图像特征综述
来源:互联网 发布:c语言清屏函数 编辑:程序博客网 时间:2024/05/18 06:10
前言:
关于集合:在计算机科学领域,离散数学是非常重要的学科,在图像处理领域,这种重要性更加直观。
一:特征可靠性的来源:
1. 数据离散化:
图像与人的交互是其研究价值的根本,可视化是必须的;若图像不能具体可视化,即只可称之为数据,则可排斥出图像研究领域,即图像完整描述必须完成可视化。
离散图像——图像可视化的实现:所有完成图像数据可视化的介质都只能完成图像数据离散的描述:古老的CRT为阴极射线激发荧光粉生成光斑点,画面本质上是离散的,CRT以推出大多数应用领域,可以暂且不谈;等离子为等离子激发稀有气体发射紫外线,紫外线激发荧光粉发出可见光,以粉为点;LED以液晶分子的阵列转换改变透视特性来显示色彩,图像描述为像素;OLED为有机自发光,以自发光有机分子作为原子像素。
图像准确性:图像的介质转换以离散数据的方式进行,和图像真实定义(形状特性等)产生偏差,在信息接收到额过程中,再次从离散数据归结为图像数据,这个过程就是 拟合。对于拟合过程来说,准确数据越多,拟合越精确,因此图像数据描述定义和显示设备 都进行着像素大战。
可拟合性的基础:图像像素排列的硬规则。
(1):图像的硬性规则描述
矢量图像:严格的说,矢量图像仅仅是一种图像数据描述,其可视化是其定义无法实现的。即矢量图像只给出了定义和方法级别的描述,而未给出其实现的描述。
点阵图像:图像的点阵排列规则是图像像素可拟合性的基础。
两种常用方式:正方形点阵和 六边形 蜂窝状点阵
蜂窝状点阵:优点是在描述线的相交时是无歧义的;确定是描述垂直时时有歧义的;
正方形点阵:虽然在描述线的相交时出现问题,但其对垂直的描述是 无歧义的,因此对正交可以很好的描述,与欧式空间坐标系更能相符合,为描述方式的主流。
(2):正交离散坐标系
正交离散坐标系为欧式离散坐标系,其可描述性为欧式离散空间,即多维整数空间,所有图像的描述最后必定归结为多维整数空间的描述。
2. 图像特征描述
(1):特征的直线特性:y=ax+b的参数描述,可以把直线的点集数据规约到二维,两条直线的距离 和相似度 表示为 两个方程的 距离和相似度。
S1:( f1: y=a1x+b1 ) S2: (f2: y=a2x+b2 )
Dis(S1,S2) ——>Dis(f1,f2)——>Dis( (a1,b1), (a2,b2) )
直线来源:点集的直线拟合。
拟合准确性:拟合的方差和偏差等数值描述。
特征准确性:集合到集合的距离表示为函数和函数的距离,如何保证这个映射的同态性。
(2):特征的曲线特性:y=a1x^n+ a2x^(n-1)......+ (aN-1) x + aN的参数描述,可以把直线的点集数据规约到N维,两条曲线的距离 和相似度 表示为 两个方程的 距离和相似度。
参考数值计算的相关知识...............
(3):二维图像特征描述:参考局部图像特征描述概述
3.三维图像特征
三维图像在三维空间内进行表示,增加的纬度信息给图像特征提取开拓了空间,并降低了约束。对于可获得精确Z轴信息的三维图像,其特征缩放不变性即尺度 便不需要再考虑;其增加的Z轴信息,也使图像离散描述扩展到三维空间,特征提取面向于三维整数集合。
图像三维特征综述:基于三维形状的三维图像检索
- 图像特征提取综述
- 图像特征综述
- 图像特征综述
- 关于图像特征提取的综述
- 图像局部特征点检测算子综述
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 图像特征提取(类似于综述)
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 【综述】樊彬老师-“局部图像特征描述概述”
- 《图像纹理特征提取方法综述》论文笔记
- 《图像纹理特征提取方法综述》论文笔记
- 行为识别特征综述
- Machine Learning---感知器学习算法
- hadoop-1.2.0集群安装与配置
- 第12周项目3-用递归方法求解(4)Fibnacci序列
- tomcat+SSH中遇到中文乱码的解决方法
- Machine Learning---LMS 算法
- 图像特征综述
- Objective-C基础笔记(5)Protocol
- 图解--算术表达式求值
- HDU 5098 Smart Software Installer(拓扑排序)
- 暴力破解之简单枚举2
- VC中添加背景图片,防止遮挡其他控件
- 隐马尔科夫模型(HMM)及其扩展
- ipset高大上性能果断将nf-HiPac逼下课
- openstack 网络发展简史