图像处理特征提取

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。

H（hue）色彩，又称为色调，是指色彩的相貌，与色彩明暗无关；

S（Saturation）饱和度，是色彩纯与不纯的分别；

V（Value）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Sober、Canny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。