2017-01-12 20:55:41 attilax 阅读数 400

Atitti 图像处理 特征提取的科技树 attilax总结

 

 

 

 

理论

数学,信号处理,图像,计算机视觉

 

 

 

图像处理

滤波

 

 

 

图像处理

颜色转换

 

 

 

图像处理

压缩编码

 

 

 

图像处理

增强

 

 

 

图像处理

去模糊

 

 

 

图像处理

去燥

 

 

 

图像处理

抠图

 

 

 

图像处理

叠加混合

 

 

 

图像处理

滤镜

 

 

 

图像分析

质量评价

 

 

 

图像分析

图像检索

 

 

 

图像分析

金字塔分解

 

 

 

图像分析

边缘检测

canny

 

 

图像分析

边缘检测

sobel

 

 

图像分析

边缘检测

robert

 

 

机器视觉

特征提取

颜色特征

直方图

 

机器视觉

特征提取

颜色特征

色彩区块

 

机器视觉

特征提取

颜色特征

cca联通区域分析

 

机器视觉

特征提取

纹理特征

haar

 

机器视觉

特征提取

纹理特征

phash

 

机器视觉

特征提取

纹理特征

pca

 

机器视觉

特征提取

纹理特征

lbp

 

机器视觉

特征提取

纹理特征

glcm灰度共生矩阵

 

机器视觉

特征提取

形状特征

hogh

 

机器视觉

特征提取

形状特征

hogh

 

机器视觉

特征提取

形状特征

surf

 

机器视觉

特征提取

形状特征

sift

 

机器视觉

模式识别
模板检测

人脸识别

 

 

机器视觉

模式识别
模板检测

车牌识别

 

 

机器视觉

模式识别
模板检测

肤色检测

 

 

机器视觉

模式识别
模板检测

身份证识别

 

 

机器视觉

模式识别
模板检测

银行卡识别

 

 

机器视觉

模式识别
模板检测

 

 

 

机器视觉

目标跟踪

KLT跟踪算法

 

 

机器视觉

视频分析

图像拼接

 

 

机器视觉

视频分析

场景识别

 

 

编程

。。。

 

 

 

 

 

 

 作者:: 绰号:老哇的爪子claw of Eagle 偶像破坏者Iconoclast image-smasher

捕鸟"Bird Catcher 王中之王King of Kings 虔诚者Pious 宗教信仰捍卫者 Defender of the Faith. 卡拉卡拉红斗篷 Caracalla red cloak

简称: Emir Attilax Akbar 埃米尔 阿提拉克斯 阿克巴

全名:Emir Attilax Akbar bin Mahmud bin  attila bin Solomon bin Adam  Al Rapanui 

埃米尔 阿提拉克斯 阿克巴  马哈茂德  阿提拉 所罗门 亚当  阿尔 拉帕努伊   

常用名艾提拉(艾龙)   EMAIL:1466519819@qq.com

头衔:uke总部o2o负责人,全球网格化项目创始人,uke宗教与文化融合事务部部长,Uke部落首席大酋长,uke制度与重大会议委员会委员长,uke保安部首席大队长,uke制度检查委员会副会长,奶牛科技cto uke 首席cto uke波利尼西亚区大区连锁负责人,克尔格伦群岛连锁负责人,莱恩群岛连锁负责人,uke汤加王国区域负责人。布维岛和南乔治亚和南桑威奇群岛大区连锁负责人 

 Uke软件标准化协会理事长理事长 uke终身教育学校副校长

Uke 数据库与存储标准化协会副会长 uke出版社编辑总编

 

转载请注明来源:attilax的专栏   http://blog.csdn.net/attilax

--Atiend

 

 

2015-11-30 10:07:33 lin00jian 阅读数 1346

转载地址:http://m.blog.csdn.net/blog/kezunhai_tjsd/11022069#

[原]图像处理特征不变算子系列篇----开篇

2013-9-3阅读1399 评论1

          图像处理中,特征算子比较流行的现在已经不下上十种,而且关于图像特征算子的综述论文时有见刊。随着对图像处理及相关领域的进一步了解。一直就觉得有必要写一个关于图像处理中的特征算子的系列博文,来详细介绍这些算子的原理及其实现相关的内容。随着时间的推移,一直没有时间将这个工作付诸行动,不知不觉就毕业了。工作后,主要的工作内容还是和图像处理相关,而且发现工作中遇到的很多问题都可以从这些算子的设计思路中找到一些灵感,一定程度上助于问题的解决。遂,下定决心还是写一个关于特征算子系列吧。一来,当是对这些算子进一步的复习与理解;二来,希望能给正在学习图像处理路上的同学一些帮助;三来,也是为自己先前和现阶段的工作做一个小的总结。

         近年来,区分性强、对多种几何和光度变换具有不变性的局部不变特征在宽基线匹配、特定目标识别、目标类别识别、图像及视频检索、机器人导航、纹理识别和数据挖掘等多个领域内获得广泛的应用,是国内外的研究热点。

         局部不变特征是指局部特征的检测或描述对图像的各种变化,例如几何变换、光度变换、卷积变换、视角变化等保持不变。局部不变特征的基本思想是提取图像内容的本质属性特征,这些特征与图像内容的具体表现形式无关或具有自适应性(即表现形式变化时特征提取自适应的变化以描述相同的图像内容)。局部不变特征通常存在一个局部支撑邻域,与经典的图像分割算法不同,局部支撑邻域可能是图像的任何子集,支撑区域的边界不一定对应图像外观(例如颜色或纹理)的变化。

          局部不变特征的研究包含3个基本问题:一是局部不变特征的检测,二是局部不变特征的描述,三是局部不变特征的匹配。根据不同的准则,局部不变特征的研究方法可以分为不同的类别,按照使用的色调空间的不同可以分为局部灰度不变特征和局部彩色不变特征;按照特征层次的不同可以分为角点不变特征、blob不变特征和区域不变特征;按照几何变换不变性的自由度可以分为平移不变特征、旋转不变特征、尺度不变特征、欧氏不变特征、相似不变特征、仿射不变特征和投影不变特征;按照处理思路的不同可以分为基于轮廓曲率的不变特征、基于灰度梯度、灰度变化和显著性的不变特征,基于生物视觉启发的不变特征,基于多尺度的不变特征和基于分割的不变特征。

          局部不变特征应该具有以下特性:
          1)重复性(Repeatability) 
           相同场景或目标在不同成像条件下图像提取的局部不变特征应该是相同的;
          2)区分性 (Distinctiveness
           局部不变特征应包含较大的灰度或色度模式变化,易于区分;
          3)局部性(Locality
          局部不变特征应具有局部性,减小遮挡的概率,同时可以采用简单的变换模型对图像间的变换进行近似建模;
          4)精确性(Accuracy
          局部不变特征应可以在空域、尺度域及形状域上精确定位;
          5)不变性 (Invariant
          局部不变特征的检测和描述对各种变换应具有不变性;
          6)鲁棒性 (Robustness
           局部不变特征的检测和描述应对图像噪声、量化误差、模糊等不敏感。

欲了解更多特性,请参考:Tinne Turytelaars的论文:Local Invariant Feature Detectors 

          图像特征的研究最早可以追溯到1954年F.Attneave发表在Psychological Review的《some informational aspects of visual perception》,作者第一次观察到:形状信息集中在具有高曲率的主点(Dominant Points)上。经过近60年的发展,特征检测与提取算法得到了不断的丰富和突破。根据不同的分类,图像特征提取的方法可以分为不同的类别,主要包括基于轮廓曲率的方法(Contour Curvature Based Method)、基于灰度的方法(Intensity Based Methods,包括 海瑟矩阵方法(Hessian-Based Approach)、基于梯度方法(Gradient-Based Methods))、基于显著性的方法(Saliency Based Methods)、基于生物模拟的方法(Biologically Plausible Methods)、基于颜色的方法(Color Based Methods)、基于模型的方法(Model Based Methods)、多视角不变的方法(Toward Viewpoint Invariant Methods)、基于分割的方法(Segmentation Based Methods)以及基于机器学习的方法(machine learning based methods)等等。

          现今,在图像处理领域耳熟能详的特征算子包括:DoG、Fast、STAR、HARRIS、DENSE、SimpleBlob、MSER、SIFT、SURF、ORB、BRISK、FREAK等,本博文将逐一对这些算子进行分析。但可能由于工作原因,更新周期会比较长。今天写一个开篇,作为开始,也作为一个闹钟,提醒自己还有这个事没做。

         另外,有兴趣的朋友可以看看下列几篇文章,也可以通过链接下载:http://download.csdn.net/detail/kezunhai/6211147

          1)Keystian Mikolajczyk. A performance evaluation of local descriptors, 2005 PAMI

          2)Tinne Tuytelaars. Local Invariant Feature Detectors: A Survey, 2007 Computer Graphic & Vision

          3)王浩. 局部不变特征综述, 2011 计算机图像图像学报

          4) Umasankar Kandaswamy.  Comparison of Texture Analysis Schemes Under Nonideal Conditions,2011 IP

2018-11-13 06:07:46 hggjgff 阅读数 33

分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识,造福人民,实现我们中华民族伟大复兴!

               

图像处理特征不变算子系列之KLT算子--GoodFeaturesToTrack(七)

分类: 目标检测与跟踪 特征算子 图像内容检索 38人阅读 评论(0) 收藏 举报

图像处理特征不变算子系列之KLT算子--GoodFeaturesToTrack(七)

kezunhai@gmail.com

http://blog.csdn.net/kezunhai


          正在前面的系列博文中,介绍了多种特征算子,在本文中将介绍由Kanade-Lucas两人在上世纪80年代在其论文:An Iterative Image Registration Technique with an Application to Stereo Vision中提出的一个算子,后来称为KLT算法。该算法最开始是一种图像点定位的方法,即图像的局部匹配,将图像匹配问题,从传统的滑动窗口搜索方法变为一个求解偏移量d的过程。后来,Jianbo Shi和Carlo Tomasi两人在1994的CVPR上发表了篇论文:Good Features To Track,进一步对KLT算法进行了完善,并在该文中分析了在求解d的过程中,哪些情况下可以保证一定能够得到d的解,这些情况的点有什么特点(其实就是一些角点)。下面的内容将对论文中介绍的KLT算法进行详细地介绍与分析。

           最初,KLT算法是为了解决图像配准问题(Registration Problem)而提出的,可以表述如下:对于给定的图像F(x)和G(x),需要找到一个视差向量(Disparity Vector)h使得F(x+h)与G(x)的差异最小,如下图:


F(x+h)与G(x)差异的典型度量方式有:


在上式中,为了求解视差向量h,需要计算各种可能的解空间下的F(x+h)与G(x)差异值,该种方式是一种非常耗时的计算。如果G(x)的大小是N×N,h的大小M×M,那么该种情况下的时间复杂度是O(M^2*N^2)。

          首先,我们来看看一维情况下的图像配准问题,如下图,我们希望找到F(x)和G(x)=F(x+h)的水平视差h:


此种情况,我们一般是采用通过对x的邻域进行线性逼近的方式来实现,对于一个很小的h,有:


接着,通过对不同的x进行逼近得到的h进行平均,就可以得到h的估计:


然而,以上的逼近方式对于F(x)是平滑的区域有比较理想的效果,但是对于F(x)''比较大的区域,比较效果却很糟。因此,采用如下函数进行加权处理:


加权后的对h的估计就表示如下:


计算得到了h的估计后,就可以通过移动F(x)进行Newton-Raphson迭代,直至收敛,得到h的最好估计,迭代表示如下:


如果将上式泛化到多维情况,则可以表示如下:


其中,

          Jianbo Shi和Carlo Tomasi两人在1994的CVPR上发表了篇论文:Good Features To Track中该该算子进行了扩展,通过一个仿射运动域来表示前面提到的h,则J(x)和I(x)表示为:


                           

其中,A是一个变形矩阵(Deformation Matrix),d是一个平移向量(Translation Vector)。对于给定的两幅图I(x)和J(x),就是通过计算A和d,从而实现跟踪。

           由于上式J(Ax+d)=I(x)不能很好的满足,因此求解A和d一般是通过对下式进行最小化求解:


其中W是一个给定的局部区域,w(x)是一个加权函数。这个式子的含义:即找到两副图像中,在W窗口中,I、J的差异,其中I以x-d/2为中心,J以x+d/2为中心,w/2为半径的一个矩形窗口间的差异,使函数ε(d)要取得最小值。结合微分只是,这个极值点的导数一定为0,即:




为了要使d能够得到解,则Z需要满足条件为:Z*Z'矩阵可逆。

        KLT是一种优秀的算子,在目标跟踪系统中得到了广泛的应用。并且针对其速度的缺陷,现在也有基于GPU版本的加速KLT算法,具体的可以参考后面给出的参考资料。

更多资料可以参考:

1、KLT: An Implementation of the Kanade-Lucas-Tomasi Feature Tracker:http://www.ces.clemson.edu/~stb/klt/

2、Derivation of Kanade-Lucas-Tomasi Tracking Equation


作者:kezunhai 出处:http://blog.csdn.net/kezunhai 欢迎转载或分享,但请务必声明文章出处。

           

给我老师的人工智能教程打call!http://blog.csdn.net/jiangjunshow

这里写图片描述
2015-02-01 20:56:46 u011484045 阅读数 2216
lbp特征
LBPLocal 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;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, D. Harwood 1994年提出,用于纹理特征提取。而且,提取的特征是图像的局部的纹理特征。
下面介绍lbp特征的三种基本模式,图像处理中对于提取lbp特征也不外乎这三种模式,下面一一说明。
一、等价模式(Uniform Pattern)
  为了解决二进制模式过多的问题,提高统计性,Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为,在实际图像中,绝大多数LBP模式最多只包含两次从10或从01的跳变。因此,Ojala将“等价模式”定义为:当某个LBP所对应的循环二进制数从01或从10最多有两次跳变时,该LBP所对应的二进制就称为一个等价模式类。000000000次跳变),00000111(只含一次从01的跳变),10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类,称为混合模式类,例如10010111(共四次跳变)。这种模式下,lbp特征的种类个数为(即bin的数目)samples*(samples-1) + 3,这里的samples指的是邻域个数。这里的循环二进制数从01或从10最多有两次跳变时,每一个二进制数代表一个bin。如00000001(一次跳变)、10000000(一次跳变),但是这两个属于不同的bin。此外,对于循环二进制数从01或从10超过两次跳变的,都属于同一个bin
二、旋转不变模式
对于邻域点数为n,所以循环二进制数有n位,对n位二进制数循依次循环左移n - 1位,取其中最小的值存取。依次对选取的最小值给一个索引值,索引值从0开始。这段的matlab代码如下:
if strcmp(mappingtype,'ri') %Rotation invariant lbp的一种类型 旋转不变的
  tmpMap = zeros(2^samples,1) - 1;
  for i = 0:2^samples-1
    rm = i;
    r  = i;
    for j = 1:samples-1
      r = bitset(bitshift(r,1,samples),1,bitget(r,samples)); %rotate left
                                                             
      if r < rm
        rm = r;
      end
    end
    if tmpMap(rm+1) < 0
      tmpMap(rm+1) = newMax;%newMax初始值为0,newMax指的是number of patterns in the resulting LBP code
      newMax = newMax + 1;
    end
    table(i+1) = tmpMap(rm+1);%table为1*256向量  每种二进制的值经过循环左移后取最小值对应的index
  end
  
end
三、等价模式&旋转不变模式
两者结合情况下,lbp特征的种类个数为samples + 2(samples为邻域点数),两者结合是个什么情况呢,下面直接用代码解释吧
if strcmp(mappingtype,'riu2') %Uniform & Rotation invariant
  newMax = samples + 2;
  for i = 0:2^samples - 1
    j = bitset(bitshift(i,1,samples),1,bitget(i,samples)); %rotate left
    numt = sum(bitget(bitxor(i,j),1:samples));
    if numt <= 2
      table(i+1) = sum(bitget(i,1:samples));%table为1*256向量 第一个元素代表0,依次下去 其中的值是类型的index这里面有10种
    else
      table(i+1) = samples+1;
    end
  end
end





2014-04-15 10:41:15 Angelahhj 阅读数 4373

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。

 

 

没有更多推荐了,返回首页