（计算机软件与理论专业论文）基于神经网络的图像特征分析.pdf

基于神经网络的图像特征分析 学科：计算机软件与理论 戮篇鬻 指导教师签字：与彪彳， 摘要 人们能很准确的识别出同类性质的图像，而且无论它在什么样的背景中，无论它放大、 缩小、平移和旋转等等。这主要由于人们能识别出特征，尤其是它的轮廓和形状特征。随 着计算机图像特征分析技术的发展，我们已经能基本提取出物体的形状特征，但与人脑的 差别还是很大，而且不具有人脑的智能。本文目的主要是研究基于神经网络技术的机器视 觉识别系统，使其具有类似人脑的识别物体形状特征的能力，并能较为有效的提取出物体 的形状特征，并将结果主要应用于航空仪表的特征分析。 在本文中，采用了基于神经网络特征提取技术的设计思想。通过分析大量物体形状特 性和指针式仪表的形状和结构特征，考虑到良好的特征应具有可区别性、可靠性、独立性 好、数量少的特点，将航空仪表的特征分为：圆弧、矩形和直线三个类型。通过研究发现 b p 网络能够根据样本学习，具有自组织性、自学习性和容错性等特性，因此提出了基于 模糊b p 神经网络的特征提取方法。并研究了由模糊隶属度和特征矩阵组成的模糊加权算 子，由均方差理论产生的均方差权值，在提取过程中对神经网络的模型进行了改进。在对 大量图像特征识别的基础上，引入了对指针式仪表表盘的特征提取，并分析结果和意义。 本系统软件设计中采用了面向对象程序设计的思想，同时在v c + + 6 o 平台上开发了基 于神经网络的图像特征提取的检测软件，从理论上和实践上实现了对航空仪表表盘的特征 分析。 本文所使用的方法，在机器视觉模式识别中较为智能，它能基本提取出航空仪表的三 类形状特征。 关键词：特征提取；模糊；神经网络；特征矩阵；均方差权值 i m a g ec h a r a c t e r i s t i cr e c o g n i t i o nb a s e do n f u z z yn e u r a ln e t w o r k d i s c i p l i n e ：c o m p u t e rs o f t w a r ea n dt h e o r y s t u d e n ts i g n a t u r e ：巍丫嗍 鲫哪泌稍远咖暇吻咖谚巩八 t h ep e o p l ec a nr e c o g n i z et h en a t u r ei m a g ea c c u r a t e l y ，w h a t e v e rt h ei m a g e sh a v ea n yk i n d o fb a c k g r o u n d s ，t h e ye n l a r g eo rr o d u c 圮，t r a n s l a t eo rr e v o l v e p e o p l ec a nd i s t i n g u i s ht h ef e a t u r e ， i np a r t i c u l a ri t so u t l i n ea n d s h a p ef e a t u r e w i t ht h ed e v e l o p m e n to ft h et e c h n o l o g yi nc o m p u t e r i m a g ef e a t u r ea n a l y s i s ，w ec o u l da l r e a d ya n a l y z et h es h a p ef e a t u r e b u ti tc a nn o tb ea c c u r a t e a n di n t e l l i g e n tw i t ht h eh u m a nb r a i n t h i sp a p e rs t u d i e sh o wt om a k ec o m p u t e ra n a l y z et h e d i f f e r e n ti m a g e s ，e s p e c i a l l yt h e i rs h a p ef e a t u r e a n du s et h et e c h n o l o g yi nt h ea e r o n a u t i c a l i n s t r u m e n tf e a t u r ea n a l y s i s i nt h i sp a p e r , b a s e do nt h en e u r a ln e t w o r ki m a g ef e a t u r et e c h n o l o g y , t h r o u g ha n a l y z i n g m a s s i v es h a p ef e a t u r eo fm a n yk i n d so fi m a g e s , c o n s i d e r e dt h a tt h eg o o df e a t u r es h o u l db e d i s t i n g u i s h a b l e ，r e f i a b i l i t y , i n d e p e n d e n ta n df e wq u a n t i t y u n d e rt h i sp r i n c i p l e ，t h ep a p e r d i v i d e st h ea e r o n a u t i c a li n s t r u m e n ti n t ot h r e ef e a t u r e s ：c i r c u l a ra r c , r e c t a n g l ea n ds t r a i g h tl i n e t h ep a p e rd i s c o v e r st h eb pn e t w o r kh a sm a n ya d v a n t a g e s i tc a ns t u d yi t s e l fa n dc a nm a k e c o m p l e xm a p p i n g r e l a t i o n sb e t w e e nt h ei n p u ta n do u t p u t s ot h ep a p e r ，b a s e do nt h ef u z z yb p n e u r a ln e t w o r kf e a t u r ee x t r a c t i o nm e t h o d ，h a ss t u d i e dt h ef u z z yw e i g h r i n go p e r a t o rw h i c hi s c o m p o s e db yt h ef u z z yd e g r e eo fm e m b e r s h i p ，t h ef e a t u r em a t r i x , a n dt h es q u a r e - v a r i a n c e w e i g h t , m a k et h ei m p r o v e m e n ti nt h ei m a g ee x t r a c t i o nf i e l d b ye x a m i n a t i o na n ds t u d i e s m a s s i v ei m a g ef e a t u r e s , i ti n t r o d u c e st h ei m a g ef e a t u r ea n a l y s i so ft h ea e r o n a u t i c a li n s t r u m e n t i nt h i sp a p e r 。s o f t w a r ed e s i g nh a su s e dt h ei d e ao fo b j e c t - o r i e n t e dp r o g r a m m i n ga n dt h ev c + + 6 0p l a t f o r m t h i sp a p e rr e a l i z e st h ei n s t r u m e n tf e a t u r ee x t r a c t i o nn o to n l yi nt h ee x a m i n a t i o n , b u ta l s oi nt h ep r a c t i c e i nb f i e lt h et e c h n o l o g yo ft h ep a p e r , b a s e do nt h en e u r a ln e t w o r kf e a t u r ea n a l y s i s t e c h n o l o g y ，t oa n a l y z et h eb a s i ci m a g es h a p ef e a t u r e ，c a l lm a k et h ec o m p u t e rm o r ei n t e l l i g e n ti n t h ep a t t e mr e c o g n i t i o n i ti sa ne f f e c t i v em e t h o d a n d 啪b eu s e dt ot h ec o m p u t e ri m a g ef e a t u r e a n a l y s i s ，e s p e c i a l l yt h es h a p ee x t r a c t i o ni na e r o n a u t i c a li n s t r u m e n t k e yw o r d s ：f e a t u r ee x t r a c t i o n ；f u z z y ；n e u r a ln e t w o r k ；f e a t u r em a t r i x ；s q u a r e - v a r i a n c e w e i g h t 学位论文知识产权的声明 学位论文知识产权的声明 本人完全了解西安工业大学有关保护知识产权的规定，即研究生在校攻读学位期间学 位论文工作的知识产权属于西安工业大学。本人保证毕业离校后，使用学位论文工作成果 或用学位论文工作成果发表论文时署名仍然为西安工业大学。大学有权保留送交的学位论 文的复印件，允许学位论文被查阅和借阅：学校可以公布学位论文的全部或部分内容，可 以采用影印、缩印或其他复制手段保存学位论文。 ( 保密的学位论文在解密后应遵守此规定) 学位论文作者签名：未，1 洋 指导教师签名 日期： 刀以，矽，一， 5 5 学位论文独创性声明 学位论文独创性声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的学位论文是我个人在导师 指导下进行的研究工作所取得的研究成果。尽我我知，除了中文特别加以标注和致谢的地 方外，学位论文中不包含其他人已经发表或撰写过的成果，不包含本人已申请学位或他人 已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的任何贡献均已 在论文中作了明确的说明并表示了致谢。 学位论文与资料若有不实之处，本人承担一切相关责任。 学位论文作者躲麦、1 群 指导教师签名 日期： 缘无 力叼，伽 5 6 1 绪论 1 1 问题的提出及研究的意义 1 绪论 人类感知外界信息的感觉主要包括视觉、听觉、嗅觉、触觉、味觉等，其中视觉所获 得的信息占据人类所能获得信息的8 0 以上，由此可见视觉是人的最重要的信息获取方 式。机器视觉又叫计算机视觉，是用机器系统( 计算机系统) 来对人的视觉的模拟和延伸。 机器视觉的目的是通过电子化的感知和理解图像，复制人的视觉的效果。机器视觉的系统 先从外界获得需要的二维图像信息，然后运用系统内部的处理模块对二维图像进行处理， 尽可能滤去噪声和不需要的信息，为后面的图像理解奠定基础，在此之后，系统中的图像 分析和理解模块对图像中的内容实现理解，在读懂图像的信息后进而得到外界物体的信息 并根据结果发出控制信息，系统的控制和运动模块在获得这个控制信息之后完成系统的动 作。 1 1 1 机器视觉技术 视觉信息是人类获得外界信息的主要途径之一，因此，当计算机技术的发展推动了人 工智能的研究之后，以计算机技术为基础的机器视觉技术也成为当前热门的研究领域之 一，其研究和应用的前景也越来越广泛。这里的机器视觉技术是指人类使计算机通过对二 维图像来获得认知三维的外界信息的能力，也就是模拟人的视觉能力对客观世界的实体场 景的感知、识别和理解，计算机不仅要得到外界三维物体的几何信息，还要得到物体的形 状、位置、姿态和运动等，并且可以对他们进行描述、存储、识别和理解。 对生物视觉系统的研究，以及对神经生理学、心理学和认知学的研究共同构成了机器 视觉研究的最初的基石。以人的视觉为例，如图1 1 ，可见光照射到物体上后，反射光经 过人眼的光学系统在眼底的视网膜上形成物像，视网膜上的感光细胞将其所接受到的光转 化为生物的神经冲动，再经过视交叉的部分交换神经纤维形成视束，最后到达中枢神经系 统，包括丘脑的外膝体、上丘和视皮层。生物视觉系统需要识别物体的形状与颜色，还要 得到三维物体的深度信息，检测物体的方位与运动参数、空间和时间的频率特性等，因此， 生物视觉系统是一个串行处理与并行处理并存的系统。 感光细胞 宓 眼球 物体 神经脉冲视柬 + - + 视网膜上成像 图1 1 生物视觉过程 中枢神经系统 西安工业大学硕士学位论文 1 1 2 机器视觉技术的特点及意义 在机器视觉的研究过程中有很多相关的概念，比如图像处理，图像理解，图像分析等 等，这些概念或者说研究方向都是对利用计算机对数字图像的一种操作行为，各自的侧重 点有所不同，目的也有些不一样，但是它们之间没有严格的区分界限。计算机视觉技术、 图像处理、图像理解、图像分析都是关于计算机技术发展起来的，它们之间的关系如图 1 2 ： 高层 是图像的特征信息 结果是图像 低层次 图1 2 计算机视觉、图像处理、图像分析、图像理解之间的关系 图像处理处在关系表的最底层，通常是指的图像像素之间的各种变换，滤波，压缩等 操作。图像处理的结果仍然是图像。图像分析主要是对图像中感兴趣的目标进行检测和测 量，从而建立对图像的描述。图像分析的结果是一些数值或者符号。图像理解就是对图像 的理解，是在图像分析的基础上，结合人工智能和图像的认知理论，研究图像中各目标之 闻的性质和相互关系，并理解图像的内容的含义以及解释原来的客观场景，从而进行指导 和活动。图像理解的目标是用计算机来帮助解释图像的含义，进而解释客观世界。图像理 解是基于知识的过程，只有对图像的相关的知识充分了解后才能实现对图像的正确的理 解。图像理解的过程可以如下：滤波、分割、低层次图像理解、高层次的图像理解。 图像理解和机器视觉是密切相关的，他们之间其实没有明显本质的区别，他们的目的 都是实现对客观世界的认知和理解，所涉及的内容在很多时候是交叉重合的，很多时候他 们之间并不作严格的区分，经常混合使用。在本文中所指的机器视觉更多的偏重于对系统 的总体特点的描述，图像理解则更多的指机器视觉系统中机器所进行的理解性工作。 1 1 3 特征分析及课题的提出 特征识别是对一个物体识别能力的最主要判定。当我们看到一个物体时，我们的大脑 会识别出它的许多特性，然后记住这些特性。之后我们再遇到同样类型的物体时，我们便 能识别出它，甚至能发现它就是曾经见过的，即使它会有或大或小的变化，比如改变了环 境和背景，光线不一样，放置的角度不同等等。这些都不会影响我们对它的辨别能力，但 是计算机却不同。随着计算机特征分析技术的发展，越来越多的算法和理论应用到特征提 取中去，但总是差强人意。原因是计算机不能想人脑那样思维，不能想人脑那样智能，算 2 西安工业大学硕士学位论文 法毕竟都是数字化的，不能给出一个总体的、概念上的辨别能力。 在航空仪表的识别中也经常会遇到这样的问题。我们通过机器视觉技术将航空仪表的 图像采集出来并进行分析，提取它的形状和结构特征，对它进行识别。在这些过程中总会 有这样那样的干扰和变形，以至于我们对它的形状和结构特征无法做出判断。 本课题是宝成仪表厂对仪表生产过程中在线检测项目中的一个分支，主要负责视觉检 测。针对我们所提出的视觉检测中的特点与不足，我们需要提出一种较为有效和智能的特 征识别技术，让计算机更接近人脑的能力，以节省更多的人工劳动，也让计算机对图像的 识别与理解达到较高的能力。所以我们采用了特征分析方法中的神经网络方法，它的模型 更接近人脑的思维模型，并将神经网络与人工智能结合在一起，建立了模糊神经网络。 神经网络本来就具有很好的学习性，并将人类一样并行思维，而且在不断的学习中校正对 事物的认识。在仪表检测过程中，通过对大量仪表图像的训练之后，形成一个比较成熟的 可以分析仪表形状特征的神经网络，用来分析仪表生产线上仪表的特征，并给出相应的误 差数据。 1 2 特征提取的研究现状 图像的特征提取方法成百上千，但是主要分为以下四种【1 l ： 1 ) 统计法比如直方图法就属于这类方法 2 1 。另外，如果将图像作为一个二维的随 机变量，那么统计学中的矩可以用以描述和分析图像。 2 ) 变换系数法使用数学变换，我们可以将图像的变换系数作为一种图像特征 3 1 。 众所周知的傅利叶描述予( 傅利叶系数) 能较好的描述目标的边界。同时，傅利叶变换还 能够用来提取图像的纹理特征。 3 ) 代数法图像的代数特征代表了图像内在的分布1 4 。每个图像都可以作为一个矩 阵。因此，不同的代数变换或矩阵分解都可以用来提取图像的代数特征。有名的k - l 变换 就是基于相关矩阵的特征向量基础上的一种代数特征提取方法。由于矩阵的特征向量代表 了矩阵的代数分布，是几何不变的，所以特征向量可以被看作图像的一种特征。图像的另 一种代数特征是奇异值。奇异值分解已经应用在图像压缩、信号处理和模式分析中。 4 ) 神经网络方法随着神经网络的出现，许多问题都可以转化为将原始的数据送入 神经网络，经过适当的训练就得到数据的特征集。在各种各样的人工神经网络模型中，在 模式识别中应用最多也是最成功的当数多层前馈神经网络，其中又以采用b p 学习算法的 多层感知器( 习惯上简称为b p 网络) 为代表。一个简单的b p 网络由输入层、隐含层和 输出层构成n 1 6 1 1 7 1 。b p 网络是一个将图像特征提取和模式分类融合在一起的神经网络；图 像数据通过输入层进入网络，通过加权然后输入到隐含层，而此时的隐含层就相当于一个 特征提取器，隐层的输出结果再作为输出层的输入。 1 2 1 本课题的国外研究现状 1 1 曲线拟合法文献1 8 】对某种曲线特征进行提取，当一曲线可以近似用所讲的特殊 3 西安工业大学硕士学位论文 函数来表示时，认为它在某种意义上是环的特征。 2 ) 代数法文献1 9 将二维物体变为一维距离特征，使用c e n t r o i d - c o n t o u rd i s t a n c e ( c c d ) c u i v e ，将二维图像的特征转化为一维数据。 3 ) h o u g h 变换s a b l a t n i g 等人在文献i m1 1 彤】中讲述了另一种指针表识别的方法。与 c o r r a a l e g r i a 处理的指针表不同的是s a b l a t n i g 处理的是水表，百分表等刻度分布为一个 圆周的表，这类指针表的指针旋转角度范围是3 6 0 度，因此s a b l a t n i g 可以在图像分割 完成之后直接利用h o u g h 变换得到指针的角度，以此来确定指针表的读数。 4 ) 神经网络方法文献【1 6 】采用前向、多层神经网络、b p 学习算法，将神经网络用于 特征提取中。文献m 使用了自组织特征映射网络，将模糊集运用到神经网络中。文献i m l 采用了一种基于上下文结构的神经网络。文献【1 9 1 提出了基于图像边缘融合技术的神经网 络。 1 2 2 本课题的国内研究现状 目前研究形状特征的方法各种各样，每个方法都有自己的特点，也可以将一种方法建 立在另一种之上。下面是几种基本的方法及研究现状。 1 ) 统计法概率较大的向量基本上都是具有灰度阶跃或值较大的点，用这种方法可 以基本将图像的形状特征提取出来。文献【驯将图像中某种范围内的像素值出现的概率分 别分类，将概率较大的两个向量合二为一。 2 ) 链码基于边缘间的相互连接性的一种技术，主要是从一个起始点根据四邻接和 八邻接的关系跟踪边界。文献【2 l 】采用链码跟踪技术，在原有的链码技术上做了修改。 3 ) 相关系数法通过比较识别图与标准图之间的相互关系，将识别图的特征向量和 标准图的特征向量之间通过线性运算相关起来。文献采用的相关系数法，使用了线性 变换。文献瞄】运用仿射不变性原理来识别形状特征。文献1 2 4 l 是一种基于轮廓的图像融合 算法，运用到了仿射不变性技术。 4 ) 基于判据的特征选择法通过某种准则即可分类判据，将形状特征以某种参数的 判定提取出来。文献 2 5 1 采用k t 变换，基于判别数来提取形状特征。文献【蚓使用了一种 改进的f i s h e r 判据。 5 ) 不变性主要指形状特征的四个不变性：灰度畸变性、平移不变性、旋转不变性、 比例不变性。目前主要采用三种不变特征：归一化转动惯量( n m i ) 、不变矩特征、比例特 征。文献阳中阐述了上述的几种方法，并给于分析和比较。文献【2 8 l 采用了不变矩特征， 并将其投影到相应的坐标迸行匹配。文献1 2 9 l 也是采用了7 个不变矩来提取形状特征。文 献p o l 3 1 】使用归一化转动惯量( n m i ) ，保持了特征的四个不变性。 旬互信息用来研究图像特征之间的互相关联的最大信息，以此用来表示这些特征 是我们所需要的显著且较为准确的形状特征。文献【3 2 1 采用了将图像中的特征点进行聚类 的方法。文献1 3 3 】通过对曲线角度特征的研究，发现了一种基于互相关性的判据。文献p 4 1 在基于边缘检测的基础上提出特征点方法。 4 西安工业大学硕士学位论文 7 ) 几何参数及其他参数主要通过一些几何参数，如可以得到区域的面积、重心、 主轴方向角、等效椭圆的长轴、短轴、长短轴比( 扁度) 等特征参数；一些其他参数， 如共生矩阵、特征向量等来识别形状特征。文献【3 5 1 在基于链码的基础上研究了烟叶的长 度、宽度、长宽比等几何参数。文献冈使用了面积、圆度、角度、质心等7 种不同的几 何参数。文献【3 7 1 使用了灰度共生矩阵这一参数来提取形状特征。 8 ) 小波变换将光学中的小波变换原理应用到特征识别中。文献1 3 s 】采用了普通的小 波变换。文献【3 9 】将基于小波变换傅利叶变换应用到特征提取。文献 4 0 l 使用了二代小波变 换理论。 9 ) 投影法将原有的坐标轴上的信息通过不同的投影方式，通过降低维数后的参数 来提取形状特征，典型的有r a d o n 变换和h o u g h 变换。文献【4 1 1 1 4 2 l 使用了r a d o n 变换。文 献1 4 3 1 4 4 在识别指针式仪表时采用了h o u g h 变换。 1 0 ) 神经网络方法基于神经网络的一种特征识别技术，采用类似人类大脑网状结构 神经的模型，通过加权和激励作用对特征进行分类和提取。由于神经网络的高速并行处理、 分布存贮信息等特征符合人类视觉系统得基本工作原则，具有很强的自学性、自组织性、 容错性、高度非线性、联想记忆功能和推理意识功能等，能够实现目前基于计算理论层次 上的模式识别理论所无法完成的模式信息处理工作。所以，采用神经网络进行模式识别， 突破了传统模式识别技术的束缚，开辟了模式识别发展的新途径。同时，神经网络模式识 别也成为神经网络最成功和最有前途的应用领域之一。神经网络的信息分布式存储于连接 权值系数中，使网络具有很高的容错性，而图像识别中往往存在噪声或输入图像的部分损 失，因此神经网络可以较好的解决图像识别问题。文献1 4 5 j 针对人脸图像分别提取整体和 局部的d c t 系数共同送入多层感知机分类其分类。文献脚l 采用神经网络的特征提取方法， 并用边缘融合技术将有结构和无结构的区域分开，方便结构特征的提取。文献1 4 7 l 提出了 一种利用网格技术和g a b o r 变换直接从灰度图像进行特征提取的新方法，并设计了一种集 成型神经网络模型来进行识别。文献【鹌】采用了二级神经网络，为其向多级发展奠定了基 础。文献【4 9 l 采用了细胞神经网络模型，并通过模板的匹配实现逻辑运算。文献【删采用了 二维k o h o n e n 网络结构并结合b p 神经网络和s i g m o i d 激励函数。文献【5 1 】基于自组织特征 映射神经网络。 1 2 3 本系统研究的内容和特点 本系统对数字图像处理和模式识别的原理展开了研究，并对航空仪表的特征识别进行 了试验。主要的研究内容如下： 1 ) 高通滤波对原始图像进行高通滤波处理，将高频信息过滤出来，为之后的处理 做基础。 2 ) 边缘检测对高通滤波后的图像进行边缘检测处理，提取图像边缘，为之后的形 状和结构特征的分析打好基础。 3 ) 采用模糊b p 神经网络识别方法对预处理后的图像进行特征分析采用模糊算子 s 西安工业大学硕士学位论文 进行加权，并加上b p 网络的反馈作用对其修正。 4 ) 训练大量的样本图像将模糊加权算子调整到较好的状态，使其对所需识别的图 像能有较高的识别率和较低的相对误差。 5 ) 对前期处理所得到的样本进行分析，引入航空仪表图像的特征提取分析误差并 得出图像识别的结果，并比较与前人研究结果的差别和优越点。 特征提取有多种方法而且很多方法已经十分成熟，本系统采用神经网络方法主要是由 于神经网络有众多优点和特点。神经网络的应用越来越广泛，尤其是在图像处理领域。神 经网络发展到今天，与人工智能结合的越来越紧密，已经不再是简单的数字运算，目前已 经与模糊理论联系起来，形成一种智能的神经网络。之前的技术很多情况下采用的是简单 的计算，也就是经典集合的思想，计算结果都是精确的。有些也采用了神经网络，或者是 模糊神经网络。本系统采用的模糊b p 神经网络有自己的特点，这些方面体现在： 1 ) 预处理后的模糊化分层将信息分为高( 哪、中( m ) 、低( l ) 三个部分分别作为输出 层的三个结点。 2 ) 模糊加权算子这里的模糊权值不同于以往的模糊权值，它是三个特征类别的隶 属度，即圆弧特征隶属度、矩形特征隶属度和直线特征隶属度。 3 ) 特征提取模板三个特征类别的提取模板，即圆弧特征矩阵、矩形特征矩阵和直 线特征矩阵，分别用来提取图像中的不同特征。 4 ) 均方差权值输出层采用与均方差有关的权值进行归一，并使用最b - - 乘法将最 终的结果推导出来。 本系统所采用的模糊b p 神经网络模型，建立在神经网络方法基础上。在众多图像的 形状和结构特征的提取方法中，有自己的特点和优点。按本系统所提出的方法进行特征提 取，在一定的误差范围内可以识别出基本的三类特征：圆弧、矩形、直线特征 6 2 特征分析的概念及改进理论 2 特征分析的概念及改进理论 2 1 图像特征的概念及分类 2 1 1 图像特征的定义 图像特征是指图像的原始特性或属性。每一幅图像都有其本身的特征，其中有些是视 觉直接感受到的自然特征，如亮度、边缘的轮廓、纹理或色彩等。有些是需要通过变换或 测量才能得到的人为特征，如谱、直方图等，特征选择是图像识别中的一个关键问题。 2 1 2 图像特征的分类 当观察周围环境时，人们首先注意到的是物体及其周围环境的颜色、纹理、结构等， 同样在研究图像特征时也可以从以下三个方面进行考虑【l 】： 1 ) 结构特征图像的结构特征是图像中物体最基本的有感觉意义的特征之一，一般 来讲图像的结构特征包括以下几个方砸：图像的边缘、轮廓、图像的凹点和拐点、图像中 像素的空间关系等。 2 ) 纹理特征纹理是图像中一个重要而又难于描述的特性，并且因为人对纹理的视 觉认识非常的主观，因此到目前为止纹理还没有一个严格的定义。习惯上把图像中局部 不规则而宏观有规律的特性称之为纹理由于局部的不规则性和全局的规律性可能是确定 性的和随机性的，这就分别形成了确定性纹理或随机性纹理。为了定量描述纹理，需要研 究纹理本身可能具有的特性，比如粗糙度，对比度，方向性等。 3 ) 颜色特征图像中目标物的颜色是图像的一种显而易见的特征。长期以来由于计 算机计算速度以及内存容量的制约，另外单纯的图像颜色不包含图像的空间结构信息不能 作为图像的维一标签等问题，致使图像的颜色特征并没有受到广泛的关注。但是，近年来 随着硬件的飞速发展，以及互联网上信息量的剧增，人们逐渐将注意力转移到图像的颜色 特征上，并成功的在图像分割、基于内容的图像检索中应用到图像的色彩信息。 2 2 特征提取及特征选择 2 2 1 特征提取 将处于高维空间的样本数据映射到低维空间的过程叫特征提取，映射后的特征叫做二 次特征，它们是原始特征空间的某种组合。从广义上讲所谓的特征提取就是一种变换。若 y 是测量空间，x 是特征空间，则变映a ：y _ x 就叫特征提取器。特征提取是模式分类的 前期工作，人们称特征提取为模式识别的三大核心问题之一。但是由于在很多实际问题中 7 西安工业大学硕士学位论文 不容易找到那些最重要的特征，这就使的特征提取的任务复杂化而成为构造模式识别系统 最困难的任务之一。 2 2 2 特征选择 从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这个过程叫 特征选择。特征选择和提取的基本任务是如何从众多特征中找出那些中找出那些最有效的 特征。图像识别是根据一定的图像特征进行的，显然特征选择是图像识别中的一个关键问 题。由于实际问题中常常不容易找到那些最重要的特征，或者某些图像特征还会随着环境 的变化而发生变化，这就使得特征的选择和提取复杂化。目前，几乎还没有解析的方法能 够指导特征的选择，很多情况下，凭直觉的引导可以列出一些可能的特征表，然后用特征 排序方法计算不同特征的识别效率。利用其结果对表进行删减，从而选出若干最好的特征。 良好的特征应具有以下4 个特点1 1 】： 1 ) 可区别性对于属于不同类的图像来说，它们的特征应具有明显的差异。 甜可靠性对于同类的图像，特征值应该比较接近。例如，杂志封面的文字图像分 割中，颜色是一个不好的特征。因为，封面文字的颜色可以是各种色彩，尽管它们都属于 文字图像。 3 ) 独立性好所选择的特征之间彼此不相关。例如细胞的直径和细胞的面积高度相 关，因为面积大致与直径的平方成正比。这连个特征基本上反映的相同的属性，即细胞的 大小。但是，有时相关性很高的特征组合起来可以减少噪声干扰，它们一般不作为单独的 特征使用。 4 ) 数量少图像识别系统的复杂程度随着系统维数( 特征的个数) 迅速增长。尤为 重要的是用来训练分类器和测试结果的图像样本随特征数量呈指数关系增长。而且，增加 带噪声的特征或与现存特征相关性高的特征实际上会使识别系统的性能下降。 实际应用中特征提取过程往往包括：先测试一组直觉上合理的特征，然后减少成数目 合适的满意集。通常符合上述要求的理想特征是很少的甚至没有的。 2 2 3 航空仪表的特征及选择 航空仪表和我们平时所见的仪表盘大致相同，都是用一个圆形等分来表示刻度，然后 用不同大小的直线指针来指示时间或是数据。二维图像的形状特征主要是由曲线和直线构 成，如同我们平时直观所看到的一样，仪表最大的特征就是圆形和直线，再复杂一些就会 有一些不太规则的类似矩形特征的直角框。所以我们可以考虑将这三种特征作为航空仪表 的基本特征，用来对图像形状和轮廓特征进行分析。 进一步考虑到圆形只是一种特殊的曲线，如果要提取不同的曲线，只采用圆形可能不 太全面。通过分析得知，曲线可以是由不同半径大小的圆形的部分一圆弧所构成，所以 将圆弧特征作为航空仪表的一大特征。 圆弧、矩形、直线三个特征基本符合了良好特征的四个特点，即可区别性、可靠性、 8 西安工业大学硕士学位论文 独立性和数量少。所以将其作为航空仪表的三类基本形状特征，进行进一步的分析。 2 3 改进的模糊特征隶属度 我们从研究模糊集的理论为基础，将模糊集用于神经网络。这里使用模糊理论的部分 是我们所说的模糊加权算子，即模糊特征隶属度。之所以把它成为模糊特征隶属度，是因 为这个隶属函数不是一般的我们常见的隶属函数，而是和三种特征：圆弧特征、矩形特征、 直线特征有关的隶属函数。常用的隶属函数都是有一定的数学公式和原理，符合大部分模 糊集的理论，虽然使用起来比较方便，但没有针对性。提出这样一种隶属度，构造出一种 基于特征的分段隶属函数，在特征分析中较为直观。 这里根据三种不同的特征，考虑到每种特征应有自己的隶属函数，而且互不相同。所 以采用了分段隶属函数，每个特征一种，属于那个特征，隶属函数便确定一定的隶属度。 由于隶属度是根据不同的特征来区分，所以在使用模糊特征隶属度时，要用到和某种特征 相关的算法。这就需要从对三类特征的判断和分析着手，考虑如何区别三类明显的特征， 如何将它们区分出来，如何分析它们在整个特征中所占的比重。因此从对三类特征的特性 开始分析，给出下面三种特征隶属度。 2 3 1 圆弧特征隶属度 圆弧特征隶属度主要指的是圆弧特性，由于圆弧可以由不同曲率的圆形连接组成，所 以从最小的单元圆来进行分析。不仅要考虑圆的特性和构成，更要考虑一副图像中圆 的特性所占的比重。 圆形在直角坐标系下的方程表示为： ( x 一口) 2 + o ，一6 ) 2 = c 2。( 2 1 ) 设f ( x ，y ) 1 0 一口) 2 + ( y 一6 ) 2 一c 2 数字图像在水平和垂直方向的一阶、二阶差分分别为： o ，) 一f ( i ，) 一f ( i 一1 ，) f ：q ，j 、) 一f ( i ，j ) - f q ，j q 群( f ，) ；( f + 1 ) 一f ( i ，) ，；( f ，_ ) 一( f ，j + 1 ) 一o ，j )( 2 2 ) 由此可得， 层( f ，) 一，o + 1 ，j ) - 2 f ( i ，) + ，( f 一1 ) 形( f ，) t ，g ，+ 1 ) 一2 f ( i ，) + ，( f ，y - 1 )( 2 3 ) 以3 x 3 方阵为例，可以根据该现象，判断 9 西安工业大学硕士学位论文 q 一2 ，1 ) + ( ，( f + 1 ，_ ) ，f ( i ，- ) ，f ( i 一1 ，”7 - 2 g 2 ，1 ) ( ，( f ，+ 1 ) ，f ( i ，) ，f ( i 一1 ，_ ”7 - 2 其中各项的位置如下图2 1 ： f ( i 一1 ，川f ( i - 1 ，j )f ( i - l ，j + 1 ) f ( i ，)f ( i ，j )f ( i ij + 1 ) f ( i + l ，删f ( i + l ，j )f ( i + l ，j + 1 ) ( 2 4 ) 图2 13 x 3 方阵中各元素的位置 对于图像矩阵厶，分成许多3 x 3 方阵进行判断，当第一个方阵满足条件时，表明 3 x 3 方阵中的有些点具有圆弧特性。然后再进行下一个方阵的继续判断。当特性出现一次， 将计数器加1 。当该数足够大时，超过所规定的阙值时，可以判断该曲线具有圆弧特征， 该值的累加值变为。圆弧特征隶属度为：w 一( 形+ 彤一t + 矸么一) 。 2 3 2 矩形特征隶属度 矩形特征主要指的是矩形的直角特征，从分析直角特性出发，是研究矩形特征隶属度 的起点。这里我们考虑直角是由两条直线交汇而成，但一般的交汇并不一定是直角。要确 定两条直线相交的角度是直角，就要从它们的斜率开始分析。在一个区域内确定两条直线 并让它们的交角为9 0 度，这是建立在直线分析的基础上。下面给出在直线分析的基础上 确定9 0 度交角的几种情况。 定一个起始点r ( x ，_ ) ，) 判断周围的与该点像素值最相近的点的位置p 1 和p 2 ，算出斜 率。 在这里存在三种情况： 1 ) 当一个斜率为0 ，另一个为正无穷时，说明这两个点是垂直关系 如图2 2 ： ( k l 一0 k 2 一) l l f ( i ，j ) f ( i ，j 十1 ) i f ( i + l ，j ) ( c ) f ( i - l ，j ) f ( i ，j 一1 )f ( i ，j ) l lf ( i ，j 一1 ) f ( i j ) 1f ( i + l ，j ) 西安工业大学硕士学位论文 图2 2 几种符合( 七1 ；o ，七2 一) 的垂直关系 2 ) 当两个点的斜率与它所在的位置对应一定的值，而且互为相反数，说明这两个点 也是垂直关系。如图2 3 ：( 七- 一万，k 2 - 叫) f ( i 一1 ，j - 1 )f ( i - 1 ，j + 1 ) f ( i ，j ) ( a ) 毛一1 ，七2 一- 1 f ( i ，j ) f ( i + l ，j - 1 )f ( i + l ，j + 1 ) 毛一一1 ，七2 1 f ( i 一2 ，j 一2 )f ( i 一2 ，j + 2 ) f ( i ，j ) ( c ) 毛- 2 如- - 2 f ( i ，j ) f ( i + 2 ，j - 2 )f ( i + 2 ，j + 2 ) ( d ) 毛- - 2 , 七2 - 2 图2 3 几种符合( 七，”，七：。n ) 的垂直关系 3 ) 当两个点的斜率与它所在的位置对应一定的值，而且相乘为1 ，说明这两个点也 是垂直关系。如图3 4 ：( 七t k 2 1 ) 1 1 西安工业大学硕士学位论文 f ( i 一2 ，j + 1 ) f ( i 一1 ，j - 2 ) f ( i ，j ) ( a ) 与2 ，屯- - 三 f ( i l 。j + 2 ) f ( i ，j ) f ( i + 2 ，j + 1 ) 毛一三，乞一2 图2 4 几种符合( 七t 七2 - 一1 ) 的垂直关系 综上，如果k 1 和l 【2 的斜率满足以下三种情况的一种： 1 ) i t o 七z 一m ( 2 5 ) 2 ) t l - 行，k 2 - - - n ( 2 6 ) 3 ) 七- 七2 一一1( 2 7 ) 符合上述情况后，以所判定的两个垂直点p 1 和p 2 为起始点，然后判断是否存在直线 特征。这样判断下来，就可以确定该曲线是否具有矩形特征。直线特性的判断在介绍直线 特征隶属度这- - d 节中给出详细过程。 判断时选用了5 5 矩阵，由于考虑到3 x 3 矩阵在描述第三种垂直情况时不太全面，而 5 x 5 矩阵是描述该种情况较小、较合适的单元，所以将判断领域选成了5 x 5 矩阵。当特性 出现一次，将计数器加1 。当该数足够大时，超过所规定的阈值时，可以判断该曲线具有 矩形特征，该值的累加值变为形t 。矩形特征隶属度为：彤t ( 形+ 肜一+ 矸么一) 。 2 3 3 直线特征隶属度 直线是我们常见的最普通的特征，就是从一点引出的一条斜率不变的线。我们在几何 数学中学习过两点确定一条直线。但是在现实的图像中，直线不同于以往的概念，具体问 题中，直线往往是近似看来有直线特性的一条曲线。所以我们可以根据具体问题具体分析， 将直线定义为在某种范围内斜率近似相等的一条曲线。所以对直线特征的确定便由对直线 的斜率的分析开始。 定一个起始点p ，也就是一个方阵中的中心点，( f ，) 。判断周围的与该点像素值最相 近的点的位置p 1 ，算出斜率。然后以该点为起始点p 1 ，找出p 和p 1 像素值最相近的点 的位置，算出斜率，以此类推。如果这些斜率近似相等，说明该曲线是直线。 判断时，考虑到算法的简单性和有效性，选择使用了5 x 5 矩阵。当特性出现一次，将 西安工业大学硕士学位论文 计数器加1 。当该数足够大时，超过所规定的阈值时，可以判断该曲线具有直线特征，该 值的累加值变为砰。直线特征隶属度为：h 么一，( 矽一+ 一t + - 吆) 。 对于5 x 5 方阵来说，如下图2 5 ： f ( i - 2 ，j 一2 )f ( 心j 一1 )f ( 心j ) f ( i 一2 ，j + 1 )f ( i - 2 ，j + 2 ) f ( i 一1 ，j - 2 )f ( i - 1 ，j 一1 ) f ( i - l ，j )f ( i _ l ，j + 1 )f ( i 一1 ，j + 2 ) f ( i ，j = 2 )f ( i ，j 一1 )f ( i ，j )f ( i ，j + 1 )f ( i ，j + 2 ) f ( i + l ，j - 2 )f ( i + l ，j 一1 )f ( i + l ，j )f c i + l ，j + 1 )f ( i + l ，j + 2 ) f ( i + 2 ，j - 2 )f ( i + 2 ，j 一1 )f ( i + 2 ，j )f ( i + 2 ，j + 1 )f ( i + 2 ，j + 2 ) 直线特征如下图2 6 ： 图2 55 x 5 方阵的个元素的位置 f ( i 一2 ，j + 2 ) f ( i - 1 ，j + 1 ) f ( i ，j ) f ( i + l ，j 一1 ) f ( 心j + 1 ) f ( i ，j ) f ( i + 2 ，j 一1 ) 2 4 改进的特征矩阵 c o ) 图2 65 * 5 方阵中的几种直线特征 图像通过高通滤波、边缘检测等预处理阶段后，开始送入模糊神经网络进行训练，将 提取的特征信息输出。特征矩阵顾名思义就是用来提取特征的矩阵，它的主要作用也无疑 是为了更好的分析特征。因此，在神经网络中，寻找特征矩阵是一项比较重要的任务。目 前就几种形状特征的特征提取矩阵给予分析。 这里参考了边缘检测方法中的微分算子，但特征矩阵的原理和边缘检测的原理不太相 同。虽然都使用了微分、和差分，但是本质却不同。边缘检测算子考虑到边缘