影象特徵及其提取演算法
阿新 • • 發佈：2019-01-02
影象特徵定義
至今為止特徵沒有萬能和精確的定義。特徵的精確定義往往由問題或者應用型別決定。特徵是一個數字影象中“有趣”的部分，它是許多計算機影象分析演算法的起點。因此一個演算法是否成功往往由它使用和定義的特徵決定。因此特徵檢測最重要的一個特性是“可重複性”：同一場景的不同影象所提取的特徵應該是相同的。(轉自維基百科)特徵分類
根據影象屬性分類：
常用的影象特徵有顏色特徵、紋理特徵、形狀特徵、空間關係特徵.
一 顏色特徵（一）特點：顏色特徵是一種全域性特徵,描述了影象或影象區域所對應的景物的表面性質.一般顏色特徵是基於畫素點的特徵,此時所有屬於影象或影象區域的畫素都有各自的貢獻.由於顏色對影象或影象區域的方向、大小等變化不敏感,所以顏色特徵不能很好地捕捉影象中物件的區域性特徵.另外,僅使用顏色特徵查詢時,如果資料庫很大,常會將許多不需要的影象也檢索出來.顏色直方圖是最常用的表達顏色特徵的方法,其優點是不受影象旋轉和平移變化的影響,進一步藉助歸一化還可不受影象尺度變化的影響,基缺點是沒有表達出顏色空間分佈的資訊.
（二）常用的特徵提取與匹配方法
（1） 顏色直方圖
其優點在於：它能簡單描述一幅影象中顏色的全域性分佈,即不同色彩在整幅影象中所佔的比例,特別適用於描述那些難以自動分割的影象和不需要考慮物體空間位置的影象.其缺點在於：它無法描述影象中顏色的區域性分佈及每種色彩所處的空間位置,即無法描述影象中的某一具體的物件或物體.
最常用的顏色空間：RGB顏色空間、HSV顏色空間.
顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法.
（2） 顏色集（Smith和Chang）
顏色直方圖法是一種全域性顏色特徵提取與匹配方法,無法區分區域性顏色資訊.顏色集是對顏色直方圖的一種近似首先將影象從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間）,並將顏色空間量化成若干個柄.然後,用色彩自動分割技術將影象分為若干區域,每個區域用量化顏色空間的某個顏色分量來索引,從而將影象表達為一個二進位制的顏色索引集.在影象匹配中,比較不同影象顏色集之間的距離和色彩區域的空間關係
（3） 顏色矩（stricker和0reng0）
這種方法的數學基礎在於：影象中任何的顏色分佈均可以用它的矩來表示.此外,由於顏色分佈資訊主要集中在低階矩中,因此,僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達影象的顏色分佈.
（4） 顏色聚合向量
其核心思想是：將屬於直方圖每一個柄的畫素分成兩部分,如果該柄內的某些畫素所佔據的連續區域的面積大於給定的閾值,則該區域內的畫素作為聚合畫素,否則作為非聚合畫素.
（5） 顏色相關圖
二 紋理特徵
（一）特點：紋理特徵也是一種全域性特徵,它也描述了影象或影象區域所對應景物的表面性質.但由於紋理只是一種物體表面的特性,並不能完全反映出物體的本質屬性,所以僅僅利用紋理特徵是無法獲得高層次影象內容的.與顏色特徵不同,紋理特徵不是基於畫素點的特徵,它需要在包含多個畫素點的區域中進行統計計算.在模式匹配中,這種區域性的特徵具有較大的優越性,不會由於區域性的偏差而無法匹配成功.作為一種統計特徵,紋理特徵常具有旋轉不變性,並且對於噪聲有較強的抵抗能力.但是,紋理特徵也有其缺點,一個很明顯的缺點是當影象的解析度變化的時候,所計算出來的紋理可能會有較大偏差.另外,由於有可能受到光照、反射情況的影響,從2-D影象中反映出來的紋理不一定是3-D物體表面真實的紋理.
例如,水中的倒影,光滑的金屬面互相反射造成的影響等都會導致紋理的變化.由於這些不是物體本身的特性,因而將紋理資訊應用於檢索時,有時這些虛假的紋理會對檢索造成“誤導”.
在檢索具有粗細、疏密等方面較大差別的紋理影象時,利用紋理特徵是一種有效的方法.但當紋理之間的粗細、疏密等易於分辨的資訊之間相差不大的時候,通常的紋理特徵很難準確地反映出人的視覺感覺不同的紋理之間的差別.
（二）常用的特徵提取與匹配方法
紋理特徵描述方法分類
（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法。Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上,通過實驗,得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性.統計方法中另一種典型方法,則是從影象的自相關函式（即影象的能量譜函式）提取紋理特徵,即通過對影象的能量譜函式的計算,提取紋理的粗細度及方向性等特徵引數
（2）幾何法
所謂幾何法,是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法.紋理基元理論認為,複雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重複排列構成.在幾何法中,比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法.
（3）模型法
模型法以影象的構造模型為基礎,採用模型的引數作為紋理特徵.典型的方法是隨機場模型法,如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法
（4）訊號處理法
紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自迴歸紋理模型、小波變換等.
灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個引數.Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究,提出6種屬性,即：粗糙度、對比度、方向度、線像度、規整度和粗略度.自迴歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用例項.
三 形狀特徵
（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用影象中感興趣的目標來進行檢索,但它們也有一些共同的問題,包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標區域性的性質,要全面描述目標常對計算時間和儲存量有較高的要求；④許多形狀特徵所反映的目標形狀資訊與人的直觀感覺不完全一致,或者說,特徵空間的相似性與人視覺系統感受到的相似性有差別.另外,從 2-D 影象中表現的 3-D 物體實際上只是物體在空間某一平面的投影,從 2-D 影象中反映出來的形狀常不是 3-D 物體真實的形狀,由於視點的變化,可能會產生各種失真.
（二）常用的特徵提取與匹配方法
Ⅰ幾種典型的形狀特徵描述方法
通常情況下,形狀特徵有兩類表示方法,一類是輪廓特徵,另一類是區域特徵.影象的輪廓特徵主要針對物體的外邊界,而影象的區域特徵則關係到整個形狀區域.
幾種典型的形狀特徵描述方法：
（1）邊界特徵法該方法通過對邊界特徵的描述來獲取影象的形狀引數.其中Hough 變換，檢測平行直線方法和邊界方向直方圖方法是經典方法.Hough 變換是利用影象全域性特性而將邊緣畫素連線起來組成區域封閉邊界的一種方法,其基本思想是點—線的對偶性；邊界方向直方圖法首先微分影象求得影象邊緣,然後,做出關於邊緣大小和方向的直方圖,通常的方法是構造影象灰度梯度方向矩陣.
（2）傅立葉形狀描述符法
傅立葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅立葉變換作為形狀描述,利用區域邊界的封閉性和週期性,將二維問題轉化為一維問題.
由邊界點匯出三種形狀表達,分別是曲率函式、質心距離、復座標函式.
（3）幾何引數法
形狀的表達和匹配採用更為簡單的區域特徵描述方法,例如採用有關形狀定量測度（如矩、面積、周長等）的形狀引數法（shape factor）.在 QBIC 系統中,便是利用圓度、偏心率、主軸方向和代數不變矩等幾何引數,進行基於形狀特徵的影象檢索.
需要說明的是,形狀引數的提取,必須以影象處理及影象分割為前提,引數的準確性必然受到分割效果的影響,對分割效果很差的影象,形狀引數甚至無法提取.
（4）形狀不變矩法
利用目標所佔區域的矩作為形狀描述引數.
（5）其它方法
近年來,在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函式（Turning Function）和小波描述符（Wavelet Descriptor）等方法.
Ⅱ 基於小波和相對矩的形狀特徵提取與匹配
該方法先用小波變換模極大值得到多尺度邊緣影象,然後計算每一尺度的 7個不變矩,再轉化為 10 個相對矩,將所有尺度上的相對矩作為影象特徵向量,從而統一了區域和封閉、不封閉結構.
四 空間關係特徵
（一）特點：所謂空間關係,是指影象中分割出來的多個目標之間的相互的空間位置或相對方向關係,這些關係也可分為連線/鄰接關係、交疊/重疊關係和包含/包容關係等.通常空間位置資訊可以分為兩類：相對空間位置資訊和絕對空間位置資訊.前一種關係強調的是目標之間的相對情況,如上下左右關係等,後一種關係強調的是目標之間的距離大小以及方位.顯而易見,由絕對空間位置可推出相對空間位置,但表達相對空間位置資訊常比較簡單.
空間關係特徵的使用可加強對影象內容的描述區分能力,但空間關係特徵常對影象或目標的旋轉、反轉、尺度變化等比較敏感.另外,實際應用中,僅僅利用空間資訊往往是不夠的,不能有效準確地表達場景資訊.為了檢索,除使用空間關係特徵外,還需要其它特徵來配合.
（二）常用的特徵提取與匹配方法
提取影象空間關係特徵可以有兩種方法：一種方法是首先對影象進行自動分割,劃分出影象中所包含的物件或顏色區域,然後根據這些區域提取影象特徵,並建立索引；另一種方法則簡單地將影象均勻地劃分為若干規則子塊,然後對每個影象子塊提取特徵,並建立索引.（轉自csdn）
根據需要提取的特徵分類： 邊緣邊緣是組成兩個影象區域之間邊界（或邊緣）的畫素。一般一個邊緣的形狀可以是任意的，還可能包括交叉點。在實踐中邊緣一般被定義為影象中擁有大的梯度的點組成的子集。一些常用的演算法還會把梯度高的點聯絡起來來構成一個更完善的邊緣的描寫。這些演算法也可能對邊緣提出一些限制。
區域性地看邊緣是一維結構。
角
角是影象中點似的特徵，在區域性它有兩維結構。早期的演算法首先進行邊緣檢測，然後分析邊緣的走向來尋找邊緣突然轉向（角）。後來發展的演算法不再需要邊緣檢測這個步驟，而是可以直接在影象梯度中尋找高度曲率。後來發現這樣有時可以在影象中本來沒有角的地方發現具有同角一樣的特徵的區域。
區域
與角不同的是區域描寫一個影象中的一個區域性的結構，但是區域也可能僅由一個畫素組成，因此許多區域檢測也可以用來監測角。一個區域監測器檢測影象中一個對於角監測器來說太平滑的區域。區域檢測可以被想象為把一張影象縮小，然後在縮小的影象上進行角檢測。
脊
長條形的物體被稱為脊。在實踐中脊可以被看作是代表對稱軸的一維曲線，此外區域性針對於每個脊畫素有一個脊寬度。從灰梯度影象中提取脊要比提取邊緣、角和區域困難。在空中攝影中往往使用脊檢測來分辨道路，在醫學影象中它被用來分辨血管。
特徵抽取
特徵被檢測後它可以從影象中被抽取出來。這個過程可能需要許多影象處理的計算機。其結果被稱為特徵描述或者特徵向量。
hog特徵提取演算法簡介：