东北大学自动化毕业论文之图像特征提取(原创)

3 3 图像特征提取 图像特征提取 图像处理中最初级的运算就是特征提取 图像特征提取是图像处理研究中的重要内容 而图像特征提取的关键则是 图像特征的描述和定义 数字图像特征表述是在图像分类技术的基础上形成的 从不同角度可分为 不同特征 根据视觉效果可分为文特征 如关键字 注释等 和视觉特征 色 彩 纹理 形状 对象表面等 两类 根据属性不同可分为颜色特征 纹理特 征 形状特征 空间关系特征等 根据是否经过人为处理可以分为人工特征和 自然特征 对于某个特定的图像特征 通常又有多种不同的表达方法 实际上 图像特征的不同表述方式从不同的角度刻画了图像的某些特性 下面 先分别简单介绍一些由实践证明对图像处理比较有效的特征 颜色特征是一种全局特征 描述了图像及其图像区域所对应的表面性质 在 图像检索中应用最为广泛的视觉特征 主要原因在于颜色往往和所包含的物质 或场景相关 此外 与其他的视觉特征相比 图像本身的方向 尺寸 视角对 颜色特征影响相对较小 颜色直方图是最常用的颜色特征的表征方法 其优点 是不受图像旋转和平移变化的影响 借助归一化该特征还可不受图像尺度变化 的影响 其缺点是没有表达出颜色空间分布的信息 纹理特征是图像的另一种重要的视觉特征 也是一种全局特征 它也描述 了图像或图像区域所对应的表面性质 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的特征 它需要在包含多 个像素的区域中进行统计计算 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 计算出来的纹理可能会有较大偏差 按统计学的观点 由于图像分布具有块状结构 因此各像素间有位置上的相 关性 那么可以用信息熵来描述图像形状 也即图像熵 图像熵反映了图像色彩 的统计信息 反映了图像的总体概貌 图像熵之间的差别对应着图像之间的视觉 差别 可以将图像熵作为表征特征的属性 因此 图像的熵可以作为一种图像特 征的表述 对分割 匹配等图像处理有着重要的意义 大量实验表明 基于小波分析的能量特征 在一定程度上 能区分图像目 标区域和其他区域 对于各种情况下如陆地 海面 天空等自然纹理背景下的 目标检测 该方法具有较好的适应性 而且能量特征的选取与背景纹理的方向 无关 因此 小波分解之后 图像中的信息被分散到各个小波子图中 能量在 各个小波子图上的分布 就可以作为一种对图像特征的很好描述 在本章中 我们将着重研究那些在图像分割检测技术中所常用的特征提取 方法 主要有局部熵 小波提取能量特征和灰度共生矩阵分析纹理特征等方法 3 13 1 局部熵特征局部熵特征 3 1 13 1 1 信息熵信息熵 1948年 美国科学家香农 C E Shannon 发表了一篇著名的论文 通信的 数学理论 他从通信系统传输的实质出发 对信息做了科学的定义 并进行 了定性和定量的描述 他指出 信息是事物存在方式或运动状态的不确定性的 描述 其通信系统的模型如下所示 Shannon 借鉴了热力学的概念 把信息中排除了冗余后的平均信息量称 为 信息熵 并给出了计算信息熵的数学表达式 信息的基本作用就是消除人们对事物的不确定性 信息熵是信息论中用 于度量信息量的一个概念 假定 是随机变量 的集合 表示其概率密 度 计算此随机变量的信息熵的公式是 1 信息熵描述的是信源的不确定性 是信源中所有目标的平均信息量 信息 量是信息论的中心概念 将熵作为一个随机事件的不确定性的量度 它奠定了 信 源编 码信息通道解 码信 宿 噪声干扰 现代信息论的科学理论基础 大大地促进了信息论的发展 图像处理和分析过程中 为了得到感兴趣的目标 可以用很多方法来处理 和分析图像 如灰度共生矩阵法 Markov随机场法 灰度直方图统计法 灰度 匹配法 二维傅立叶变换法 6abor变换法 小波变换法和数学形态法等 在灰 度共生矩阵研究当中 用于测量灰度级分布随机性的一种特征参数就叫做熵 它的定义为 H 1 1 其中 表示一对随机变量的联合密度函数 表示联合熵 x y H 当矩阵的所有项皆为零时 其熵值最高 除此之外 还有和熵 灰度 x y 熵 梯度熵 混合熵等 这也说明了熵是图像的重要特征之一 3 1 23 1 2 局部熵局部熵 设为图像中点 处的灰度 显然 对于一幅 f i j 0 大小的图像 定义 1 1 log 1 1 其中 为灰度分布 为熵 如果 是图像的局部窗口 则称为图像的局部熵 根据熵的理论 局部熵反映了图像灰度的离散程度 在局部熵大的地方 图像灰度相对比较均匀 局部熵小的地方图像离散性较大 而与图像的均值无 关 所以可以根据图像的局部熵把相对均匀的目标分割出来 局部熵是局部窗口内所有像素点共同作用的结果 对单点噪声不敏感 故 局部熵本身具有一定的抗噪滤波能力 图像的特征如边缘 纹理 线条等具有 的方向性 因此局部能量也具有方向性 表现为只分布在少数方向上 图像噪 声虽然也有局部能量的极大值 但缺少方向性 局部能量平坦分布在各个方向 上 因此 用局部熵表示图像的纹理特征还有助于研究图像噪声 对于原始图像以一个的模板遍历 求出每个模板下的局部熵 这样 对于图像中的每个像素都有一个来描述该像素局部熵的特征量 从而用有这些特 征值组成的图像从一个重要的角度反应原图像的纹理特征 3 1 33 1 3 局部熵计算公式的简化局部熵计算公式的简化 对于局部熵公式 共有两次二维求和 程序中会用到四层循环 这样运行 时间是较大的 在实际设计仿真系统时 为了加快计算速度 可以对计算算法 进行一些近似简化运算 因此 根据泰勒展开公式 舍去式 1 的高次项得到近 似计算公式 3 1 1 1 1 1 1 2 可见 3 式是比较简单的代数运算 省去了量大的对数运算 大大加快了计 算局部熵的速度 加强了系统实时检测处理的能力 易于硬件实现 3 1 43 1 4 实验结果及分析实验结果及分析 像 像 像 像像 像 像 像 像 像 像像 像 像 从图像熵的定义可知 图像的熵反映了图像的附加属性信息 当图像灰度 变化剧烈时 图像熵的值小 当图像灰度变化平缓时 图像熵的值大 因此 图像的熵可以作为一种图像特征的描述用于图像匹配 3 23 2 小波提取能量特征小波提取能量特征 3 2 13 2 1 小波分解能量特征小波分解能量特征 用小波变换来提取图像特征的基本思想 就是把图像进行不同分辨率分解 分解成不同空间 不同频率的子图像 通过选取合适的滤波器 小波变换可 以极大的减小或去除所提取得 到不同特征之间的相关性 经过小波分解后 各尺度空间内的平滑信号和细节信号能提供原始信号的时 频信息 可以覆盖整个频域 这提供了一个数学上完备的描述 能提供不 同频段上信号的构成信息 图像的能量主要集中在低频部分 它是对图像的粗略 逼近 表征了图像亮度信息 而水平 垂直和对角线部分的能量较少 表征了图像 的边缘和纹理信息 4 小波分解以及合成过程都是迭代运算 基本原理 对原图像在水平方向和垂 直方向上 2 个滤波器 低通 高通 相卷积 可以得到 4 个面积等于原图像 1 4 的子图 分别表示为 LL LH HL 和 HH 其中 LL 为垂直和水平方向低频子带 LH 为水平方向低频 垂直方向高频子带 HL 为水平方向高频 垂直方向低频 子带 HH 为垂直和水平方向高频子带 如图 1 所示 数字图像 以上只是图像的一级小波分解 对 LL LH HL HH 再做同样的运算就可以 得到图像的二级小波分解 以此类推 还可以得到三级小波分解 四级小波分 解 合成的过程与分解过程恰恰相反 3 2 23 2 2 树状小波分解提取能量特征树状小波分解提取能量特征 在现有的许多小波分解图像纹理的方法中 大都是递归地对低频子带 LL 进行分解 从而实现图像的多级分解 但由于有些纹理图象的重要信息常常包 含在其它频段中 因而这种分解容易丢失一些图像纹理的丰富细节 Tianhorng Chang 等学者提出了树型小波变换提取图像纹理特征的方法 5 该方法把原图像进行多尺度分解 对分解所得到的所有子图用能量标准分别进行 计算 为此 本文引进了树状小波分解方法 因为它能够根据图像的特征 并按 子带图像能量来对 LL LH HL HH 进行分解 这种算法不但保留了传统算法 的多分辨率特性 而且充分利用了纹理图像丰富的细节信息 以形成有效的图 像特征矢量 而对于一个给定的纹理图象 其能量 e 的表达式为 1 1 1 式中 为图像的灰度值 x i j 3 2 33 2 3 完全树状小波提取能量特征算法完全树状小波提取能量特征算法 本文对图像进行一级小波分解后 再对子图进行二级完全树状小波分解后 得到的 16 个分量子图 选取其中的 m 个子图 如图对每个子图都以一个 的模板遍历 用公式 1 1 1 2 HH HL LL LH 来计算特征信息 式中 为图像的灰度值 这样 对于图像中的每个像素 都有一个 m 维的向量来描述该像素的能量 信息 如图 对于能量较小的子带图像 对图像的总特征表示影响不大 多次试验表明 综合分解效果和计算效率 可以忽略高频段的小波 用低频段的均值来表示该 子带图像的小波分解特征 通过对纹理图像进行上述变换 就可以形成一树状 分布的纹理特征矢量 3 2 43 2 4 实验结果及分析实验结果及分析 像 像 像 像像 像 像 像 像 像 像 像像 像 像 像 LL LH HL HH 这种方法有一些缺点 a 图像特征矢量只是考虑了图像在频域的特点 它是 以图像在小波域的低频成分和高频成分的对比为特征 提取的能量主要集中在中 频域段 如果图像的边缘和纹理特征在小波域表现在高频窄带 这种方法提取的 特征就不能很好地对目标进行分类 b 上述方法中 小波变换是在各个频率通道 进行的完全分解 计算量较大 影响了特征提取的速度 3 33 3 灰度共生矩阵提取特征灰度共生矩阵提取特征 图像纹理是指一种或者多种图像一定程度的有序排列而形成的一种结构 这种结构的整体可以作为一个有意义的识别单元 即纹理 由于纹理是由灰度 分布在空间位置上反复出现而形成的 因 此在图像空间中相隔 一定距离的 像素之间会存在一定的灰度关系 灰度共生矩阵就是一种通过研究 这种灰 度关系的常用方法 图像的灰度共生矩阵反映了图像灰度关于相邻间隔 方向 变化幅度的综 合信息 它是分析图像局部模式结构及其排列规则的基础 由灰度共生矩阵可 以得到 14 种纹理特征信息 因此对其研究十分必要 3 3 13 3 1 灰度共生矩阵灰度共生矩阵 灰度共生矩阵就是从图像灰度为 的像素出发 统计与距离为 灰度为的像素同时出现的概率 2 2 1 2 j x x y y 如图 P i j 用数学公式表示则为 0 1 1 式中 是影像中的像素坐标 为影像 i j 0 1 2 1 x y L 的灰度级数 分别为影像的行列数 通常 方向为 4 个方向 0 45 90 135 尽管灰度共生矩阵提取的纹理特征种类多切具有不错的分类能力 但是这 么多的计算量 实际上是不需要的 因此有专家学者不断进行改进 为简便起 见 一般采用四个最常用的特征来提取影像的纹理特征 分别是特征熵 相关 角二阶距 对比度 3 3 23 3 2 提取纹理特征提取纹理特征 基于图像灰度共生矩阵的纹理特征提取算法分为四部分 如下流程图 提取灰度图像灰度级量化计算特征值生成特征图像 1 1 提取灰度图像 提取灰度图像 计算纹理特征的第一步就是将 RGB 图像转换为灰度图象 分别求出代表 RGB 的单波段 选择其中的一个波段进行纹理特征计算 因为纹理特征是一种 结构特征 即使使用不同波段的影像得到的纹理特征是一样的 所以我们任意 选择了一个波段 比如 R 作为研究的波段 2 2 灰度级量化 灰度级量化 在实际应用中 一幅灰度图像的灰度级一般为 256 级 在计算纹理特征时 要求图像的灰度级远小于 256 主要是因为图像共生矩阵的计算量由影像的灰度 等级和图像的大小来确定 如果灰度级数太大 运行程序的时间就会明显长的 多 这是不切实际的 因此 解决的办法是 在尽量保持图像原形的情况下大 量削减图像灰度级的取值个数和图像分辨率 因此 在计算灰度共生矩阵时 在 不影响纹理特征的前提下 往往先将原图像的灰度级压缩到较小的范围 一般 取 8 级或 16 级 以便减小共生矩阵的尺寸 在本文中 我们将遥感图像压缩为 8 个灰度级 又由于灰度通常分布在较窄的范围内 若直接把灰度除 32 取整 会降低影像的清晰度 所以在对图像进行灰度级压缩时 首先需将图像进行直 方图均衡化处理 增加灰度的动态范围 从而增加影像的整体对比效果 这样 进行了直方图均衡化之后 再将灰度除以 32 取整后 便可以将 0 255 灰度级变换为 0 7 灰度级 3 3 计算特征值 计算特征值 1 滑动窗口选择 灰度共生矩阵的纹理提取需要选择一个滑动窗口 这里选择滑动窗口 4 4 进行了计算 2 步距的选择 通过试验与比较 选