图像与识别_课件_3要点.ppt

图像分析与识别 Image Analysis and Recognition 数据和算法是所有程序的两个基本的相关部分； 数据的组织通常在很大程度上影响着算法的选择和实现的简洁性； 因此，在写程序时数据结构的选择是一个重要的问题。 在解释不同的图像处理方法之前，本章将介绍有关如何表示图像数据及推导数据的内容。 这样就会使不同类型的图像数据表示之间的关系清晰化。 首先我们来处理图像分析任务中的信息表示的基本层次，然后来讨论传统的数据结构，包括矩阵、链、关系结构，最后我们讨论分层数据结构，如金字塔和四叉树。 一、概述 计算机视觉感知的目的是寻找输入图像与真实世界的模型之间的关系。 在从原始输入图像向模型转换的过程中，图像信息逐渐浓缩，使用的有关图像数据解释的语义知识也越来越多。 在输入图像和模型之间，定义了若干层次的视觉信息表示，计算机视觉由如下的设计所组成： 二、计算机视觉信息表示的组成 中间表示（数据结构）； 创建这些中间表示所用的算法和它们之间关系的导入。 这些中间表示可以分为4个层次：这四个表示层次按照从处于低层次抽象的信号开始到人能够感知的描述为止排列，层次之间的信息流是双向的。 第一层是最底层的表示，称为图标图像，由含有原始数据的图像组成，原始数据也就是像素亮度数据的整数矩阵，往往需要进行预处理； 第二层的表示是分割图像，图像被分割为可能属于同一物体的区域； 第三层是几何表示，保存2D和3D形状知识； 第四层的图像数据表示是关系模型。关系模型使我们能更有效地、并且在更高的抽象层次上处理数据。 一、矩阵 矩阵是低层图像表示的最普通的数据结构，矩阵中的元素都是整型的数值，对应于采样栅格中的相应像素的亮度或其它属性。 矩阵中的图像信息可以通过像素的坐标得到，坐标对应于行和列的标号。 矩阵是图像的一个完整表示，与图像数据的内容无关，它隐含着图像组成部分之间的空间关系，这些图像组成部分在语义上具有重要性。 在图像的情况下，空间是两维的，即平面。一个非常自然的空间关系是相邻关系。 用矩阵来表示一个分割的图像，通常要比列出所有物体之间的全部空间关系更节省存储空间，但是有时我们需要记录物体间的其它关系。 矩阵的表示的特殊图像 二值图像：仅有两个亮度级别的图像，用仅含有O和1的矩阵来表示。 多光谱图像：信息可以用几个矩阵来表示，每个矩阵含有一个频带的图像。 分层图像数据结构：用不同分辨率的矩阵来获得。 矩阵的表示 多数编程语言用标准的数组数据结构表示矩阵。 矩阵中有大量的图像数据，因此其处理需要很长时间。 如果首先从原始的图像矩阵得出全局信息，由于全局信息更紧凑并且占用的存储少，那么算法就可以加速。 矩阵的全局信息之一：直方图 直方图是最普通的全局信息的例子。 从概率的角度观察图像，标准化的直方图是如下现象的概率密度的估计：一个图像的像素具有的某个亮度。 矩阵的全局信息之二：共生矩阵 它是具有亮度x的像素(i1，j1)和具有亮度y的像素(i2，j2)的概率估计。 假设这个概率仅依赖于亮度x的像素和亮度y的像素之间的空间关系r，那么关于关系r的信息就记录在方形的共生矩阵Cr中，它的维数对应于图像的亮度级别数。 共生矩阵用两个位置的像素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征。 它是定义一组纹理特征的基础。 为了减少矩阵Cr的数目。引进一些简化的假设，首先仅考虑直接的邻居，其次假定关系是对称的(没有方向)。 使用如下的算法可以计算图像f(i，j)的共生矩阵Cr。 算法：关系r的共生矩阵Cr(x,y) 设置Cr(x,y)=0,对于所有的x, y属于[0,L]，其中L是最大亮度； 对与图像中的所有像素(i1，j1)，找到与像素(i1，j1)有关系r的像素(i2，j2)，做： 关系r的定义举例 如下图所示，定义位置算子： 假设给定如下的仅具有3个灰度级的图像区域，分别记数符合位置算子C0°， C270°， C315°的像素空间组合的数目形成频度矩阵，再将其归一化，即除以符合位置关系的总数就得到归一化的共生矩阵。 共生矩阵的阶数与图像的灰度级数相等。 共生矩阵的计算：例一 共生矩阵的计算：例二 对于低对比度的图像，远离对角线的共生矩阵元素等于0或非常小。对于高对比度的图像则相反。 考虑共生矩阵的主要原因是其描述纹理的能力。 二、链 链在计算机视觉中用于描述物体的边界。 链的元素是一个基本符号，这种方法使得在计算机视觉任务中可以使用形式语言理论。 链适合于可以组织成符号序列的数据，链中相邻的符号通常对应于图像中邻接的基元。 基元是句法模式识别中使用的基本的描述元素。 符号和基元的接近(邻近)规则有例外，例如描述一个封闭边界的链，它的第一个和最后一