物联网识别技术 教学课件 ppt 作者 丁明跃 物联网-第五章

2019年5月25日,第 1 页,第五章 图像的自动识别技术,图像滤波与去噪 图像分割技术 特征提取 分类器设计,主要内容,第一节 图像滤波与去噪,空间域滤波去噪 变换域去噪方法 小波变换和图像滤波去噪 基于矢量尺度的图像滤波去噪,2019年5月25日,第 3 页,空间域滤波去噪,空间域滤波定义 图像的空间域去噪是在原图像上直接进行数据运算，对像素的灰度值进行处理。其中常用到的是线性滤波器和非线性滤波器。 空间域滤波种类： 主要有三种： 非线性滤波：非线性滤波器是基于对输入信号的一种非线性映射关系，常可以把某一特定的噪声近似地映射为零而保留信号的主要特征。 中值滤波：标准中值滤波算法的基本思想是将滤波窗口内的最大值和最小值均视为噪声，用滤波窗口内的中值代替窗口中心像素点的灰度，在一定程度上抑制了噪声。 形态学滤波：充分利用形态学运算所具有的几何特征和良好的代数性质，主要采用态学开、闭运算进行滤波操作。,2019年5月25日,第 4 页,变换域去噪方法,变换域去噪定义 图像变换域去噪方法是对图像进行某种变换，将图像从空间域转换到变换域，对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像噪声的目的。 空域转换到变换域的方法 傅里叶变换 沃尔什一哈达玛变换 余弦变换 KL变换 Ridgelet变换 小波变换,2019年5月25日,第 5 页,小波变换和图像滤波去噪,小波变换定义 小波变换是在傅里叶变换基础上发展起来的一种具有多分辨率分析特点的时一频分析方法。 小波变换基本思想 基本思想：通过伸缩、平移运算对信号进行多尺度细化，最终达到高频处时间细分、低频处频率细分的目的，能自适应地聚焦到信号的任意细节、由于小波变换在时、频域都具有表征信号局部特征的能力和多分辨率分析的特点。被誉为“数学最微镜”。,2019年5月25日,第 6 页,小波阈值去噪法的理论依据 信号的小波系数幅值大于噪声的系数幅值。幅值比较小的系数很大程度上是噪声。因此设定阈值可以把信号系数保留，噪声系数归零。 小波阈值图像去噪过程 将带噪图像在各尺度上进行小波分解，保留大尺度低分辨率下的全部小波系数 对于各尺度高分辨率下的小波系数设定一个阈值，幅值低于该阈值的小波系数置0，高于则保留 将处理后获得的小波系数利用逆小波变换进行重构得到去噪后图像 小波阈值去噪优缺点 优点：实现简单，计算量较小，噪声抑制效果好阈值法去噪能够得到理想图像的近似最优估计，因而在实际中得到了广泛应用。 缺点：总存在恒定偏差，影响了重构信号与真实信号的逼近程度。,2019年5月25日,第 7 页,基于矢量尺度的图像滤波去噪,矢量图像滤波 已有三种滤波 矢量中值滤波器(VMF) 基本矢量方向滤波器(BVDF) 方向距离滤波器(DDF) 基于矢量尺度的图像滤波去噪定义 在图像的不同区域，自适应地调节滤波窗口的大小，从而达到既能有效抑制噪声，又能保护图像细节和边缘的目的。,2019年5月25日,第 8 页,第二节 图像分割技术,基于区域和边缘的图像分割技术 基于形变模型的图像分割技术 基于数学形态学的图像分割技术 模糊理论和图像分割技术 基于神经网络的图像分割技术 基于图论的图像分割方法 基于粒度计算理论的图像分割方法,2019年5月25日,第 9 页,基于区域和边缘的图像分割技术,图像区域分割提取形式 区域生长：从单个像素出发，逐步合并以形成所需要的分割区域 全局出发：逐步切割至所需的分割区域 边缘检测概念 通过检测不同区域的边缘来解决问题，通常不同的区域之间的边缘上灰度值的变化往往比较大，这是边缘检测方法得以实现的主要假设之一 边缘检测基本思想 先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域。,2019年5月25日,第 10 页,基于形变模型的图像分割技术,基于活动轮廓模型的分割方法定义 通过使用适当的内部能量函数和外部能量函数来控制轮廓曲线的运动，外部能量函数推动轮廓运动，内部能量函数保持轮廓的光滑，从而使初始化的轮廓曲线逼近目标的实际轮廓，以达到分割图像的目的。 基于活动轮廓模型的分割方法的优缺点 优点:可以保证所检测边缘的连续性和闭合性. 缺点：初始化点数较多且需要在实际目标边缘的附近进行初始化、易于陷入局部最优解，能量函数较难给出。,2019年5月25日,第 11 页,基于数学形态学的图像分割技术,数学形态学定义 以图像的形态特征为研究对象，用具有一定形态的结构元素描述图像中元素与元素、部分与部分之间的关系，以达到对图像分析和识别的目的。数学形态学用于图像分割，既可以与基于边缘的方法结合，也可以和基于区域的方法结合。数学形态学用于基于区域的图像分割最典型的例子就是分水岭(Watershed)方法。 分水岭实现步骤 排序：完成图像灰度级的频率分布计算，根据计算结果对灰度级进行排序，然后将图像中的每一个像素分配到与灰度相对应的存储阵列中去 淹没：使用“先进先出(First In First Out)”的队列计算地理影响区域，通过递归运算实现积水盆地的不断膨胀，最终完成图像的分割。,2019年5月25日,第 12 页,模糊理论和图像分割技术,模糊技术 指导思想和出发点：图像分割的结果应该是定义在像素空间上的模糊子集，而不是分明子集。 基本步骤：将图像及其相关特征表示成相应的模糊集或模糊概念；经过模糊技术的处理，获得图像的模糊分割和反模糊化后得到图像的分割结果。 改进模糊算法 使用粒子群优化方法来优化模糊系统，用于彩色图像分类和分割，具有最少的规则和最小的错误识别率。 基于图像模糊熵邻域非一致性的过渡区直接提取算法 利用过渡区和目标区背景区性质上的差异，能够有效地消除椒盐噪声和高斯噪声对过渡区提取的影响，对同时存在椒盐噪声和高斯噪声的过渡区的提取是非常有效的。,2019年5月25日,第 13 页,基于神经网络的图像分割技术,基于神经网络的图像分割技术基本思想 用训练样本集对神经网络进行训练以确定节点间的连接权值，再用训练好的神经网络对新输入的图像数据进行分割。 基于神经网络模型的图像分割方法 Hopfield神经网络 BP神经网络 振子神经网络 细胞神经网络 概率自适应神经网络 自组织神经网络 脉冲耦合神经网络 径向基神经网络 Kohonen神经网络,2019年5月25日,第 14 页,基于图论的图像分割方法,基于图论的图像分割技术定义 该方法将图像映射为带权无向图，把像素视作节点，利用最小剪切准则得到图像的最佳分割。 新的用于图像分割的图论聚类理论框架 聚类直觉观念与节点显性集之间的类比关系，节点显性集将最大完全子图推广到边缘带权图文中建立了显性集与标准单形的二次极值之间的关系，使得算法可以使用连续最优技术并用于局部交互计算单元的并行网络，显示出某些生物学优势。 基于多段图的图像分割方法 选择递归最短生成树的有效参数，完成对图像进行初始的粗分割 根据灰度级相似、区域大小和普通边长度等特征，使用多段图按照类似的方法对已经分割出的区域进一步合并成更有意义的结构或物体。,2019年5月25日,第 15 页,基于图论的SAR图像分割方法 算法通过构造多尺度结构快速找到收缩图以及初始图的子图集合，然后对其分别应用Gornory-Hu算法得到对应的等价树，最后根据规则得到初始图的等价树，按照割值由小到大依次去边后，可得到对原图的最优划分，映射回图像则可得分割结果。 融合分水岭变换和图论的图像分割方法 利用图像的局部灰度信息进行分水岭变换后，将图像分割成多个小区域，再结合各小区域的灰度和空间信息从全局角度用NorrealizedCut方法在区域之间进行分割，产生最终的分割结果。,2019年5月25日,第 16 页,基于粒度计算理论的图像分割方法,粒度计算概念 是信息处理的一种新的概念和计算范式，覆盖了所有有关粒度的理论、方法、技术和工具的研究，主要用于处理不精确的、模糊的、不完整的及海量的信息，也已成为人工智能、软计算和控制科学等领域的研究热点之一。 基于粒度计算理论的图像分割方法 图像分割就是图像由粗粒度空间转变成细粒度空间的过程。在对复杂图像进行分割时，经常采用分层方法，先对图像进行粗分割，再向更高层次分析，即粒度由粗到细，逐步细化。图像粗分割后，可得到图像的一些重要区域特征，如可以获得原图像中区域的个数、区域中心的位置等信息。然后，在细粒度空间上进一步对图像局部进行细化。,2019年5月25日,第 17 页,第三节 特征提取,图像特征的特点 图像特征的分类 图像特征提取的方法 图像特征的选择与优化,2019年5月25日,第 18 页,图像特征的特点,图像的特征的定义 指自然特征（亮度、色彩、纹理等）和人为特征（如频率谱、直方图等）等可用作标志的属性。 良好图像特征 区别性：不同类别之间该值的差异性。 可靠性：同一类别的对象在该特征上具有稳定的相似性。 独立性：该特征与其他特征不相关。 数目小：虽然我们期望能搜集到目标的尽可能多的特征，以更好的对目标进行识别。但是系统的复杂度也会随着特征个数的增加而增加。若增加的特征缺乏独立性和有效性，还会对系统的性能产生一些影响。,2019年5月25日,第 19 页,图像特征的分类,图像特征分类 视觉特征：包括图像的轮廓、形状、边缘以及纹理等特征。 运动特征：通过建立目标运动模型，可以获得目标的运动特征，从而对运动目标进行检测和识别，但是目标运动模型的建立一般比较困难。 灰度分布特征：在原始物体图像的基础上，分析物体表面灰度变化的规律，可以获得物体的纹理特征等灰度分靠特征。,2019年5月25日,第 20 页,图像特征提取的方法,图像特征的提取方法 线性特征提取方法 非线性特征提取方法 线性特征提取方法 主分量分析（PCA）：将图像矩阵转化为图像向量，然后以该图像向量作为原始特征进行分析 Fisher线性鉴别（FLD）：是一种基于样本类别进行整体特征提取的方法。 投影追踪：把高维数据投影到一维空间上，寻找反映原来高维数据的结构或特征的投影，在研究和分析高维数据特征有较好的作用。 非线性特征提取方法 支持向量机（SVM） 核主成分分析（KPCA） 核 Fisher 鉴别（KFLD）,2019年5月25日,第 21 页,图像特征的选择与优化,图像特征的选择与优化方法 特征选择：在一组特征中挑选出一些最有效的特征以达到降低空间维数的目的。 特征优化：通过映射的方法把高维的特征向量变换为低维的特征向量。 图像特征的选择与优化意义 特征的选择与提取会对分类器的设计和性能产生很大影响，因此，根据研究对象的特点和所面临的问题，对得到的原始特征进行选择和优化是十分必要的。,2019年5月25日,第 22 页,第四节 分类器设计,分类器概述 分类器的设计,2019年5月25日,第 23 页,分类器概述,图像分类技术的发展研究方向 利用从图像数据中提取的新信息和新特征进行分类 应用新理论进行分类，如基于分形理论、共生矩阵、小波理论、曲波理论的图像纹理信息提取或基于模糊理论的混和像元分解方法等 设计新的分类方法 模式识别方法 统计模式识别 结构模式识别 模糊模式识别,2019年5月25日,第 24 页,分类器的设计,分类器设计的定义 利用样本数据来确定分类器的过程称为分类器设计。 图像分类的理论根据 图像中的同类景物在相同的条件下应具有相同或类似的光谱信息特征和空间信息特征，从而表现出同类景物间某种内在的相似性，即同类景物像元的特征向量将聚类于同一特征的空间区域，而不同景物由于其光谱信息特征和空间信息特征不同将聚类于不同特征的空间区域。 图像分类过程 设计：指用一定数量己知类别信息的样本(训练集或学习集)进行分类器的设计 决策：指用设计好的分类器对未知类别信息的样本进行分类。,2019年5月25日,第 25 页,分类算法 线性判别函数 非线性判别函数 近邻法 经验风险最小化和有序风险最小化法 非监督学习方法 基于人工精神网络的模式识别 模糊模式识别 统计学习和支持向量机方法等 其中支持向量机来源于在两类问题中具有最大区间的最优