I = imread(‘cameraman.tif’);
 
%% (1) detect BRISK
 points = detectBRISKFeatures(I);
 %输入参数：
 %‘MinContrast’ -最小强度差[0.2]:
 % 角及其周围区域之间的最小强度差, 指定为由 “MinContrast” 和范围 (0 1) 中的标量组成的逗号分隔对。
 % 最小对比度值表示图像类最大值的一小部分。增加此值以减少检测到的角的数量。
 %‘MinQuality’ - -最低可接受的角质量[0.01]:
 % 角的最小可接受质量, 指定为由 "MinQuality范围内的标量值组成的逗号分隔对 [0, 1]。
 % 可接受的最小角质量表示图像中最大角度量值的一小部分。增加此值以删除错误的角。
 %‘NumOctaves’ -八度数[4]:
 % 要实现的八度字节数, 指定为由 “NumOctaves” 和整数标量组成的逗号分隔对, 大于或等于0。增加此值以检测较大的 blobs。建议的值介于1和4之间。
 % 将NumOctaves设置为0, 该函数将禁用多尺度检测。它以输入图像的比例执行检测,
 %‘ROI’ -矩形区域
 figure(1),imshow(I); hold on;title(‘BRISK Features’);
 plot(points.selectStrongest(20));
 
%% (2) detect MSER
 regions = detectMSERFeatures(I);
 %输入参数：
 %'ThresholdDelta’阈值级别之间的步长[2]:
 % 强度阈值级别之间的步长, 指定为由 “ThresholdDelta” 组成的逗号分隔对和范围 (0, 100] 中的数值。
 % 此值表示为在测试极值区域的稳定性时用于选择极值区域时所使用的输入数据类型范围的百分比。
 % 减小此值以返回更多区域。典型值范围为0.8 到4。
 %‘RegionAreaRange’ -区域的大小[30 14000]:
 % 区域的大小 (以像素为单位), 指定为由 “RegionAreaRange” 和两个元素向量组成的逗号分隔对。
 % 矢量 [minArea 最大面积]允许选择包含像素的区域在minArea和最大面积之间, 包括在内。
 %‘MaxAreaVariation’ -极值区域之间的最大面积变化[0.25]:
 % 在不同强度阈值下, 极值区域之间的最大面积变化, 指定为由 "MaxAreaVariation和正标量值组成的逗号分隔对。
 % 增加此值将返回更多的区域, 但它们可能不太稳定。稳定的区域在不同强度阈值上的大小非常相似。典型值范围为0.1 到1.0。
 %‘ROI’ -感兴趣的矩形区域
 figure(2);subplot(211),imshow(I); hold on;title(‘MSER Features’);
 plot(regions,‘showPixelList’,true,‘showEllipses’,false);
 subplot(212) ,imshow(I); hold on;plot(regions);
 
%% (3) detect FAST Features
 corners = detectFASTFeatures(I);
 %输入参数：
 %‘MinQuality’ - -最低可接受的角质量[0.1]:
 % 角的最小可接受质量, 指定为由 "MinQuality范围内的标量值组成的逗号分隔对 [0, 1]。
 % 可接受的最小角质量表示图像中最大角度量值的一小部分。较大的值可用于删除错误的边角。
 %‘MinContrast’ -最小强度[0.2]:
 % 角和周围区域之间的最小强度差, 指定为由 “MinContrast” 和范围 (0, 1) 中的标量值组成的逗号分隔对。
 % 最小强度表示图像类最大值的一小部分。增加该值可减少检测到的角的数量。
 %‘ROI’ -矩形区域
 figure(3),imshow(I); hold on;title(‘FAST Features’);plot(corners.selectStrongest(50));
 
%% (4) detect Harris Features
 corners = detectHarrisFeatures(I);
 %输入参数：
 %‘MinQuality’ - -最低可接受的角质量[0.01]:
 % 角的最小可接受质量, 指定为由 "MinQuality范围内的标量值组成的逗号分隔对 [0, 1]。
 % 可接受的最小角质量表示图像中最大角度量值的一小部分。较大的值可用于删除错误的边角。
 %‘FilterSize’ -高斯滤波器尺寸[5]:
 % 高斯滤波器尺寸, 指定为由 “FilterSize” 和范围内的奇数整数值组成的逗号分隔对 [3, min(I (size))].
 % 高斯滤光片平滑输入图像的渐变。
 % 该函数使用FilterSize值计算筛选器的尺寸,FilterSize"FilterSize。它还将高斯滤波器的标准偏差定义为FilterSize。
 %‘ROI’ -矩形区域
 figure(4),imshow(I); hold on;title(‘Harris Features’);plot(corners.selectStrongest(50));
 
%% (5) detect SURF Features
 points = detectSURFFeatures(I);
 %%输入参数：
 %‘MetricThreshold’ -最强的功能阈值[1000]:
 % 最强的特征阈值, 指定为由 “MetricThreshold” 和非负标量组成的逗号分隔对。若要返回更多 blobs, 请减小此阈值的值。
 %‘NumOctaves’ -八度数[3]:
 % 要实现的八度字节数, 指定为由 “NumOctaves” 和整数标量组成的逗号分隔对, 大于或等于1。增加此值以检测较大的 blobs。建议的值介于1和4之间.
 % 每个八度都跨越多个比例, 使用不同大小的过滤器进行分析:
 % | Octave | Filter sizes
 % | 1 | 9-by-9, 15-by-15, 21-by-21, 27-by-27, …
 % | 2 | 15-by-15, 27-by-27, 39-by-39, 51-by-51, …
 % | 3 | 27-by-27, 51-by-51, 75-by-75, 99-by-99, …
 % | 4 | …
 %‘NumScaleLevels’ -每个八度的刻度级别数[4]:
 % 要计算的每个八度刻度级别数, 指定为由 “NumScaleLevels” 和整数标量组成的逗号分隔对, 大于或等于3。
 % 增加此数字, 以检测更多的 blobs 在更精细的规模增量。建议的值介于3和6之间.
 %‘ROI’ -感兴趣的矩形区域
 figure(5),imshow(I); hold on;title(‘SURF Features’);plot(points.selectStrongest(10));
 
%% (6)detect MinEigen Features
 corners = detectMinEigenFeatures(I);
 %输入参数：
 %‘MinQuality’ - -最低可接受的角质量[0.01]:
 % 角的最小可接受质量, 指定为由 "MinQuality范围内的标量值组成的逗号分隔对 [0, 1]。
 % 可接受的最小角质量表示图像中最大角度量值的一小部分。较大的值可用于删除错误的边角。
 %‘FilterSize’ -高斯滤波器尺寸[5]:
 % 高斯滤波器维度, 指定为由 “FilterSize” 和范围 [3, inf) 中的奇数整数值组成的逗号分隔对。
 % 高斯滤光片平滑输入图像的渐变。
 % 该函数使用FilterSize值计算筛选器的尺寸,FilterSize"FilterSize。它还将标准偏差定义为FilterSize/3。
 %‘FilterSize’ -高斯滤波器尺寸
 figure(6);imshow(I); hold on;title(‘MinEigen Features’);plot(corners.selectStrongest(50));
 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
 
得到结果如下：
 
 
转载自：https://blog.csdn.net/Ephemeroptera/article/details/83961330

 
2，基于点特征匹配的杂乱场景目标检测
 
第一步：读入图片；
 
wahaha1 = imread('wahaha.jpg');
 
wahaha=rgb2gray(wahaha1);
 
scenceImage = imread('scence.jpg');
 
sceneImage=rgb2gray(scenceImage);
 
第二步：检测特征点；
 
boxPoints = detectSURFFeatures(wahaha);
 
scenePoints = detectSURFFeatures(sceneImage);
 
figure;
 
imshow(wahaha);
 
title('100 Strongest Feature Points from wahaha Image');
 
hold on;
 
plot(selectStrongest(boxPoints, 100));
 
figure;
 
imshow(sceneImage);
 
title('300 Strongest Feature Points from Scene Image');
 
hold on;
 
plot(selectStrongest(scenePoints, 300));
 

 
第三步：提取特征描述子；
 
boxPairs = matchFeatures(boxFeatures, sceneFeatures);
 
第四步：显示假定匹配的特征；
 
matchedBoxPoints = boxPoints(boxPairs(:, 1), :);
 
matchedScenePoints = scenePoints(boxPairs(:, 2), :);
 
figure;
 
showMatchedFeatures(wahaha, sceneImage, matchedBoxPoints, ...
 
matchedScenePoints, 'montage');
 
title('Putatively Matched Points (Including Outliers)');
 

 
第五步：使用场景中假定匹配定位物体；
 
[tform, inlierBoxPoints, inlierScenePoints] = ...
 
estimateGeometricTransform(matchedBoxPoints, matchedScenePoints, 'affine');
 
figure;
 
showMatchedFeatures(wahaha, sceneImage, inlierBoxPoints, ...
 
inlierScenePoints, 'montage');
 
title('Matched Points (Inliers Only)');
 

 
第六步：绘制定位框；
 
boxPolygon = [1, 1;... % top-left
 
size(wahaha, 2), 1;... % top-right
 
size(wahaha, 2), size(wahaha, 1);... % bottom-right
 
1, size(wahaha, 1);... % bottom-left
 
1, 1]; % top-left again to close the polygon
 
newBoxPolygon = transformPointsForward(tform, boxPolygon);
 
figure;
 
imshow(sceneImage);
 
hold on;
 
line(newBoxPolygon(:, 1), newBoxPolygon(:, 2), 'Color', 'y');
 
title('Detected Box');
 

 
第七步：检测另外一个目标；
 
cup1Image = imread('cup.jpg');
 
cupImage=rgb2gray(cup1Image);
 
cupPoints = detectSURFFeatures(cupImage);
 
figure;
 
imshow(cupImage);
 
hold on;
 
plot(selectStrongest(cupPoints, 100));
 
title('100 Strongest Feature Points from cup Image');
 
% Extract feature descriptors.
 
[cupFeatures, cupPoints] = extractFeatures(cupImage, cupPoints);
 
% Match Features
 
cupPairs = matchFeatures(cupFeatures, sceneFeatures, 'MaxRatio', 0.9);
 
% Display putatively matched features.
 
matchedcupPoints = cupPoints(cupPairs(:, 1), :);
 
matchedScenePoints = scenePoints(cupPairs(:, 2), :);
 
figure;
 
showMatchedFeatures(cupImage, sceneImage, matchedcupPoints, ...
 
matchedScenePoints, 'montage');
 
title('Putatively Matched Points (Including Outliers)');
 
% Estimate Geometric Transformation and Eliminate Outliers
 
[tform, inlierElephantPoints, inlierScenePoints] = ...
 
estimateGeometricTransform(matchedcupPoints, matchedScenePoints, 'affine');
 
figure;
 
showMatchedFeatures(cupImage, sceneImage, inlierElephantPoints, ...
 
inlierScenePoints, 'montage');
 
title('Matched Points (Inliers Only)');
 
% Display Both Objects
 
cupPolygon = [1, 1;... % top-left
 
size(cupImage, 2), 1;... % top-right
 
size(cupImage, 2), size(cupImage, 1);... % bottom-right
 
1, size(cupImage, 1);... % bottom-left
 
1,1]; % top-left again to close the polygon
 
newcupPolygon = transformPointsForward(tform, cupPolygon);
 
figure;
 
imshow(sceneImage);
 
hold on;
 
line(newBoxPolygon(:, 1), newBoxPolygon(:, 2), 'Color', 'y');
 
line(newcupPolygon(:, 1), newcupPolygon(:, 2), 'Color', 'g');
 
title('Detected cup and Box');
 
displayEndOfDemoMessage(mfilename)
 

 
数字图像特征提取+matlab源代码
 
时间:2020-11-14 11:07来源:毕业论文
 
针对所选的样本图像和实验的要求，对图像进行了灰度化处理，接着对样本图像进行平滑处理，主要采用了中值滤波法和邻域均值法，对图像进行了预处理
 
摘    要  图像特征提取技术是图像处理中的一个概念，可以通过计算机对图像特征进行提取，分析。有时图像中某一个点，某一条曲线，区域可以看作是一个子集。根据不同的子集，图像提取的方法也不同。图像的典型特征有边缘特征、形状特征、颜色特征、纹理特征等。这些特征信息对图像的识别和分类有重要的作用。在实际问题中，样本图片中参杂很多不相关的信息， 图像特征提取可能受到背景、光照、大小等噪声干扰，如何提取出具有良好表征性能且受到噪声干扰最小的特征参数，是本文的研究重点。  本文针对所选的样本图像和实验的要求，对图像进行了灰度化处理，接着对样本图像进行平滑处理，主要采用了中值滤波法和邻域均值法，对图像进行了预处理。 在预处理的基础上，对数字图像的纹理和形状特征进行特征提取。在形状特征提取中，一方面对样本图像的一些基本形状特征参数，包括面积、周长、圆形度和形状复杂度进行比较；另一方面结合图像矩特征和均值、方差、熵、梯度等特征分析图像的形状特点。 在纹理特征提取中，采用了局部二值模式和完全局部二值模式对图像纹理特征进行提取。提取出样本图像 LBP 和 CLBP 的直方图特征，并通过计算训练图像和测试图像的直方图距离来比较其相似性。选取了 LBP、CLBP_S模式、CLBP_M 和CLBP_S_M 四种模式，使用最近邻分类器对图像进行分类。  59524
 
毕业论文关键词：图像预处理技术；LBP；CLBP；形状特征；矩特征
 
Abstract Image feature extraction technology is a concept of  image processing, which can be performed by  a computer for image feature extraction and analysis. Sometimes a certain point, a curve, the area in the image can be seen as a subset. According to different subsets, the methods of digital image extraction are different. Typical features include edge feature, characteristic shape, color, texture and other features. These features information plays an important role  on the identification and classification of images. In practical problems, sample pictures mixing  a lot of irrelevant information, image feature extraction may be subject to background illumination, size and other noise. Therefore, how to extract a good characterization of performance  are subject to noise interference minimum characteristic parameter. In this paper,  the selected  sample images and experiments  require  gray-scale processing, and  image smoothing. The paper mainly uses median filter and neighborhood average method for image preprocessing. On the basis of pre-processing, the paper is going to extract the feature of texture and shape about digital image. In the shape  feature extraction, on the one hand,  some of the basic parameters of the shape of sample images, including area, perimeter, circularity and shape complexity of comparing are measured; on the other hand, binding characteristics of moments and mean, variance, entropy, gradient analyzes the characteristics of the shape. In the texture feature extraction, using local binary patterns and completely local binary pattern to extract texture feature. Extracting Histogram of CLBP and LBP of sample images  compares  their similarity by computing  histogram distance  of  the training image and test image. Equivalence mode selects LBP, LBP rotation invariant pattern, CLBP_S mode and CLBP_S_M four modes, using the nearest neighbor classifier to classify images.
 
Keywords: image processing; LBP; shape feature; moments feature
 
目录
 
第一章绪论.1
 
1.1研究意义..1
 
1.2图像特征提取技术的发展趋势2
 
1.3研究内容..2
 
1.4研究方法..2
 
第二章图像预处理技术.4
 
数字图像特征提取+matlab源代码:http://www.lwfree.com/fanyi/lunwen_64783.html
 
------分隔线----------------------------

 
引言
 
车牌识别系统是一项比较成熟的技术，并且已经得到了广泛的应用：
 

  
  
图1 图片识别系统(图片来源于百度)
 
 
车牌识别技术主要包含三个方面：车牌定位、字符分割和字符识别三个核心模块。车牌定位是利用车牌的颜色和形状特征确认并获取汽车的车牌位置；字符分割是将获取到的车牌切割成单个字符；字符识别目前主要有基于模板匹配算法和基于人工神经网络算法对切割的字符进行识别。下面我们对基于MATLAB的车牌识别系统进行详细的介绍。
 
本文重点讲解车牌定位的实现。
 
1.图像数据读入
 
这里所说的车牌识别是基于图像的车牌识别技术。要想实现车牌识别，首先要从计算机中读取含有要识别车牌的图片，MATLAB常用的读取图片有两种方式，一是利用uigetfile函数，执行此函数可得到供用户选择图片文件的对话框，用户选择要识别的图片并确定后，会返回此图片的文件名和路径名。二是利用imread函数将图像数据读出，赋值给变量I，从而实现图像数据的读入。读取之后的I矩阵是一个三维矩阵，第一第二维表示图像的宽和高，第三维表示RGB三色。
 

  
  
图2 读取图片
 
 
素材图片来源于百度图库。
 
2. 图像转换
 
我们读取图片之后得到的矩阵式三维数据I，而在处理图片时，我们只需要其中的一种颜色就可以实现图片的识别，这样就降低了数据处理的复杂程度。使用的函数是rgb2gray函数，该函数接收一个彩色图像，返回该图像转换为灰度图后的图像数据，并将该数据赋值给变量I1，转换完之后的I1也是矩阵，但是是二维矩阵，没有彩色信息。
 

  
  
图3 灰度图像
 
 
3. 边缘检测
 
图像的边缘检测是数字图像处理的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的来实现的。
 
常用的边缘检测算子有：Roberts Cross算子，Prewitt算子，Sobel算子， Kirsch算子，罗盘算子，Canny算子，Laplacian算子等，本文采用最常用的一阶算子Roberts Cross算子，计算得到如下结果：
 

  
  
图4 边缘检测
 
 
4. 图像腐蚀
 
腐蚀主要用于形态学中除去图像的某些部分，Matlab用imerode函数实现图像腐蚀。常见图像形态学运算：腐蚀、膨胀、开运算、闭运算、骨架抽取等，其中最基本的形态学操作是：膨胀和腐蚀。
 
膨胀和腐蚀的主要用途：消除噪声；分割出独立的图像元素，在图像中连接相邻的元素；寻找图像中明显的极大值或极小值区；求出图像的梯度。腐蚀和膨胀是对像素值大的部分而言的，即高亮白部分而不是黑色部分，腐蚀是图像中的高亮部分被腐蚀掉，领域缩减，效果图拥有比原图更小的高亮区域。
 
所以说，腐蚀之后的图像是取原图像更精华的部分，从而去除噪声。
 

  
  
图5 图像的腐蚀
 
 
5. 图像平滑处理
 
图像平滑是指用于突出图像的宽大区域、低频成分、主干部分或抑制图像噪声和干扰高频成分的图像处理方法，目的是使图像亮度平缓渐变，减小突变梯度，改善图像质量。图像平滑的方法包括：插值方法，线性平滑方法，卷积法等等。这样的处理方法根据图像噪声的不同进行平滑，比如椒盐噪声，就采用线性平滑方法。下面给出平滑后的效果图。
 

  
  
图6 图片的平滑处理
 
 
6. 移除小对象
 
bwareaopen是matlab函数，作用是删除二值图像BW中面积小于P的对象，默认情况下conn使用8邻域。本文利用bwareaopen函数对图像的小对象进行剔除。
 

  
  
图7 移除小对象
 
 
7. 确定车牌位置
 
通过上面的6步骤处理之后，我们可以看出，已经基本确定了车牌所在的位置，现在需要将车牌在图片中的具体坐标确定，以方便下一步的剪裁。
 
这里确定车牌位置的思路为：找出图像矩阵中最大的元素，它所对应的行即为该二值图像中白色像素点最多的行，该行可认为是靠近车牌中心的一行。 然后我们以这一行为起点，分别向上向下逐行扫描，确定车牌的上边界(或下边界)。 同理，我们可以用相同的方法确定出车牌的左边界和右边界。
 

  
  
图8 确定车牌在图中的位置
 
 
8. 剪切出车牌
 
第7步我们已经确定了车牌在图中的方位，下面直接剪切出相应的数据即可：
 

  
  
图9 车牌剪切图
 
 
总结
 
本文主要讲解了车牌识别中的车牌定位问题。(未完待续)