10第十章特征提取分析报告.pptx

第十章 特征提取 本章内容 常用的基本统计特征 主成份分析PCA 局部二进制模式LBP 10.1图像特征概述 由于计算机只能识别数字，不能识别图像。为了使计算机能够“理解图像”，我们将研究如何从图像信息里面提取有用的信息和数据，得到一些如数值、向量、符号等表示或描述等特征，计算机懂得这些特征，从而达到识别图片的能力。 为什么要做特征提取 图像分析(通常为图像分割)能够获取表征目标的原始数据，但通常这些原始数据存在数据量过大、冗余信息过多、可分性差、不变性差等缺点，因此我们需要找到更能有效反映信号分类特性及本质的精炼表达形式。 图像特征 图像特征:特征是某一类对象区别于其他对象的相应特点或特性，对图像而言，有直观的自然特征如亮度、边缘、纹理、色彩等，有些则需要通过变换或处理得到，如矩阵、直方图等信息。 图像特征的分类： 根据图像的自身特点分为：描述物体外形的形状特征和描述物体表面灰度变化的纹理特征。 根据特征提取方法分为：统计特征和结构（句法）特征。本章主要讨论统计特征。 三维空间的三类植物三维特征向量样本 二维空间中的三类二维特征向量及其上的一种可能的划分。 特征向量 在数学上，特别是线性代数中，对于一个给定的线性变换，它的特征向量（本征向量或称正规正交向量）v，经过这个线性变换之后，得到的新向量仍然与原来的v 保持在同一条直线上，但其长度也许会改变。一个特征向量的长度在该线性变换下缩放的比例称为其特征值（本征值）。 一个特征空间是具有相同特征值的特征向量与一个同维数的零向量的集合，可以证明该集合是一个线性子空间。 如果矩阵对某一个向量 或某些向量只发生伸缩 变换，不对这些向量产 生旋转的效果，那么这 些向量就称为这个矩阵 的特征向量，伸缩的比 例就是特征值。 特征向量与特征提取 一个对象由多个特效组合。用特征向量来代表某一类对象，如果只有单个数值特征，则特征向量为一维向量；如果是N个特征组合，则为一个N维特征向量。该特征向量为识别系统的输入。 特征提取识别任务就是对N维空间划分。 我们需要选择在同类图像之间差异较小，在不同类别差异较大的图像特征。 10.2基本统计特征 1.简单的区域描绘子 将图像简单的区域描绘子作为区域的特征组合成特征向量以分类使用。 常用的简单区域描绘子如下： 周长，面积，质心，灰度均值，灰度中值，最小或最大灰度级，大于或小于均值的像素数，欧拉数。 Matlab求特征向量： D=regionprops(L,properties); 10.2.2直方图及其统计特征 不同图像的纹理特征不同，使用图片的灰度级直方图来描述纹理。 纹理分析指的是图像像素灰度级或颜色的某种变化，主要研究如何获得图像纹理特征和结构的定量描述和解释，以便于图像分析、分割和理解。 一般来说，可以认为纹理由许多相互接近、相互编织的元素构成，并常富有周期性。 纹理的定义大体可以从三个方面来描述: 具有某种局部的序列性，并在该序列更大的区域内不断重复； 序列由基本部分非随机排列组成； 各个部分大致都是均匀的统一体。 纹理分析是指通过一定的图像处理技术抽取出纹理特征，从而获得纹理的定量或定性描述的处理过程。 纹理特征是从图像中计算出来的一个值，它对区域内部灰度级变化的特征进行量化。 纹理分析基本过程是从像素出发，在纹理图像中提取出一些辨识力比较强的特征，作为检测出的纹理基元，并找出纹理基元排列的信息，建立纹理基元模型，然后再利用此纹理基元模型对纹理图像进一步分割、分类或是辨识等处理。 I1=imread(s1.bmp); I2=imread(s2.bmp); I3=imread(s3.bmp); figure; subplot(3,2,1); imshow(I1); subplot(3,2,2); imhist(I1); subplot(3,2,3); imshow(I2); subplot(3,2,4); imhist(I2); subplot(3,2,5); imshow(I3); subplot(3,2,6); imhist(I3); 相似的纹理具有相似的直方图。三种不同特点的纹理对应不同的直方图。 使用直方图或其统计特征作为图像纹理特征。 直方图本身就是一个向量，向量的维数为直方图的灰度级数。 可以进一步从直方图中提取出统计特征，降低特征向量的维度。 直方图常用的统计特征 均值——纹理平均亮度的度量。 标准方差——纹理平均对比度的度量。 L是灰度级总数，Zi表示第i个灰度级，P（Zi）是归一化直方图灰度级分布中灰度Zi的概率，h（Zi）表示直方图中统计的灰度为Zi的像素个数。 平滑度——纹理亮度的相对平滑度度量。 对于灰度一致的区域，平滑度R等于1，对于灰度级有较大差异的区域，R等于0； 三阶矩——直方图偏斜性