavelet Descriptor)等方法。

    Ⅱ 基于小波和相对矩的形状特征提取与匹配

    该方法先用小波变换模极大值得到多尺度边缘图像,然后计算每一尺度的 7个不变矩,再转化为 10 个相对矩,将所有尺度上的相对矩作为图像特征向量,从而统一了区域和封闭、不封闭结构。

    空间关系特征

    (一)特点:所谓空间关系,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类:相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况,如上下左右关系等,后一种关系强调的是目标之间的距离大小以及方位。显而易见,由绝对空间位置可推出相对空间位置,但表达相对空间位置信息常比较简单。

    空间关系特征的使用可加强对图像内容的描述区分能力,但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外,实际应用中,仅仅利用空间信息往往是不够的,不能有效准确地表达场景信息。为了检索,除使用空间关系特征外,还需要其它特征来配合。

    (二)常用的特征提取与匹配方法
    提取图像空间关系特征可以有两种方法:一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征,并建立索引;另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。


    展开全文
  • HOG(histogram of gradient) ... sift(Scale-invariant feature transform) ...sift是用于描述图像中的局部特征,在空间尺度寻找极值点,并且提取出其位置、尺度、旋转不变量,因此具有尺度和旋转...

    HOG(histogram of gradient)

    sift(Scale-invariant feature transform)

    • sift是用于描述图像中的局部特征,在空间尺度中寻找极值点,并且提取出其位置、尺度、旋转不变量,因此具有尺度和旋转不变的性质。

    算法步骤

    • 构建尺度空间,使用高斯卷积核实现多尺度空间。

    G(x,y,σ)=12πσ2e(x2+y2)/2σ2

    σ越大, 做卷积时,尺度空间越大,对应低分辨率下的粗糙尺度,σ越小,对应越细的尺度空间,使用DoG尺度空间进行关键点的检测,

    D(x,y,σ)=(G(x,y,σ)D(x,y,σ))I(x,y)

    对于一幅图像,构建其图像金字塔,即对图像进行降采样等操作,每次降采样生成一个octave。因此使得sift在任意尺度都有对应的特征点。
    * 使用LoG近似DoG找到关键点:如果一个点在DoG尺度空间本层以及上下2层的6个领域中是最大值或者最小值时,则可以将该点视为图像在该尺度下的一个特征点。极值点检测可以使用NMS。
    * 去除不好的特征点:主要是在上面检测得到的特征点中,去除低对比度的特征点以及不稳定的边缘响应点。
    * 给特征点赋值一个128维的方向参数:利用关键点邻域像素的梯度方向分布特征为每个关键点指定方向参数,使算子具有旋转不变性。
    * 综上,每个关键点都有3个信息:位置、尺度以及方向,因此可以确定1个sift特征区域。将特征向量进行归一化,可以进一步去除光照变化的影响。

    sift匹配

    • 给2张图像,首先得到其特征点及sift特征,之后进行相似度匹配,相似度最高或者阈值大于特定值的可以认为匹配成功,因此可以完成图像关键点的匹配。

    参考链接

    surf

    • surf与sift的算法相似,只是sift算法更加稳定,检测得到的特征点更多,但是sift的算法复杂度也更大。surf的运算简单,运算时间更短一些,在要求实时性的系统中,可以使用surf。
    • surf最大的特点是采用HARR特征以及积分图像。

    算法描述

    • surf是首先使用Hessian卷确定特征点候选点,然后使用NMS。主要流程如下
    • 对图像进行高斯滤波,这是为了使得特征点具有尺度无关性。
    • 构建hessian矩阵:hessian矩阵的行列式为
      det(H)=2fx22fy2(2fxy)2

    det(H)就是H矩阵的特征值,可以使用其符号将所有点分类。在图像中,图像像素值就是f,使用特定的卷积核计算二阶偏导数,就可以得到H矩阵的3个元素。
    * 尺度空间生成:sift中,是对图像进行尺度变换,filter不变;surf中保持图像大小不变,改变filter的尺度大小,提升特征点检测过程的速度和精度。同时,同一个octave中的图像用到的高斯模板尺度也不相同,算法允许尺度空间多层图像同时被处理,不需要进行二次抽样。
    * NMS初步确定特征点:对于得到的多尺度Hessian结果,将某一点及其26邻域的hessian特征值进行比较,如果是极大值或者极小值,就将其保留下来,否则不视为特征点。
    * 为了保证旋转不变性,sift中是使用梯度直方图统计,而surf中是统计特征点领域内的Harr小波特征,即统计特征点为中心的60度扇形内所有点在x和y方向的haar小波响应总和,形成新的适量,遍历整个圆形区域,选择最长矢量的方向作为特征点的主方向。
    * surf特征描述算子:在特征点周围选取正方形框,这个框的方向是特征点的主方向,大小是20s(s是检测到该特征所在的尺度)。将box分为16个子区域,每个子区域统计25个像素的水平和竖直方向的haar小波特征,这里x和y都是相对于主方向而言。该子区域的haar小波特征为x方向值之和,x方向绝对值之和,y方向值之和,y方向绝对值之和。16个子区域最终可以形成1个64×1的特征描述子。

    参考链接

    fast(Features From Accelerated Segment Test)

    • fast是一种快速的特征点检测方法,fast角点定义为:如果一个像素与它周围足够多的像素处于不同的区域,则该像素点有可能是特征点。主要步骤如下:
    • 选择一个像素点p,首先判断它是否是特征点。
      • 设置合适的阈值t
      • p的周围选16个像素点进行测试,如果这16个像素点中连续n个像素点的像素值都大于I(p)+t或者都小于I(p)t,则将其视为特征点。n常取9或者12。
      • 上述方法比较慢,一种可以用于加速的方法是首先判断邻域4个边的顶点(1,5,9,13)是否有3个或者以上的像素点满足条件,有的话就继续判断,·否则该点不被视为特征点。
    • 上述步骤存在一些问题
      • n<12时容易检测出比较多的特征点。
      • 角点检测的效果取决于实际问题以及角点的分布情况。
      • 没有有效地利用角点检测过程的信息。(邻域等信息)
      • 有些部分可能会出现大量角点。
    • 上面的问题中,前面三个可以通过机器学习训练的方法解决,后面可以通过NMS进行去除。
      *总结:fast相对于之前的sift或者surf,检测特征点的速度要快很多。

    参考链接

    brief(Binary Robust Independent Elementary Features)

    • brief特征描述子中,每一位都是通过随机选取的2个点进行比较得来的结果。在计算brief之前,首先需要对图像进行高斯滤波。它有几个比较明显的缺点。
      • 不具有旋转不变性。
      • 不具有尺度不变性。
      • 对噪声比较敏感。

    orb(ORientedBrief)

    • 针对brief的问题,orb做了一些改进。
    • 对旋转不变性的问题:orb使用了fast算子用来进行特征点检测,通过矩计算特征点的主方向,之后就可以沿着主方向提取brief算子。
    • 对噪声敏感的问题:brief中使用的是pixel之间进行比较,而orb中是使用patch的像素和进行比较,可以使用积分图加快运算速度。
    • orb没有解决尺度不变性的问题,在一些实时处理视频的应用中,可以使用启发式的算法去解决尺度不变性的问题。
    • ORB是sift的100倍,是surf的10倍。
    展开全文
  •  (一)特点:各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,但它们也有一些共同的问题,包括:①目前基于形状的检索方法还缺乏比较完善的数学模型;②如果目标有变形时检索结果...
    形状特征

      (一)特点:各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,但它们也有一些共同的问题,包括:①目前基于形状的检索方法还缺乏比较完善的数学模型;②如果目标有变形时检索结果往往不太可靠;③许多形状特征仅描述了目标局部的性质,要全面描述目标常对计算时间和存储量有较高的要求;④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致,或者说,特征空间的相似性与人视觉系统感受到的相似性有差别。另外,从 
    2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影,从 2-D 图像中反映出来的形状常不是 3-D 
    物体真实的形状,由于视点的变化,可能会产生各种失真。

    (二)常用的特征提取与匹配方法

    Ⅰ几种典型的形状特征描述方法

    通常情况下,形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征。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。

    几种典型的形状特征描述方法:

    (1)边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 
    变换检测平行直线方法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;边界方向直方图法首先微分图像求得图像边缘,然后,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 
    descriptors)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,将二维问题转化为一维问题。

    由边界点导出三种形状表达,分别是曲率函数、质心距离、复坐标函数。

    (3)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,例如采用有关形状定量测度(如矩、面积、周长等)的形状参数法(shape 
    factor)。在 QBIC 
    系统中,便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数,进行基于形状特征的图像检索。

    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。

    (4)形状不变矩法

    利用目标所占区域的矩作为形状描述参数。

    (5)其它方法

    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 或 FEM)、旋转函数(Turning Function)和小波描述符(Wavelet 
    Descriptor)等方法。

    Ⅱ 基于小波和相对矩的形状特征提取与匹配

      
    该方法先用小波变换模极大值得到多尺度边缘图像,然后计算每一尺度的 7个不变矩,再转化为 10 
    个相对矩,将所有尺度上的相对矩作为图像特征向量,从而统一了区域和封闭、不封闭结构。
    展开全文
  • 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者...
  • 1.HOG 常用场景:行人、车辆识别; 2.LBP 常用场景:人脸识别; ...常用场景:图像匹配、全景、立体匹配; 5.Gabor滤波 常用场景:指纹识别; 6.hough变换 & LSD 常用场景:直线检测;
  • 数字图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像处理最早出现于 20 世纪 50 年代,当时的电子计算机已经发展到...图像处理中,输入的是质量低的图像,输出的是改善质量后的图像,常用
  • 数字图像处理中常用图像分割算法有哪些? 1.多数的图像分割算法 2.图像边缘分割 3.图像阈值分割 4.基于区域的分割 5.形态学分水岭算法 多数的图像分割算法 均是基于灰度值的不连续和相似的性质。在前者,...
  • 图像处理特征提取

    2014-10-26 18:42:22
    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)...
  • 图像处理特征提取

    2018-09-04 16:10:04
    图像处理特征提取 知乎上看到一个话题—— 目前火热的 Deep Learning 会灭绝传统的 SIFT / SURF 特征提取方法吗? 由于之前研究过SIFT和HOG这两种传统的特征提取方法,故本篇文章先对SIFT和HOG作一综述...
  • 图像处理特征提取:LBP特征简单梳理  LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子,具有多分辨率、灰度尺度不变、旋转不变等特性。主要用于特征提取的纹理提取。  纹理...
  • 当今世界充满了各种数据,而图像是其中高的重要组成部分。然而,若想其有所应用,我们...图像处理中的常见任务包括显示图像,基本操作(如裁剪、翻转、旋转等),图像分割,分类和特征提取,图像恢复和图像识别等。...
  • (1)基于阈值的分割方法:可在各种颜色空间或不同通道完成阈值、自适应阈值、 (2)基于边缘的分割方法:各种边缘检测算子 (3)基于区域的分割方法:分水岭、区域归并与分裂 (4)图割分割:最大流(最小割)...
  • 图像处理之Haar特征

    2017-01-06 15:12:45
    like特征是计算机视觉领域一种常用特征描述算子(也称为Haar特征,这是因为Haar-like是受到一维haar小波的启示而发明的,所以称为类Haar特征),后来又将Haar-like扩展到三维空间(称为3DHaar-Like)用来描述视频的...
  • 常用图像特征

    2015-12-01 15:19:19
    常用图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于...
  • 在我们进行图像识别的时候,往往是将图片特征来表示整张图片让计算机进行识别,基本上表示一个区域涉及两种选择: 外部特征 内部特征 下一步就是基于所选择的表示来描述区域 当我们关注的重点是形状特征...
  • 5、图像分割(灰度、颜色、频谱特征、纹理特征、空间特征) 6、变换(空域和频域、几何变换、色度变换) 7、几何形态分析(Blob分析) (形状、大小、长度、面积、边缘、圆形度位置、方向、数量、连通性等) 8、匹配...
  • 做了几年的图像处理,可以对一些使用的方法进行总结: 1、图像变换 由于图像阵列很大,直接在空间域进行处理,涉及计算量很大。因此,往往采用各种图像变换的方法,例如: 傅立叶变换、沃尔什变换、离散余弦...
  • 图像灰度不同,边界处一般会有明显的边缘,利用此特征可以分割图像。需要说明的是:边缘和物体间的边界并不等同,边缘指的是图像中像素的值有突变的地方,而物体间的边界指的是现实场景的存在于物体之间的边界。...
1 2 3 4 5 ... 20
收藏数 56,581
精华内容 22,632
关键字:

图像处理中常用的特征