红外图像特征提取方法研究.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,红外图像特征提取方法研究,红外图像：反应物体的热辐射差红外目标检测与识别包括：图像预处理，图像特征提取，图像特征选择，图像分类,红外目标识别的特征：,1.,颜色或灰度的统计特征,2.,纹理，边缘特征,3.,图像代数特征,4.,图像变换系数特征,一,.,颜色或灰度的统计特征提取,颜色,(,灰度）直方图是实践中最常用的图像统计特征,.,设,s,（,x,i,）为图像,P,的某特征值为,xi,的像素的个数,直方图,1.Hu,于,1961,年提出了矩不变量的概念（平移，旋转，伸缩不变）,但,Hu,矩不变量不具有正交性，包含大量的信息冗余物体的零阶矩表示了图像的“质量”：,Moo=f(x,，,y)dxdy,一阶矩,(M01,，,M10),用于确定图像质心,(Xc,，,Yc),：,Xc=M10/M00;Yc=M01/M00;,若将坐标原点移至,Xc,和,Yc,处，就得到了对于图像位移不变的中心矩Eg.,2.Zemike,矩不变量就是一种正交的矩不变量，正交矩在信息冗余度、图像表达以及在识别效果方面比其他类型的矩要好,.,3.Shen,等提出了基于小波变换的小波矩，由于小波变换具有时频局部化特征，所以小波矩不仅可以描述图像的全局特征，也可以描述图像的局部特征，不易受到噪声的干扰，因而在识别相似的物体时有更高的识别率,二,.,纹理、边缘特征提取,纹理特征是表示图像的另一种重要的视觉特征，纹理结构反映图像亮度的空间变化情况，具有局部与整体的自相似性,纹理分析的方法有多种，如空间自相关法，共生矩阵法、,Tamura,方法等,.,1,）纹理是由纹理基元按着某种规律在空间的重复排列组成的，纹理与纹理基元的空间尺寸有关，一般大尺寸的纹理基元对应于较粗的纹理，而小尺寸的纹理基元对应于较细的纹理,.,1.,空间自相关法,对于大小为,MxN,的图像,f(x,y),其中,x=0,1,，,2,M-1;y=0,1,，,2N-1,空间自相关函数定义为,空间自相关函数用来描述纹理的粗糙程度。

2.,共生矩阵法,灰度共生矩阵特征于,1973,年由,Haralick,等首次提出，设（,x,y),为图像中任意一点,(x+a,y+b),为其扰动点,它们形成一个点对，设其灰度值为,(i,j),，固定,a,b,，令,(x,y),在图像上移动，可得到不同的,(i,j),值,.,若图像的灰度级为,L,，则,i,与,j,的组合共有,L*L,种,.,在整幅图像中，统计出每一种,(i,j),值出现的次数，再将它们归一化为出现的概率,P(i,j),则方阵,P(i,j),称为灰度共生矩阵,.,利用灰度共生矩阵可得到描述纹理特征的统计量，常用的有对比度、能量、嫡等,7,个特征,.,2,）图像边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合图像边缘特征提取方法大致可分为,:,基于经典微分边缘检测算子的提取方法、多尺度边缘检测方法、模糊增强边缘检测方法等,.,1.,经典微分边缘检测算子的提取方法又分为一阶微分边缘检测算子方法和二阶微分边缘检测算子方法,.,有代表性的一阶微分边缘检测算子包括,:Roberts,算子、,Sobel,算子、,Preivitt,算子、,Robinson,算子和,Canny,算子等,.,Canny,算子无论在定位精度还是抗噪声方面，明显优于其他的一阶微分边缘检测算子,.,Canny,算子求边缘点具体算法步骤如下：,1.,）用高斯滤波器平滑图像,2.,）用一阶偏导有限差分计算梯度幅值和方向,.,Gx=f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)/2,Gy=f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)/2,3.,）对梯度幅值进行非极大值抑制,仅得到全局的梯度并不足以确定边缘，为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。

4.,）用双阈值算法检测和连接边缘,对非极大值抑制图像作用两个阈值,th1,和,th2,，两者关系,th1=0.4th2,我们把梯度值小于,th1,的像素的灰度值设为,0,，得到图像,1,然后把梯度值小于,th2,的像素的灰度值设为,0,，得到图像,2,对图像,2,进行扫描，当遇到一个非零灰度的像素,p(x,y),时，跟踪以,p(x,y),为开始点的轮廓线，直到轮廓线的终点,q(x,y),考察图像,1,中与图像,2,中,q(x,y),点位置对应的点,s(x,y),的,8,邻近区域如果在,s(x,y),点的,8,邻近区域中有非零像素,s(x,y),存在，则将其包括到图像,2,中，作为,r(x,y),点从,r(x,y),开始，重复第一步，直到我们在图像,1,和图像,2,中都无法继续为止步骤,1,：,步骤,2,：,2.,多尺度边缘检测的思想最初是山,Rosenfcld,提出的，因为图像边缘就是一维图像中奇异点的集合，而多尺度变换如小波变换的模极大值点对应于图像信号的奇异点，因此通过对原始图像作多尺度分解，然后检测这此模极大值点可以确定图像的边缘3.,胡学娟等提出来二次样条小波提取边缘算法，该算法和,Canny,算子类似，都是先对图像进行平滑，再检测其模极大值但滤波器系数简单，计算量小，且可以对图像进行多尺度的边缘检测，对近红外图像进行功缘特征提取具有很好的效果。

三,.,图像代数特征提取,代数特征反映的是图像的一种内在属性,.,从表示图像的矩阵中提取出的特征称为代数特征,.,图像代数特征的提取是以存储图像数据的数据结构为基础，利用矩阵理论提取图像特征的一种方法,.,主成分分析,(PCA),、线性判据分析,(LDA),、独立成分分析,(ICA),和奇异值分解,(SV D),是这种方法的典型代表,.,1.PCA,在数字图像处理中也称为,Hotelling,变换，而在通信理论中称为,K-L,变换,.PCA,己广泛应用于数据压缩、图像处理、模式识别等领域,.,2.ICA,最早是作为一种自源信号分离工具由,Jutten,和,Herault,提出的,.,通过,PCA,提取的图像特征是一种全局特征，为了更好地表小图像的特征，尤其是图像的局部特征，,Bartlett,和,Sejnowski,提出了用,ICA,提取图像特征，就图像特征提取来说，,ICA,与,PCA,相比有下列优点,.,1)ICA,具有高阶去相关特性，而,PCA,只具有一阶去相关特性,;,2)ICA,具有比,PCA,较强的图像局部特征表小能力,;,3),通过,ICA,提取的图像特征具有较强的不变性,.,4.SVD,是最重要的矩阵分解方法之一，它在信号处理、控制论、数据建模等许多领域都有重要应用,.,SVD,方法提取出的特征具有许多优点，如稳定性，旋转、平移不变性等,.,四,.,图像变换系数特征提取,对图像进行各种滤波变换如,K-L,变换、傅里叶变换、小波变换、小波包变换等，可以将变换的系数作为图像的一种特征,.,变换系数特征可以看作是二次提取的特征,.,也可以是变换系数的各种函数组合形式，如提取主成份、提取小波能量等,.,所以变换系数特征一般具有表示能力强、特征维数低等特点，但是特征的语义不直观、需要先对分类识别的图像进行某种变换,.,1.,小波分析已成功应用于图像处理,(,如图像去噪、图像分割、图像融合等）、时间序列分析、语音识别等领域。

2.YU TAO,等用中心投影变换和小波变换来提取图像特征，中心投影变换将二维模式变换为一维模式，对得到的一维模式作小波变换得到不同的子模式，从各个子模式提取，但分形特征的计算比较复杂3.,蒋定定等提出了种基于小波变换的红外图像边缘提取算法，首先利用小波算法对红外图像进行滤噪，然后利用高斯函数作为平滑函数对图像进行水平和垂直方向的小波变换，提取红外图像边缘特征该方法较好地去除了噪声对边缘提取的影响，比较理想地提取出了红外图像的边缘,谢谢！,。