基于计算机视觉测量技术的图像轮廓提取方法研究
第28卷 第1期2007年1月 计 量 学 报ACT A METRO LOGIC A SI NIC A V ol.28,№1
January 2007
基于计算机视觉测量技术的图像轮廓提取方法研究
吴凤和
(燕山大学机械工程学院,河北秦皇岛 066004)
摘要:图像分割与轮廓提取是计算机视觉测量技术的关键环节。针对传统边缘检测方法中存在的问题,结合计算机视觉测量技术的特点,提出了一种实用的轮廓提取方法。该方法采用灰度阈值法进行图像分割,并用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,实现了具有单像素边缘的图像轮廓提取。文中给出了关键技术的原理及实现方法。实验表明,与经典的边缘检测方法相比,此方法具有抗干扰性强、精度高等特点,能满足工程测量的实际需要。
关键词:计量学;轮廓提取;图像分割;计算机视觉;数学形态学;灰度阈值法
中图分类号:T B92 文献标识码:A 文章编号:100021158(2007)0120018205
A Study on Contour Extraction Method in Computer Vision Mea surement Technology
W U Feng 2he
(C ollege of Mechanical Engineering ,Y anshan University ,Qinhuangdao ,Hebei 066004,China )
Abstract :Image segmentation and border extracting technology play an important role in the computer vision measurement system .Aiming at the shortcomings of traditional edge detection methods ,considering the features of computer vision measurement ,a practical contour extraction method is introduced.In the method ,image segmentation is based on the gray threshold method ,the mathematical m orphology method is adopted to remedy the defects of binary image ,the contour of image is stored into chain -code through contour tracking alg https://www.wendangku.net/doc/a18105237.html,ing this method ,the one -pixel -wide border of image can be easily extracted.The principles and alg orithms of key technologies of the method are described.The experiments show that the features of the method such as denoise and precision are better than that of the traditional edge detection methods.It can be applied to practical engineering measurement system.
K ey w ords :Metrology ;C ontour extraction ;Image segmentation ;C omputer vision ;Mathematical m orphology ;G ray threshold method
收稿日期:2005210222;修回日期:2006203207
基金项目:河北省教育厅自然科学计划项目(Z 2005105)
作者简介:吴凤和,(1968-),男,内蒙古扎兰屯人,燕山大学副教授,硕士,主要从事计算机视觉、图形图像处理的研究。
1 引 言
基于计算机视觉的测量技术是以光学为基础,
融合光电子学、计算机技术、图像处理技术等多门现代科学的综合技术。它通过处理被采集对象的图像得到其几何特征参数,而目标物体轮廓的提取则成为影响测量精度的主要因素。因此,在基于计算机
视觉的测量系统中,为保证测量精度选取合适的轮廓提取方法是非常重要的。
轮廓提取的基本方法是边缘检测法,即借助于空域微分算子进行,通过将模板与图像卷积完成。经典的边缘检测方法是局部算子法,如梯度算子、S obel 算子、R oberts 算子、Canny 算子等,该方法具有
实现简单、运算速度快等优点,但存在下述缺点:检测出来的边缘无法保证单像素宽,往往出现孤立的
或仅仅是分小段连续的边缘。因此,需要进行细化处理,同时要设法将断续的边缘像素连接起来,这样才能完成轮廓提取。显然,这一处理过程过于复杂,提取的轮廓精度无法保证。在某些情况下,由于噪声的影响,甚至无法提取图像的轮廓。
针对传统边缘检测方法中存在的问题,结合计算机视觉测量技术的特点,
本文提出了一种实用的轮廓提取方法,即采用灰度阈值法进行图像分割,并用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,实现了具有单像素边缘的图像轮廓提取。实验表明,与经典的边缘检测方法相比,此方法具有抗干扰性强、精度高等特点,能满足工程测量的实际需要。
2 轮廓提取的原理
从物体图像中得到目标物体的外形轮廓称为轮
廓提取,它是保证测量精度的关键环节。针对计算机视觉测量中的图像通常只包含目标(工件)和背景两类区域的特点,本文采用灰度阈值法进行图像分割;利用数学形态学的非线性滤波特性,消除二值图像中的缺陷与噪声;采用掏空内部点的方法从二值图像中提取轮廓;通过链码跟踪的方法存储轮廓信息,使轮廓的处理与测量更可靠方便。其工作过程如图1所示,首先通过图像预处理滤除图像中的噪声,然后利用阈值法分割图像得到二值图像,经缺陷修补处理后进行轮廓提取得到图像的边界点(目标的轮廓),最后通过轮廓跟踪算法将轮廓存储为链码表示的格式。
图1 基于灰度阈值的轮廓提取过程
3 关键技术
3.1 图像预处理
由光学成像系统生成的二维图像通常包含噪
声,为提高计算机的视觉功能,增强计算机的分析和识别能力,需去除原始图像中的噪声。这种突出有用信息、抑制无用信息和改善图像质量的处理技术,称为图像的预处理。
图像预处理的过程就是对输入的图像进行某些变换,从而得到清晰图像的过程。比如,对含有噪声的图像,要除去噪声,滤去干扰,提高信噪比;对于对比度小的图像要进行灰度变换等增强处理;对于己经退化的模糊图像要进行各种复原的处理;对于失真的图像要进行几何校正等变换。基于计算机视觉的测量技术中图像预处理的目的是改善图像的质量,使图像便于处理,易于测量。常采用的图像预处理方法主要有:图像平滑、图像锐化、图像边缘增强
等方法[1]
。3.2 阈值分割
计算机视觉测量中的图像一般只包含目标(工件)和背景两类区域,因此,本文采用单阈值分割方法进行图像分割。其处理过程包括两个步骤:一是确定分割阈值,二是将分割阈值与像素的灰度值进行比较。
阈值分割的基本原理是:若图像f (x ,y )的灰度区间为[Z min ,Z max ],在该区间内设定一个阈值Z t ,且Z min f t (x ,y )= 1 f (x ,y )>Z t 0 f (x ,y )≤Z t (1) 阈值分割的目标是在尽可能多地保留原图像特征的前提下舍弃冗余信息[2] ,因此,单阈值法中最关键的问题就是如何正确地确定灰度阈值Z t ,也就是确定灰度值的突变点。本文采用迭代法确定阈值Z t ,其原理是:基于逼近的思想,根据灰度直方图的统计结果确定初始阈值,利用该阈值将图像分割为目标和背景,并把两者的灰度平均值的均值作为新的阈值,通过循环迭代直到前后两次循环得到的阈值相差非常小时循环停止,得到灰度阈值Z t 。该方法具有算法简单,易于实现等优点,其具体步骤如 下: (1)求出图像的最大灰度值Z max 和最小灰度值 Z min ,令阈值Z t 的初始值为(Z max +Z min )Π2; (2)根据阈值Z t 将图像分割为目标和背景,分 别求出两者的平均灰度值Z O 和Z B ; (3)求出新阈值Z t +1=(Z O +Z B )Π2; (4)若Z t =Z t +1,则所得即为阈值;否则令Z t = Z t +1转步骤(2)继续进行迭代计算。 3.3 缺陷修补 9 1第28卷 第1期吴凤和:基于计算机视觉测量技术的图像轮廓提取方法研究 经阈值分割得到的二值图像中可能存在断线、凹洞、毛刺等缺陷,尤其当图像中存在噪声的情况下,若直接利用带有缺陷的图像进行轮廓提取,就会得到包含断点、毛刺等缺陷的轮廓,给轮廓的进一步处理造成困难,甚至影响测量精度,因此,必须采取措施消除这些缺陷。 数学形态学是一种非线性滤波方法,其中的膨胀和腐蚀运算有着很直观的几何背景,可以使图像在一定方向上增厚或减薄,其方向取决于所选取的结构元素。基于这一特性,本文采用数学形态学方法对二值图像进行缺陷修补,以消除图像中的缺陷和噪声。 数学形态学用集合来描述二值图像,用结构元素对图像进行形态学变换。其中,形态学变换包括 4种基本运算[3] :膨胀(Dilation )、腐蚀(Erosion )、开运算(Open )和闭运算(Close )。 设A 为输入的二值图像,采用结构元素B 对图像进行形态学处理。A 被B 膨胀,可以表示为A B ,其定义为: A B = {x |x =a +b ,对某些a ∈A 和b ∈B } (2) A 被 B 腐蚀,可以表示为A ΘB ,其定义为: A ΘB = {x |(x +b )∈A ,对每一个b ∈B } (3) A 被 B 作开运算,可以表示为A ΟB ,其定义为: A Ο B =(A ΘB ) B (4)A 被B 作闭运算,可以表示为A ?B ,其定义为: A ? B =(A B )ΘB (5) 基于数学形态学的缺陷修补方法中,结构元素 B 的形状和大小都直接影响缺陷修补的效果。不同 形状的结构元素(圆形、方形或菱形等)对噪声及缺 陷的敏感程度不同,结构元素的形状应依据缺陷的具体情况而定。 若采用一种形状的结构元素不能产生满意的效果时,可以同时采用多种形状的结构元素,分别对图像进行运算,然后将运算后的图像合并起来。结构元素的尺寸大小对缺陷修补的效果也有影响,一般来说,小尺寸的结构元素去噪声能力较弱,但对边缘细节的保护较好;大尺寸的结构元素去噪声能力较强,但对边缘细节的保护较差。因此,选取结构元素时应从尺寸和形状两个方面考虑,针对缺陷的具体情况确定结构元素。 所采用的运算形式(膨胀、腐蚀、开运算、闭运算)对缺陷修补的效果也有很大影响。一般来说,膨胀可以使目标增大、孔洞缩小;腐蚀能收缩图像的边界,使内孔增大,消除外部孤立噪声;开运算可以切断细长的搭接,去掉图中的孤立子域、毛刺及凸出部分;闭运算能够填充细小空洞,搭接短的间隔,连接邻近物体。在实际应用中,运算形式的选择应遵循以下原则: (1)在保持图像基本形状特征的基础上,平滑边界,消除图像中的细小空洞和毛刺; (2)为保证测量精度,应保持图像中目标的尺寸基本不变。 在实际操作中,应根据以上原则,视图像中缺陷的具体情况选择合适的运算形式,必要时可以采用几个基本运算的组合形式。基于数学形态学的缺陷修补效果如图2所示。 图2 基于数学形态学的缺陷修补效果 图2(a )为输入的图像,该图像经阈值分割处理后得到图2(b )的二值图像,显然,该图像中存在凹洞、毛刺、间隔等缺陷。图2(c )、2(d )为采用一个3×3的结构元素A ,对二值图像2(b )分别进行腐蚀、膨胀运算的处理结果。由图2(c )和2(d )可以看出, 处理后的图像不仅存在毛刺、间隔及小的空洞,图像中目标的尺寸也发生了变化,修补效果较差。图2(e )是采用两个不同尺寸的结构元素A 和B 对图像2(b )进行组合闭运算的效果,采用的结构元素模板如下: 02计量学报2007年1月 A=11 1 111 111 ; B= 100 0100 0010 0001 由图2(e)可以看出,修补后的图像既保持了原图像基本形状特征,又去除了毛刺、间隔及小的空洞,为进行轮廓提取处理提供了条件。 3.4 轮廓提取 通过阈值分割获得的二值图像经缺陷修补后,需要进行轮廓提取以获得图像中目标的二维轮廓。本文采用掏空内部点的方法对二值图像进行轮廓提取处理,其原理为:假定背景颜色为黑色,目标颜色为白色,如果原图像中有一像素点为白色,且它的8 ,可确定该点为内部点,则将该点删除,也就是把内部点都掏空[4]。 在二值图像中,假定背景像素灰度值为0,景物像素灰度值为1,边界轮廓的提取规则如下: (1)若中心像素值为0,不管相邻其余8个像素为何值,一律保留中心像素值0; (2)若中心像素值为1,且相邻的其余8个像素值全为1,则改变中心像素值为0; (3)除上述情况外,全部将中心像素值改为1。 根据上述规则,即可得到图像中目标的轮廓。 3.5 轮廓的链码表示 二值图像经轮廓提取后由原来的阵列形式转化为对边界轮廓点的描述,由于轮廓点本身只表示了图形区域的边界,并没有指明图形区域与边界的关系,因此,必须采用轮廓跟踪技术对提取出的轮廓进行跟踪,并将轮廓信息以某种形式存储起来,以便于轮廓的处理与测量。本文采用链码跟踪的方法存储图像的轮廓信息。 链码是一种改进的坐标增量序列存储结构。如图3所示,链码可以用中心像素p指向它的8个相邻点的方向来定义,链码值加1,其所指方向就按逆时针方向旋转45°。 对轮廓图像来说,除像素序列的起始像素外 ,任一后继像素均可用0～7个像素中的一个来唯一确定。轮廓跟踪可根据链码的方向进行,下一跟踪点的取得依赖于上一轮廓点,从而避免了对所有像素点的扫描,提高了轮廓跟踪的效率[5]。 链码跟踪的过程如下: (1)采用行扫描技术得到起始的轮廓点,记录该点坐标为Start-X和Start-Y,且以该起始点为当前点,转步骤(2),若扫描后得不到轮廓点,则转步骤 图3 像素p的方向链码 (4); (2)按方向链码的顺序扫描与当前点相邻的8邻域,若遇到轮廓点,立即停止跟踪轮廓且记录所跟踪到的方向链码值,转步骤(3);若没有遇到轮廓点,则置“-”轮廓跟踪结束标志,将扫描起点置为Start -X和Start-Y,转步骤(1); (3)用底色填充扫描到的轮廓点,且将当前点置为跟踪到的轮廓点处,转步骤(2); (4)用“-”标志置所有轮廓跟踪结束。 这样,就得到了所有轮廓信息的链码序列List。链码序列的格式包括起始点的坐标和方向链码的值,序列中的不同轮廓之间用轮廓结束标志分开。其记录方式是:对一封闭轮廓,首先是轮廓坐标起点,然后是方向链码序列,接着是轮廓结束标志。由于采用轮廓的自封闭跟踪,故序列中的值是根据轮廓线条的顺序来记录的,为轮廓的后续处理提供了方便。链码跟踪法能实现一次跟踪即可得出所有轮廓。 链码表示的轮廓值可通过链码的解码工作来完成,解码思路和编码的思路是一致的。由图2可知,链码的方向和像素坐标之间存在表1所示的对应关系,因此可以构造一个数组来完成解码过程,对X 坐标,构造数组X[8],X[8]={1,1,0,-1,-1, -1,0,1};对Y坐标,构造数组Y[8],Y[8]={0, 1,1,1,0,-1,-1,-1}。这样即可由链码序列得到相应的轮廓坐标值。 表1 链码值与像素坐标之间的对应关系 链码值01234567 X坐标偏移110-1-1-101 Y坐标偏移01110-1-1-1 4 轮廓提取的效果分析 为了检验轮廓提取的效果,选取一个花瓶图像(256级灰度)作为测试图像,进行轮廓提取实验,实验结果见图4。 12 第28卷 第1期吴凤和:基于计算机视觉测量技术的图像轮廓提取方法研究 图4 图像的轮廓提取结果 由实验结果可以看出,在图像没有受到干扰的 情况下,本文的方法能够很好的提取图像的轮廓。 为了验证本文方法的实用性及其对噪声的敏感程度,在图4(a )的图像中加入20%的椒盐噪声(图5(b )),经图像预处理(中值滤波)后得到图像5(c ),以图像5(c )为测试图像,进行轮廓提取实验,并将实验结果与采用S obel 算子、R oberts 算子、Canny 算子提取边缘的方法相比较,结果如图5所示。 由实验结果可以看出,在图像受到噪声干扰的情况下,S obel 算子(图5(f ))、R oberts 算子(图5(g ))、Canny 算子(图5(h ))提取轮廓的效果很不好,存在断线、噪声等现象,而本文方法(图5(e ))仍能很好地提取图像的轮廓。 图5 加入噪声后图像的轮廓提取结果比较 实验表明,本文提出的图像轮廓提取方法具有 一定的实用性和抗噪声能力,能够满足基于计算机视觉测量技术的需要。5 结 论 计算机视觉测量系统在工业生产过程中应用越来越广泛,而图像轮廓提取通常是一个必要的环节。选取合适的图像轮廓提取方法对保证测量精度无疑是非常重要的。针对传统边缘检测方法中存在的问题,结合基于计算机视觉测量技术的特点,本文提出了一种实用的轮廓提取方法,该方法基于灰度阈值进行图像分割,利用数学形态学方法对二值图像进行缺陷修补,通过链码跟踪存储轮廓信息,实现了轮廓的快速提取与存储。实验表明,利用本文方法提取的轮廓具有连续、精度高、单像素宽等特点,与经 典的边缘检测方法相比,本文给出的轮廓提取方法抗干扰性强,鲁棒性好,能够满足基于计算机视觉测量技术的要求。 [ 参考文献] [1] Wu Fenghe ,Shi Fazhong.Research on a Reverse Engineering Method for 3D Surface Using S ingle Image [A ].Progress of Machining T echnology ,ICP MT [C ].Suzhou ,China ,2004,949～953. [2]崔屹.数字图像处理技术与应用[M].北京:电子工业出 版社,1997,122～125. [3]章毓晋.图象处理和分析[M].北京:清华大学出版社, 2000,254～275. [4]何斌,马天予,王运坚,等.Visual C ++数字图像处理 [M].北京:人民邮电出版社,2001,435～445. [5]吴凤和,施法中.基于图像数据的数控编程系统研究与 开发[J ].中国机械工程,2005,16(17):1541～1545. 22计量学报2007年1月 龙源期刊网 https://www.wendangku.net/doc/a18105237.html, 图像纹理检测与特征提取技术研究综述 作者：李秀怡 来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言 随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。 尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识： （1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期 一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为: 关于图像特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 边缘 边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特 数学实验报告 实验二图像轮廓线提取技术 学院 专业 姓名 学号 成绩单序号 提交日期 一、实验目的 1.了解对matlab的图像处理功能，掌握基本的图像处理方式； 2.掌握imread，imshow，imwrite，subplot，title等的基本使用方法。 3.掌握图像轮廓线提取的简单方法并上机实现。 4.了解matlab自带的边界检测算子的使用，提高对复杂图像处理的能力。 二、实验要求 1．任意选取一幅灰度图像和一幅彩色图像，对算法中若干关键语句中进行调整，得出不同的实验结果，对这些结果进行分析，并与MATLAB自带的边缘检测做对比。 2．提出其它的轮廓线提取方法，与简单阈值法进行比较分析。 三、实验过程 1．任意选取一幅灰度图像和一幅彩色图像，对算法中若干关键语句中进行调整，得出不同的实验结果，对这些结果进行分析。 ⑴灰度图的轮廓线提取，M文件代码： function gray(pix,n) %灰度图的轮廓线提取 A=imread(pix); %读取指定的灰度图%生成与图像对应的矩阵 [a,b]=size(A); %a,b分别等于矩阵A的行数和列数 B=double(A); %将矩阵A变为双精度矩阵 D=40*sin(1/255*B); %将矩阵B进行非线性变换 T=A; %新建与A同等大小矩阵 for p=2:a-1 %处理图片边框内的像素点 for q=2:b-1 if (D(p,q)-D(p,q+1))>n|(D(p,q)-D(p,q-1))>n|(D(p,q)-D(p+1,q))>n|(D(p,q)-D(p-1,q))>n|( D(p,q)-D(p-1,q+1))>n|(D(p,q)-D(p+1,q-1))>n|(D(p,q)-D(p-1,q-1))>n|(D(p,q)-D(p+1,q +1))>n T(p,q)=0; %置边界点为黑色%新建轮廓线矩阵 else T(p,q)=255; %置非边界点为白色 end; end; end; subplot(2,1,1); %将窗口分割为两行一列，下图显示于第一行 image(A); %显示原图像 title('灰度图原图'); %图释 axis image; %保持图片显示比例 subplot(2,1,2); %下图显示于第二行 image(T); %显示提取轮廓线后的图片 图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。 设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的 图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实 第33卷第4期电子科技大学学报V ol.33 No.4 2004年8月Journal of UEST of China Aug. 2004 CCD图像的轮廓特征点提取算法 侯学智，杨平，赵云松 (电子科技大学机械电子工程学院成都 610054) 采用最大方差法将图像二值化，用图像形态学的梯度细化和修剪算法来提取边缘轮廓，利用十一【摘要】﹑ 点曲率法得到轮廓的角点和切点的大致位置。提出了一种基于最小二乘拟合的改进算法，来进一步确定角点和切点，并对轮廓分段识别。该算法应用在基于图像处理的刀具测量系统中，实际结果表明具有良好的抗噪声性能，能准确提取出图像的特征点。 关键词刀具测量; 细化; 曲率; 最小二乘拟合; 角点 中图分类号TP391 文献标识码 A Contour Feature Point Detection Algorithm of CCD Image Hou Xuezhi，Yang Ping，Zhao Yunsong (School of Mechatronic Engineering, UEST of China Chengdu 610054) Abstract The image is segmented to Bi-value image with max variance algorithm, and then the edge is detected by a series of image morphology algorithm including grads, thinning and cutting. The eleven point curvature-computing method is used to locate the area of corner and point of tangency. An improved algorithm based on least square fitting is given to search corner and point of tangency. This algorithm is applied to the cutting tools measurement system based on image processing and the actual result proves it has a good noise-resisted performance and can detect feature points accurately. Key words cutting tools measurement; thinning; curvature; least square fitting; corner 目前数控加工精度已达到微米级，对刀精度要求愈来愈高。传统的刀具测量方式采用人眼瞄准，容易带来主观误差，使对刀精度降低。在基于图像处理的刀具测量系统中，CCD数码相机将对刀状态的图像摄入，通过USB接口输入计算机。首先提取出刀具轮廓的特征点，再对轮廓曲线进行分段，从而测量刀具的长度﹑半径﹑角度等参数。通常利用曲率信息来提取轮廓特征点，三点曲率法对噪声较敏感，十一点曲率法能较好地估算出轮廓的曲率，并能简单提取出轮廓的角点与切点区域[1, 2]。本文提出利用最小二乘法拟合角点和切点区域的曲线，根据计算的斜率和曲率的特点能有效确定角点和切点。 1 图像预处理 被测刀具的图像如图1所示。CCD相机采集到刀具的彩色图像，将其转化为256色的灰度图像，如图1a 所示，采用最大方差阈值法将图像二值化。由于刀具表面存在油污，光线散射等原因，图像二值化后，在刀具部分有颗粒状噪声，而刀具以外有细小孔洞存在，所以在提取轮廓前，采用形态学算子滤波。在图像形态学中，最基本的运算是腐蚀和膨胀运算，通过腐蚀和膨胀可以构成开运算与闭运算。开闭运算都能够平滑边缘，其中开运算能够消除细小物体，闭运算能够填充物体孔洞。本文采用方形结构元素，对图像先闭运算后开运算，有效地滤除了图像的细小孔洞和噪声，而刀具的结构和面积基本保持不变。图1b所示为 收稿日期：2003 ? 07 ? 24 作者简介：侯学智(1980 ? )，男，硕士生，主要从事工业测控技术方面的研究. 毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法 Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation 图像分割概念：图像分割就是把图像分成各特性的区域并提取出感兴趣目标的技术和过程。这些区域互相不交叉，每一个区域都满足特定区域的一致性。医学图像的特点:成像设备的局限性、组织的蠕动-----伪影和噪声局部体效应------组织边缘模糊病变组织---------病变边缘不明确不均匀的组织器官-------灰度不均匀模糊、不均匀、个体差异、复杂多样医学图像分割方法的特点1、分割算法一般面向具体的分割任务，没有通用的方法2、重视多种分割算法的有效结合3、需要利用医学中大量领域的知识4、交互式分割方法受到日益重视图像分割算法基于区域的分割方法基于边缘的分割方法基于数学形态学的分割方法灰度阈值法:灰度值域法是把图像的灰度分成不同的等级,然后用设置灰度阈值的方法确定有意义的区域或分割物体的边界. 令f(x,y)原始图像 阈值的选取:1直方图法（极小值点阈值） 2 最小误差阈值 3 迭代阈值分割 4 最大方差阈值分割边缘检测（Edge Detection）:基本思想是先检测图像中的边缘点，再按照某种策略将边缘沿点连接成轮廓，从而构成分割区域。边缘：指图像局部亮度变化显著的部分. 边缘的检测方法:最简单的边缘检测方法是并行微分算子法。利用相邻区域的像素值不连续的性 质，采用一阶或二阶导数来检测边缘点。一阶导数求极值点，二阶导数求过零点。一阶梯度算子:Roberts交叉算子Sobel算子 Priwitt 算子二阶拉普拉斯算子:在此基础上LoG 算子 Canny算子 :推导了最优边缘检测算子区域生长(region growing) 基本思想：将具有相似性质的像素集合起来构成区域。具体步骤：先对每个需要分割的区域找一个种子象素作为生长的起点，然后将种子象素周围邻域中与种子象素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子象素所在的区域中。将这些新象素当作新的种子象素继续进行上面的过程，直到在没有满足条件的像素可被包括进来。这样一个区域就生长了。解决的问题：① 如何选择一组能正确代表所需区域的种子象素； ② 如何确定在生长过程中能将相邻象素包括近来的准则；③如何确定生长终止的条件或规则例如：每一步所接受的邻近点的灰度级与先前物体的平均灰度级相差小于2。起始第二步第三步558655865586 48974897 4897 228322832283 333333333333 分裂合并(splitting and merging) 基本思想：从整幅图像开始通过不断分裂得到各个区域．具体步骤：先把图像分成任意大小且不重叠的区域，然后再合并或分裂这些区域以满足 静态图像人体轮廓提取方法的研究 静态图像人体轮廓提取是指从静态图像中将人体轮廓分割出来,它在计算机视觉中的人体行为识别、背景分割与替换等多个方面都有着广泛的应用。静态图像人体轮廓提取面临着巨大的挑战,包括人体姿态的多样性,衣着的各异性,光线的变化以及复杂的背景等多个方面。 近年来,随着深度学习的快速发展,图像处理领域中基于传统特征提取的方法逐渐被深度学习所取代,而卷积神经网络在图像特征提取方面体现出了很大的优势。因此,采用卷积神经网络进行人体轮廓提取具有重要意义。 本文的主要研究内容如下:1.针对传统特征提取无法精准分割人体轮廓的问题,采用一种基于深度学习的人体轮廓提取方法。该方法设计了特定的卷积神经网络结构,在模型中引入了全卷积神经网络,反卷积与网络中网络的相关技术,实现了对静态图像在像素级别的人体轮廓提取。 2.为了提高模型的性能,在本文所构建卷积神经网络的基础上提出了一种改进方法,将原始图像经过Gabor滤波器进行预处理后再传入卷积神经网络,利用Gabor特征与卷积神经网络相结合实现了更精确的人体轮廓提取。 3.分别借助VOC2012数据集和百度人体分割数据集来验证本文所提出方法的有效性。 并将改进后的模型应用于具有隐私保护功能的视频监控系统,选择CAVIAR 视频监控数据集中的视频进行测试,并对结果进行分析。实验结果表明:(1)基于卷积神经网络的人体轮廓提取方法实现了对人体轮廓的快速有效分割,体现了利用深度学习进行实验的可行性;(2)改进后的模型在VOC2012数据集上的吻合度测试结果比原始模型提高了 10.96%;(3)在百度数据集上的测试结果表明该改进方法相比于其他现有方法,在准确度和处理速度等方面都能体现出合理性和有效 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法 Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation 图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩 OpenCV笔记9：提取并显示图像轮廓 01#include 图像纹理检测与特征提取技术研究综述
图像颜色特征提取原理
关于图像特征提取
图像轮廓线提取
图像特征提取方法
图像特征提取总结
CCD图像的轮廓特征点提取算法
图像分割和特征提取技术研究
图像特征提取与分析复习资料
静态图像人体轮廓提取方法的研究
图像分割和特征提取毕业设计
(完整版)图像特征特点及常用的特征提取与匹配方法
图像轮廓提取