图像特征提取研究论文（共11篇）
图像特征提取研究论文 篇1
1 引言
数字图像处理泛指从图像获取到图像信息输出的全过程, 包括对已有图像信息的处理, 它具有精度高、成本低、速度快及灵活性好等特点, 使得其在诸多领域得到了广泛的应用。作为数字图像处理的常用技术, 图像增强、图像分割、边缘检测等已经发展的较为成熟【1】, 并经常被结合起来用以处理图像。
轮廓特征提取作为数字图像处理中的一个重要方面, 更是许多有关图像研究的重要中间环节, 目前已有很多相关工作完成【2】。提取出图像中物体的大致轮廓等特征可以用来模式识别【3】、物体判断、数学特征值 (如分形维数【4】) 等的计算。
本文对图像轮廓提取过程及应用到的关键技术进行了研究, 给出照片中河流轮廓提取实例。
2 图像轮廓特征提取的流程分析
对于给定的原始图像, 为了提取出轮廓特征, 需要消除图像中的无用噪声, 同时考虑增强消噪后可能变模糊的图像中对提取有利的特定信息, 在此基础上把图像分割成有意义的区域, 再使用特定算子勾勒出图像的轮廓。下图为图像轮廓特征提取的流程示意:
本文对已有的数字图像, 采用目前常用的空间域和频率域的平滑算法 (如理想低通滤波器) 滤波去噪增强, 然后选择适当的阈值分割法 (如OTSU算法) 分割得到二值化黑白图, 再采用适当的边缘检测算子 (如log算子) 提取图像的轮廓特征, 并对所用技术进行描述。
2.1 图像增强
图像经过增强处理后效果会得到改善, 它的某些特定信息将得到增强。在增强过程中, 不分析图像降质的原因, 处理后的图像不一定逼近原始图像, 即可以是一个失真的过程, 且不能增加原图像得信息。其目的是要增强视觉效果, 针对给定图像的应用场合, 有目的地强调图像的整体或局部特性, 扩大图像中不同物体特征之间的差别, 强调某些感兴趣的特征, 抑制不感兴趣的特征, 满足某些特殊分析的需要。将原来不清晰的图像变得清晰或改善图像质量、丰富信息量, 加强图像判读和识别效果。
根据图像增强处理过程所在的空间不同, 可分成基于频率域的方法和基于空间域的方法。前者是一种间接增强的算法, 把图像看成一种二维信号, 经傅里叶变换将图像从空间域变换到频率域, 然后在频率域对频谱进行操作和处理, 再将其反变换到空间域, 从而得到增强后的图像;后者直接在图像所在的二维空间进行处理, 即直接对每一个像素的灰度值进行处理。基于空域的算法分为点运算算法和邻域去噪算法:点运算算法即灰度级校正、灰度变换和直方图修正等, 目的或使图像成像均匀, 或扩大图像动态范围, 扩展对比度;邻域增强算法分为图像平滑和锐化两种:平滑一般用于消除图像噪声, 但是也容易引起边缘的模糊, 常用算法有均值滤波、中值滤波。锐化的目的在于突出物体的边缘轮廓, 便于目标识别, 常用算法有梯度法、算子、高通滤波、掩模匹配法、统计差值法等。
2.1.1 理想低通滤波增强
一般图像的能量主要集中在其低频部分, 噪声和系统中所要提取的边缘信息主要集中在其高频部分, 图像增强的目的是去掉高频干扰又同时保持边缘信息。可以采用低通滤波的方法去除高频干扰来平滑图像。低通滤波是频域滤波增强的一种, 是在变换域空间对图像进行滤波。如上所述, 一般通过某种变换 (如傅里叶变换、小波变换) 将图像从空间域变换到频率域, 然后在频率域对频谱进行操作处理, 再将其反变换到空间域, 从而得到增强后的图像。图像从空间域变换到频率域后, 其低频分量对应了图像中灰度值变化比较缓慢的区域。
以傅里叶变换为例, 频域滤波的主要步骤为:
(1) 对原始图像f (x, y) 进行傅里叶变换得到F (u, v) :假设图想以undefined存储, 则离散傅里叶变换undefined可由如下公式得到
undefinedundefined
(2) 将F (u, v) 与传递函数H (u, v) 进行卷积运算得到G (u, v) :
undefined
(3) 将G (u, v) 进行傅里叶逆变换得到增强图像g (x, y) :
undefinedundefined
故频域滤波的核心在于如何确定传递函数H (u, v) , 一个二维的理想低通滤波器的传递函数如下:
undefined
式中, D0是一个非负整数;D是从点 (u, v) 到频率平面原点的距离, 即:
undefined
理想低通滤波器的含义是指小于D0的频率, 即以D0为半径的圆内所有频率分量可以完全无损地通过, 而圆外的频率, 即大于D0的频率分量则完全被除掉。
2.1.2 Roberts算子锐化
图像滤波平滑往往使图像中的边界、轮廓变的模糊, 为了减少这类不利效果的影响, 这就需要利用图像鋭化技术, 使滤波增强后图像的边缘、轮廓线以及图像的细节变的清晰。经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算, 因此可以对其进行逆运算 (如微分运算) 就可以使图像变的清晰。
Roberts算子又称为梯度交叉算子, 是一种利用局部差分算子寻找边缘的算子。梯度幅值计算近似方法如图2:
(i, j) 为当前像素的位置, f (i, j) 为该点的灰度值, 由如下锐化公式得到表示增强后的图像 (i, j) 位置处灰度值g (i, j) :
undefined
2.2 图像分割与OTSU法
图像分割的目的是把图像空间分成一些有意义的区域, 可以逐个像素为基础去研究图像分割, 也可以利用在规定邻域中的某些图像信息去分割。图像分割比较正式的定义如下:
令集合R代表整个图像区域, 对R的图像分割可以看作是将R分成N个满足以下条件的非空子集R1, R2, …, RN:
(1) undefined;
(2) 对i=1, 2, …, N, P (Ri) =TRUE;
(3) 对∀i, j, i≠j, 有Ri∩Rj=φ;
(4) 对∀i, j, i≠j, P (Ri∪Rj) =FALSE;
(5) 对i=1, 2, …, N, Ri是连通的区域。
对于此定义需要补充的是, 实际的图像处理和分析都是面向某种特定应用的, 所以条件中的各种关系也是需要和实际要求结合而设定的。图像分隔的依据可以建立在图像像素间的“相似性”和“非连续性”两个基本概念之上。像素的“相似性”是指图像中在某个区域内像素具有某种相似的特性, 如像素灰度相等或相近, 像素排列所形成的纹理相同或相近。“不连续性”是指像素灰度的不连续, 形成调变的阶跃, 或是指像素排列形成的纹理结构的突变。故相似性分割就是将具有同一灰度级或相同组织结构的像素聚集在一起, 形成图像的不同区域;非连续性分割就是首先检测局部不连续性, 然后将它们连接在一起形成边界, 这些边界将图像分成不同的区域。图像分割方法又可以分为结构分割方法和非结构分割方法两大类。结构分割方法是根据图像的局部区域像素的特征来实现图像分割, 如阈值分割、区域生长、边缘检测、纹理分析等, 这些方法是假定事先知道这些区域的特性, 或者在处理过程中能够求得这些特性, 从而能够寻找各种形态或研究各像素群。非结构分割法包括统计模式识别、神经网格方法或其他利用景物的先验知识实现的方法等。
图像的黑白二值图像转化是指通过设定某个临界阈值, 大于该临界值时为白, 存储时用1表示, 小于该临界值时为黑, 存储时用0表示, 这样就可以将任意的彩色或者灰度图像转换成黑白二值图像。根据峰值个数以及处理过程的不同, 可以用不同的方法完成灰度图像转换为黑白二值图像的过程, 对于灰度峰值的多少, 可以设定多个不同的临界值。
常用的黑白二值化处理方法有:
1) 单阈值法。对于具有单灰度峰值的图像, 将灰度最大峰值作为临界值F, 并将图像点阵点上的颜色值小于等于某临界值F的像素undefined转换为黑色;大于F的像素值转换为白色。
2) 双阈值法。对于具有两个灰度峰值的图像, 将这两个最大峰值设定为两个不同的临界值F1和F2。当某个像素undefined的像素值介于F1和F2之间时设为白色, 其他情况设为黑色。
大津法 (又称OTSU法或最大类间方差法) 于1979年提出, 它是在灰度直方图基础上用最小二乘法原理推导出来的, 具有统计意义上的最佳分割阈值。Otsu法算法简单, 对光线等具有很强的自适应能力, 在灰度图像目标和背景的自动分割上具有广泛的应用。具体算法如下:
对图像A, 记t为前景与背景的分割阈值, 前景点数占图像比例为w0, 平均灰度为u0;背景点数占图像比例为w1, 平均灰度为u1。
图像的总平均灰度为:
u=w0×u0+w1×u1
从最小灰度值到最大灰度值遍历t, 当t使得值
g=w0× (u0-u) 2+w1× (u1-u) 2
最大时t即为分割的最佳阈值。
对大津法可作如下理解:g实际上就是类间方差值, 阈值t分割出的前景和背景两部分构成了整幅图像, 而前景取值u0, 概率为 w0, 背景取值u1, 概率为w1, 总均值为u, 根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量, 方差值越大, 说明构成图像的两部分差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小, 因此使类间方差最大的分割意味着错分概率最小。
2.3 边缘检测
图像的边缘是图像的最基本特征, 集中了图像大部分的信息, 图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的。物体的边缘是以图像局部特征不连续的形式出现的, 也就是指图像局部亮度变化最显著的部分, 例如灰度值的突变、颜色的突变、纹理结构的突变等, 同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特征, 通常沿边缘的走向灰度变化平缓, 垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点, 常见的边缘可分维阶跃型、房顶型和凸缘型。
当使用一阶倒数的边缘检测算子时, 如果所求的一阶导数高于某一阈值, 则确定该点为边缘点, 这样做会导致检测的边缘点太多。一种更好的方法就是求梯度局部最大值对应的点, 并认定它们是边缘点。通过去除一阶导数中的非局部最大值, 可以检测出更精确的边缘。一阶导数的局部最大值对应着二阶导数的零交叉点, 通过找图像强度的二阶导数的零交叉点就能确定精确的边缘点。通常将Gaussian滤波器和Laplacian边缘检测结合在一起, 形成LOG算法。即先用高斯函数对图像进行平滑, 然后再用拉普拉斯算子进行运算, 得到Laplacian-Gauss算法, 它使用一个墨西哥草帽函数形式:
undefined
这种方法在边缘检测时仅考虑那些具有局部梯度最大值的点为边缘点, 这一点可以用拉普拉斯算子将边缘点转换成零交叉点, 然后通过零交叉点的检测来实现边缘检测。所谓的零交叉点就是:如果一个像素出的值小于一θ0, 而此像素连通的各个像素都是大于θ0 (θ0为一个正数) , 那么这个像素就是零交叉点。
与其他边缘检测算子一样, LOG算子也是先对边缘做出假设, 然后再这个假设下寻找边缘像素。但Log算子对边缘的假设条件最少, 因此它的应用范围更广。另外, 其他边缘检测算子检测得到的边缘时不连续的, 不规则的, 还需要连接这些边缘, 而LOG算子的结果没有这个缺点, 对于Log 算子边缘检测的结果可以通过高斯函数标准偏差σ来进行调整。
3 基于MATLAB环境的实验分析
在MATLAB环境下定义函数并编写代码, 对一副照片上的河流轮廓进行提取, 过程如图:
图二是原始彩色照片灰度转化后的图像, 经过低通滤波去噪后得到图三所示图像, 去除了图像的高频噪声, 但略显模糊。对其进行Robert算子锐化调整后可以得到图四所示的增强图像, 图像特征明显变得清晰。大津法 (OTSU) 阈值分割后得到的图五可以看出特征区域和非关注区域的明显对比, 然后由log算子边缘检测提取河流的轮廓, 由图二和图六比较可见提取的效果较为理想。
4 结束语
本文首先介绍了数字图像轮廓特征提取的一般过程, 给出了流程图, 然后详细讨论了数字图像处理的中间环节技术, 并给出了这些技术的部分具体算法, 最后在MATLAB环境下编写代码, 从一副照片中提取出了河流的轮廓, 实验分析结果较为理想。数字图像处理技术应用于图像轮廓的提取, 能够简化一些实验研究工作, 缩短时间提高效率, 如提取的河流可以用于识别和地图绘制, 提取岩石断面轮廓可以用于分形维数计算等等。为了满足不同的需求, 研究者可以对提取过程中用到的技术加以改进或提出新的算法, 如采用不同的边缘检测模型和技术[5], 以达到自己研究所需要的特征和精度。
参考文献
[1]龚声蓉, 刘纯平, 王强等.数字图像处理与分析.北京:清华大学出版社, 2006, 1-84, 168-234
[2]邹柏贤, 林京壤.图像轮廓提取方法研究.北京:计算机工程与应用, 2008, 161-165
[3]魏冬冬, 聂铁铸等.人脸特征提取与识别技术研究.计算机与现代化, 2007, 3:69-76
[4]彭瑞东, 谢和平, 鞠杨.二位数字图像分形维数的计算方法.中国矿业大学学报.2004, 33 (1) :19-24
[5]辛动军, 周献中.基于snake模型的地图中河流提取算法.计算机工程.2006, 32 (20) :16-17
图像特征提取研究论文 篇2
土壤中酸可提取态重金属释放特征研究
采用模拟酸雨土柱淋洗实验,研究了不同土壤中酸可提取态重金属释放特征.结果表明,随着模拟酸雨pH值下降,土壤中酸可提取态重金属释放强度明显增大,各元素的释放量与酸雨pH值呈显著负相关.Zn释放主要集中在pH4.5～3.5之间;Cu释放主要集中在pH6.5～3.5之间;Cd的`释放没有较集中的范围;而Cr和Pb,不同土壤集中释放的pH值范围不同.不同处理水平对酸可提取态种金属的释放有显著影响.
作 者：邹海明 邹长明 林平官楠 李粉茹 Zou Haiming Zou Changming Lin Ping Guan Nan Li Fenru 作者单位：邹海明,邹长明,林平,李粉茹,Zou Haiming,Zou Changming,Lin Ping,Li Fenru(安徽科技学院植物科学学院,凤阳,233100)官楠,Guan Nan(河南理工大学,焦作,454000)
刊 名：中国农学通报 ISTIC PKU英文刊名：CHINESE AGRICULTURAL SCIENCE BULLETIN 年，卷(期)： 22(6) 分类号：S1 关键词：模拟酸雨 酸可提取态 重金属释放图像特征提取研究论文 篇3
【摘要】本文详细介绍了运用Matlab程序软件，对风洞实验中获得的沙粒运动连续高速摄影图像进行程序自动叠加的处理方法，以及对所得图像中运动粒子特征参数的提取和数据的导出途径。这种方法大大提高了风沙两相流高速摄影图像的处理速度，同时最大程度上保持颗粒特征参数提取的完整性和精确性，为风沙起动的研究提供了一种新的途径。
【关键词】Matlab；高速摄影图像；图像叠加；颗粒信息提取和导出
0.引言
沙粒起动形式、起动机制是风沙物理学中风沙运动的关键问题，在学术界中还存在着众多的争议[1]。关于沙粒起动形式和启动机制的研究主要是通过对两相流图像的处理分析来实现。当今两相流图像处理有很多方法[2-4]，通过不同的手段和原理来达到颗粒信息的恢复提取。本文基于Matlab图像处理知识和Matlab函数编译功能[5,6]，总结整理出一种风沙两相流高速摄影图像处理的可行性方法。该方法即提高了图像处理的效率又保证了信息结果的准确性和可靠性，是一种适用性广的风沙图像处理手段。
1.图像的自动叠加处理
1.1分析目标文件夹文件结构并赋予代号
使用dir函数获得指定文件夹下的所有文件,并存放在文件结构体数组中，然后循环处理文件夹里的文件。获取目标文件夹里的文件结构，利用循环语句给每个子文件分别赋予一个号，方便接下来对每个文件的调取处理。
2.轨迹信息提取和数据的导出
2.1颗粒信息提取
2.2数据导出到Excel表
3.结语
本文依靠Matlab工具强大的图像和数据处理功能，完成了风沙两相流高速摄影图像的自动叠加处理和颗粒信息参数的人工恢复提取及数据的导出工作。这种图像处理方法在保证信息提取可靠性的基础上，又提高了图像处理的工作效率，同时这种方法具有很广的适用性，为图像处理类工作提供参考作用。[科]
【参考文献】
［１］董治宝，郑晓静.中国风沙物理研究五十年(Ⅱ)[J].中国沙漠，2005,25(6):795-812.
［２］王大伟,王元,杨斌.风沙两相流PIV测量算法研究[J].力学学报,2006,38,(3):305－308.
［３］DELNOIJ E,WESTERWEEL J,DEER N G, et al.Ensemble correlation PIV applied to bubble plumes rising a bubble column[J].Chemical Engineering Science,1999,54:159-171.
［４］蔡毅等.模糊逻辑方法用于气固两相流动PTV 测量中的颗粒识别过程[J].Ex
periments and Measurements in Fluid Mechanics,2002,16(2):78-83.
［５］龚纯，王正林.Matlab语言常用算法程序集[M].电子工业出版社，2008.
图像特征点提取及匹配算法研究 篇4
深入分析研究广泛的两种典型特征点提取算法可知, 本文将Harris算法和SIFT算法两种算法取长补短, 提出了一种新的H/S (Harris/SIFT) 特征点提取算法, 并提出传统三角形匹配算法的改进。
一、基于H/S的特征点匹配算法改进
由于三角形抗平移、旋转和缩放, 对于处理图像间存在平移、旋转、缩放等情况, 具有很好的优越性。但当模板点集中一个点与目标点集中多个点匹配这种情况出现时, 特征点的对应关系不易找出。根据以上分析, 引入基线及基线三角形组的概念, 以采用H/S算法提取得到特征点为基础, 合理选择基线提高搜索效率, 然后由复数相乘的几何意义, 将图像特征点转移到复数向量空间中求解, 将传统方法中被动的搜索相似三角形变为选择基线后主动构造相似三角形组, 提高匹配准确性。
二、相似三角形匹配方法实现
运用H/S提取稳定特征点后进行图像匹配, 图2为实物图存在噪声且模板图像发生旋转、缩放时匹配结果, 结果表明在实物图受噪声干扰情况下, 该算法仍能准确找到发生旋转、缩放情况的模板图像;图3为使用Google Earth上截得的摇感图像进行图像匹配, 图3中的模板图像经过90度旋转, 并存在一定尺度放大, 结果表明该方法准确的在实物图中找到模板图像, 体现该算法在复杂背景下识别出目标物体的适用性, 验证了改进H/S算法提取特征点的有效性。
结论
本文在对现有特征点提取与匹配方法进行研究基础上, 提出一种新的H/S特征点提取算法, 并使用H/S特征点提取算法得到图像中的特征点后, 针对传统相似三角形匹配算法的局限性进行改进, 提高了算法的稳定性、准确性和快速性。
参考文献
[1]王红梅、张科、李言俊:《图像匹配研究进展》, 《计算机工程与应用》, 2004年19 (4) :42-45。
图像特征提取研究论文 篇5
小波分析在活体浮游植物离散三维荧光光谱特征提取及识别中的应用研究
为了区分和识别不同属的浮游植物,选择了Daubechies-3小波的二阶低频分量对10种浮游植物的离散三维光谱进行了特征提取.Bayes判别分析结果表明此类特征谱对不同属间浮游植物的正确判别率可达96.75%.利用非负最小二乘法,依据此类特征谱建立的标准谱库可对加入不同噪声的.某些藻进行100%的定性识别.可对绝大多数混合样中优势种进行定性识别;并可使某些优势种的识别量达到真实量的75% 以上.小波分析可对浮游植物在属的层次上进行有效的特征提取.
作 者：张芳 王良 苏荣国 宋志杰 王修林 祝陈坚 ZHANG Fang WANG Liang SU Rong-guo SONG Zhi-jie WANG Xiu-lin ZHU Chen-jian 作者单位：张芳,苏荣国,王修林,祝陈坚,ZHANG Fang,SU Rong-guo,WANG Xiu-lin,ZHU Chen-jian(中国海洋大学,化学化工学院,山东,青岛,266100;中国海洋大学,海洋化学理论与工程技术教育部重点实验室,山东,青岛,266100)王良,宋志杰,WANG Liang,SONG Zhi-jie(中国海洋大学,信息科学与工程学院,山东,青岛,266100)
刊 名：传感技术学报 ISTIC PKU英文刊名：CHINESE JOURNAL OF SENSORS AND ACTUATORS 年，卷(期)： 20(10) 分类号：O657.32 Q949.2 关键词：浮游植物识别 特征提取 小波分析 离散三维荧光光谱图像特征提取研究论文 篇6
关键词：MLS 点云模型 特征提取 线性相关性 有限元模型
1 概述
到目前为止，很多国内外学者对三维点云数据的特征提取进行了研究，但将提取的点云特征模型应用于建立工程有限元模型的研究未见报道[1][2][3]。邹冬、庞明勇等于2011年采用估算投影残差的方法来判别三维点云模型潜在的特征点，此算法能够准确地提取点云模型上的特征点和特征线，但特征识别时间代价太高[4]。故本文结合研究对象棱角分明的特点，以及文献[4]、[5]的优点与缺点，提出一种改进的基于MLS的点云模型特征提取的新算法，能够快速、简单、有效地提取研究对象的边界特征点和特征线，并应用于建立三维有限元模型，在很大程度上减少结构有限元分析时建模的工作量，从而加快建立所研究的结构有限元模型。
2 基于MLS的点云模型特征的提取算法
2.1 边界特征点的提取 假设预处理后的点云数据
2.2 自动生成特征线。由上述算法得到特征点集合P后，需要将这些特征点首尾连接，生成特征线集合L。本文结合最近点搜索方法和双向搜索方法来实现边界特征线的提取。
Step 1：在特征点集合P中，任取一点pi作为特征线的始点，记为pb，搜索离pb最近的点pi+1或者pi-1作为此特征线的终点pe，连接pbpe，记为l1，保存在特征线集合L 里。
将点集U按x，y，z三个方向最长轴的中值划分成8个新的点集。使用二叉树方法搜寻给定点pi的最近点集，用欧式距离公式计算各点集内的其中一点与pi（x，y，z）的距离，取其中距离值最小的点的集合作为最近点集。
由于距离公式涉及到开方运算，相对较慢，而比较距离的平方效果也一样。因此本文采用比较平方的形式，将两点间的距离公式定义为：
Step 2：以pb和pe作为新的起点，使用Step1的方法，从剩余的点集P中背向搜索相应的最近点pi+2与pi-1或pi+1与pi-2，作为下一终点连接起来，记为l2和l3，存入特征线集合L中，并对既为终点又为起始点的点加以标记。
Step 3：判断特征点集合P是否均为标记的点，若为空，则停止搜索，否则转到Step 1继续进行。
2.3 特征修复。在生成的特征线中不可避免地会产生一些缺陷，导致提取点云特征模型不完整，主要有两种情况[1]：一是单条特征边的缺口；另一种是两条或多条特征边在角部区域形成夹角的情况。所以生成特征线之后，需要为交汇的特征线建立合适的连接角点。结合以上两种情形，将改进后的特征修复方法介绍如下：
Step 1：从特征线集合L中任意选择一条特征线li，以其终点pe为中心，r为半径构造一个球邻域，查找r-邻域内的特征点或点集。若在此邻域内无其他的终点，则标记终点pe为缺口，并将半径r变为2r，继续搜索另一终点。
若有1个，则认为是单个特征边的缺口，将两终点连接起来，并将新生成的特征线存入L集合。若无，则接着扩大半径，迭代进行。为了能够覆盖特征线之间的空白区域，半径参数r应选择稍大一些。
Step 2：若r（2r）-邻域点N（p）是数目大于或等于2，则认为是两条或多条特征边缺口。设点pi，pj，pk∈N（p），先寻找某一特征终点pi的次尾部特征点pi-1，并和点pi建立直线li。同样为点pj，pk建立直线lj，lk。建立的三条直线反向延伸交于一点σ，记点σ为模型的角点。
3 实验结果和分析
本文通过在VC++6.0的环境下，使用OpenGL编程实现了点云特征的提取算法，获得了点云的特征模型。再通过导入AutoCAD 2007中获得CAD模型，接着再导入到ANSYS 12.0大型有限元软件中，经过一系列定义分析类型和材料参数，并对其施加网格划分等简单处理，最终将提取的点云特征模型应用于有限元模型的快速建立，为下一步进行结构有限元分析做好建模准备工作。
参考文献：
[1]邹冬，庞明勇.点云模型特征的提取算法[J].农业机械学报，2011，42（11）：222-227.
[2]陈义仁，王一宾，等.一种改进的散乱点云边界特征点提取算法[J].合肥：计算机工程与应用，2012，48（23）：177.
[3]马骊溟，徐毅，李泽湘.基于高斯曲率极值点的散乱点云数据特征点的提取[J].深圳：系统仿真学报，2008，20（8）：2341-2344.
[4]柯映林，范树迁.基于点云的边界特征提取直接提取技术[J].机械工程学报，2004，40（09）：116-120.
[5]贺美芳，周来水，朱延娟.基于局部基面参数化的点云数据边界自动提取[J].机械科学与技术，2004，23（8）：912-915.endprint
摘要：点云数据处理技术一直都是逆向工程所研究的重要领域之一，对准确而形象地再现真实物体有着重要的意义。其中三维点云模型的特征提取对展现物体模型的三维基本信息有着重要的作用。本文从工程结构有限元分析的角度，对三维点云数据的预处理技术及其特征提取的算法等逆向工程中的关键技术进行了研究，并提出了一种改进的特征提取算法，将其应用于工程有限元模型的快速建立，用来减少建模人员在有限元建模时的工作量。
关键词：MLS 点云模型 特征提取 线性相关性 有限元模型
1 概述
到目前为止，很多国内外学者对三维点云数据的特征提取进行了研究，但将提取的点云特征模型应用于建立工程有限元模型的研究未见报道[1][2][3]。邹冬、庞明勇等于2011年采用估算投影残差的方法来判别三维点云模型潜在的特征点，此算法能够准确地提取点云模型上的特征点和特征线，但特征识别时间代价太高[4]。故本文结合研究对象棱角分明的特点，以及文献[4]、[5]的优点与缺点，提出一种改进的基于MLS的点云模型特征提取的新算法，能够快速、简单、有效地提取研究对象的边界特征点和特征线，并应用于建立三维有限元模型，在很大程度上减少结构有限元分析时建模的工作量，从而加快建立所研究的结构有限元模型。
2 基于MLS的点云模型特征的提取算法
2.1 边界特征点的提取 假设预处理后的点云数据
2.2 自动生成特征线。由上述算法得到特征点集合P后，需要将这些特征点首尾连接，生成特征线集合L。本文结合最近点搜索方法和双向搜索方法来实现边界特征线的提取。
Step 1：在特征点集合P中，任取一点pi作为特征线的始点，记为pb，搜索离pb最近的点pi+1或者pi-1作为此特征线的终点pe，连接pbpe，记为l1，保存在特征线集合L 里。
将点集U按x，y，z三个方向最长轴的中值划分成8个新的点集。使用二叉树方法搜寻给定点pi的最近点集，用欧式距离公式计算各点集内的其中一点与pi（x，y，z）的距离，取其中距离值最小的点的集合作为最近点集。
由于距离公式涉及到开方运算，相对较慢，而比较距离的平方效果也一样。因此本文采用比较平方的形式，将两点间的距离公式定义为：
Step 2：以pb和pe作为新的起点，使用Step1的方法，从剩余的点集P中背向搜索相应的最近点pi+2与pi-1或pi+1与pi-2，作为下一终点连接起来，记为l2和l3，存入特征线集合L中，并对既为终点又为起始点的点加以标记。
Step 3：判断特征点集合P是否均为标记的点，若为空，则停止搜索，否则转到Step 1继续进行。
2.3 特征修复。在生成的特征线中不可避免地会产生一些缺陷，导致提取点云特征模型不完整，主要有两种情况[1]：一是单条特征边的缺口；另一种是两条或多条特征边在角部区域形成夹角的情况。所以生成特征线之后，需要为交汇的特征线建立合适的连接角点。结合以上两种情形，将改进后的特征修复方法介绍如下：
Step 1：从特征线集合L中任意选择一条特征线li，以其终点pe为中心，r为半径构造一个球邻域，查找r-邻域内的特征点或点集。若在此邻域内无其他的终点，则标记终点pe为缺口，并将半径r变为2r，继续搜索另一终点。
若有1个，则认为是单个特征边的缺口，将两终点连接起来，并将新生成的特征线存入L集合。若无，则接着扩大半径，迭代进行。为了能够覆盖特征线之间的空白区域，半径参数r应选择稍大一些。
Step 2：若r（2r）-邻域点N（p）是数目大于或等于2，则认为是两条或多条特征边缺口。设点pi，pj，pk∈N（p），先寻找某一特征终点pi的次尾部特征点pi-1，并和点pi建立直线li。同样为点pj，pk建立直线lj，lk。建立的三条直线反向延伸交于一点σ，记点σ为模型的角点。
3 实验结果和分析
本文通过在VC++6.0的环境下，使用OpenGL编程实现了点云特征的提取算法，获得了点云的特征模型。再通过导入AutoCAD 2007中获得CAD模型，接着再导入到ANSYS 12.0大型有限元软件中，经过一系列定义分析类型和材料参数，并对其施加网格划分等简单处理，最终将提取的点云特征模型应用于有限元模型的快速建立，为下一步进行结构有限元分析做好建模准备工作。
参考文献：
[1]邹冬，庞明勇.点云模型特征的提取算法[J].农业机械学报，2011，42（11）：222-227.
[2]陈义仁，王一宾，等.一种改进的散乱点云边界特征点提取算法[J].合肥：计算机工程与应用，2012，48（23）：177.
[3]马骊溟，徐毅，李泽湘.基于高斯曲率极值点的散乱点云数据特征点的提取[J].深圳：系统仿真学报，2008，20（8）：2341-2344.
[4]柯映林，范树迁.基于点云的边界特征提取直接提取技术[J].机械工程学报，2004，40（09）：116-120.
[5]贺美芳，周来水，朱延娟.基于局部基面参数化的点云数据边界自动提取[J].机械科学与技术，2004，23（8）：912-915.endprint
摘要：点云数据处理技术一直都是逆向工程所研究的重要领域之一，对准确而形象地再现真实物体有着重要的意义。其中三维点云模型的特征提取对展现物体模型的三维基本信息有着重要的作用。本文从工程结构有限元分析的角度，对三维点云数据的预处理技术及其特征提取的算法等逆向工程中的关键技术进行了研究，并提出了一种改进的特征提取算法，将其应用于工程有限元模型的快速建立，用来减少建模人员在有限元建模时的工作量。
关键词：MLS 点云模型 特征提取 线性相关性 有限元模型
1 概述
到目前为止，很多国内外学者对三维点云数据的特征提取进行了研究，但将提取的点云特征模型应用于建立工程有限元模型的研究未见报道[1][2][3]。邹冬、庞明勇等于2011年采用估算投影残差的方法来判别三维点云模型潜在的特征点，此算法能够准确地提取点云模型上的特征点和特征线，但特征识别时间代价太高[4]。故本文结合研究对象棱角分明的特点，以及文献[4]、[5]的优点与缺点，提出一种改进的基于MLS的点云模型特征提取的新算法，能够快速、简单、有效地提取研究对象的边界特征点和特征线，并应用于建立三维有限元模型，在很大程度上减少结构有限元分析时建模的工作量，从而加快建立所研究的结构有限元模型。
2 基于MLS的点云模型特征的提取算法
2.1 边界特征点的提取 假设预处理后的点云数据
2.2 自动生成特征线。由上述算法得到特征点集合P后，需要将这些特征点首尾连接，生成特征线集合L。本文结合最近点搜索方法和双向搜索方法来实现边界特征线的提取。
Step 1：在特征点集合P中，任取一点pi作为特征线的始点，记为pb，搜索离pb最近的点pi+1或者pi-1作为此特征线的终点pe，连接pbpe，记为l1，保存在特征线集合L 里。
将点集U按x，y，z三个方向最长轴的中值划分成8个新的点集。使用二叉树方法搜寻给定点pi的最近点集，用欧式距离公式计算各点集内的其中一点与pi（x，y，z）的距离，取其中距离值最小的点的集合作为最近点集。
由于距离公式涉及到开方运算，相对较慢，而比较距离的平方效果也一样。因此本文采用比较平方的形式，将两点间的距离公式定义为：
Step 2：以pb和pe作为新的起点，使用Step1的方法，从剩余的点集P中背向搜索相应的最近点pi+2与pi-1或pi+1与pi-2，作为下一终点连接起来，记为l2和l3，存入特征线集合L中，并对既为终点又为起始点的点加以标记。
Step 3：判断特征点集合P是否均为标记的点，若为空，则停止搜索，否则转到Step 1继续进行。
2.3 特征修复。在生成的特征线中不可避免地会产生一些缺陷，导致提取点云特征模型不完整，主要有两种情况[1]：一是单条特征边的缺口；另一种是两条或多条特征边在角部区域形成夹角的情况。所以生成特征线之后，需要为交汇的特征线建立合适的连接角点。结合以上两种情形，将改进后的特征修复方法介绍如下：
Step 1：从特征线集合L中任意选择一条特征线li，以其终点pe为中心，r为半径构造一个球邻域，查找r-邻域内的特征点或点集。若在此邻域内无其他的终点，则标记终点pe为缺口，并将半径r变为2r，继续搜索另一终点。
若有1个，则认为是单个特征边的缺口，将两终点连接起来，并将新生成的特征线存入L集合。若无，则接着扩大半径，迭代进行。为了能够覆盖特征线之间的空白区域，半径参数r应选择稍大一些。
Step 2：若r（2r）-邻域点N（p）是数目大于或等于2，则认为是两条或多条特征边缺口。设点pi，pj，pk∈N（p），先寻找某一特征终点pi的次尾部特征点pi-1，并和点pi建立直线li。同样为点pj，pk建立直线lj，lk。建立的三条直线反向延伸交于一点σ，记点σ为模型的角点。
3 实验结果和分析
本文通过在VC++6.0的环境下，使用OpenGL编程实现了点云特征的提取算法，获得了点云的特征模型。再通过导入AutoCAD 2007中获得CAD模型，接着再导入到ANSYS 12.0大型有限元软件中，经过一系列定义分析类型和材料参数，并对其施加网格划分等简单处理，最终将提取的点云特征模型应用于有限元模型的快速建立，为下一步进行结构有限元分析做好建模准备工作。
参考文献：
[1]邹冬，庞明勇.点云模型特征的提取算法[J].农业机械学报，2011，42（11）：222-227.
[2]陈义仁，王一宾，等.一种改进的散乱点云边界特征点提取算法[J].合肥：计算机工程与应用，2012，48（23）：177.
[3]马骊溟，徐毅，李泽湘.基于高斯曲率极值点的散乱点云数据特征点的提取[J].深圳：系统仿真学报，2008，20（8）：2341-2344.
[4]柯映林，范树迁.基于点云的边界特征提取直接提取技术[J].机械工程学报，2004，40（09）：116-120.
图像特征提取研究论文 篇7
关键词：Flash动画,图形图像,SWF动画,特性表现,提取与研究
现实当中, 通过网络进行传播的各种可视媒体相当普及, 而Flash动态漫画是近一时期利用量最大的主要传播方式, 这一结果是基于其具备编制简便、文件需要空间范围小、传播速率相当高、优质的感官感受、双向配合方式、形体尺寸小和外延性能较佳等特点, 它的外传工艺是流态化的, 而且它采取的可视规程是符合向量动态画面要求的。因此, 深受众多动漫爱好人士的欢迎。Flash问世至今, 只经十余个年头的过程, 该类动态漫画的传播, 就一跃成为网络媒体应用范围最广的视觉传媒模式, 在人们生存过程及学校课程传授领域里也得到相当的利用, 对该动态画面图形图像的技术课题的研讨, 乃是其动态画面技术范畴的关键组成部分, 本论述依托对其图形图像的研判与考量, 经过将其相关过程表达方面的特性内容进行调理与评估, 克服了其图形图像特性表现内容的提取难题, 从而对该动态漫画的高效控制及在网络系统内, 快捷查询雄厚的动漫宝藏起到了有力的促进作用。
1 Flash动漫画面的图形图像特性内容、结构、分析及研制进展
在现实中, Flash动漫画面已被运用到社会里的各个系统, 其中包括工艺运行流程、控制体系显示、移动通讯系统研制、娱乐游戏研制、Web帮扶过程、交通设施设置、若干媒体合作、及科技教育等领域。目前, 考量该动漫画面的图形图像表现因素特性及评估动漫画面形状改变、图像色彩变幻、视觉图层清晰度的特性因数, 还有选取措施来获取该动漫画面里的形态改变因数、色彩变幻因数等, 都属于表达动漫画面的形态改变特点及色彩变幻的内容。所以, 需要把该图形图像的表现方式做相当程度的研讨和分析, 以保证能够把该动态画面的内在特殊性做出理想的提取和评估。
Flash动态画面是由FLA及SWF两种文件所组成, FLA文档软件是其动态漫画的原始软件, SWF文档软件属于网页交互式及单独使用的动画文档软件的压缩款式。本文研讨的是后者, 该文档软件凭借一组二进式标志来设置每一类目标、内容事项及彼此互融内容, 并且和XML文档软件存在着极其相近的组合特征, 前面的属于二进式的文档软件, 后部的属于文本类的文档软件。基于该类动态漫画研发的不断进行, 及XML文档软件款式的加快更新。另外, 两个不同的文本均可以把单个SWF文档软件改变成XML文档软件 (见表1) , SWF文档软件里的所有标志参数块均反射进XML文档软件的相应标志里, 在后者标志里, 选取本身特性及数据量来描述前者标志的组合型参数, XML文档软件的可掌握性能有利于对Flash动态画面储备组成及剧情过程的搜索及掌握。
从表1可看出, SWF文档软件包含文档标题、文档标志 (程序) 和文档收尾标志三项内容, 文档程序依托按规则列序的确定性标志和调控性标志构成。文件标题确定了该文档软件的主要内容框架, 涵盖压缩标记和显示、文件题材、文档软件篇幅、搭建舞台空间范围、帧表比率及数量等有关内容。另两部分也各自确定相应内容。
2 Flash动态画面图形图像之特性表现内容的提取过程
2.1 Flash动态画面形态特性内容的提取
把Flash动态画面形状表现因素特性内容进行提取, 可应用Visual C++编辑程序得以实现, 类别特征、填充形态、线条选型、方向位置、体积大小、动作影像展示等均是其动态画面的形状表现特点, 另外, 该动态画面的形态变化特点是现实对其形状特性内容评估的主要部分。其动态画面文件通常含有很多的形状参数, 这些形状参数一般被分成向量及位图样式两个类型, 当提得该动态画面里的形状特性内容时, 依托该动漫的储备组合及制作程序, 评判好SWF软件里确定的各类形态的特性标志, 提得在组合体内储备的形状特点及途径, 在此环节内, 需关注该动态画面的形态改变特性及色彩变幻特性内容, 到最终, 依据所获取的形态状况寻找相应的决定性标志, 还要获取外形的运动影像, 以及在初启及收尾环节的具体帧序。如此, 即可完成对该动态画面形状特性表现方式的收取过程。
2.2 Flash动态画面的图像特性内容的提取
该动态画面服务的款式有相当数量的种类, 依从图像处于该动态漫画里的定义款式及储备样式, 依靠评判图像及确定动态画面里的携带性能定义标志, 可使多类压缩款式的各型图像的情节均能够被提取, 根据编辑数码款式的差异, 把之前提得的图像形态参数做再一次编辑数码的过程, 待完成编辑数码以后, 也就达到了提取该动态漫画图像内容的目的。
3 Flash动态画面形状图像特性内容的研讨方案
3.1 资料考量方式
所用文章资料考量是研讨的前提, 当进行研讨时, 依托搜索知网和相关参数集合库里的文献资料, 并收罗网络系统里的部分资料档案, 可以收取相关符合内在要求的多家媒介评估资料, 并对其全部资料所含内容进行评判、考量、调制, 另外要设置针对后续环节研发项目所应进行的条件预备, 以及提前做好研讨程序安排。内容要涵盖研讨的终极理想成果、革新环节、研发运用的部分运算方法等。
3.2 拟定体系方案
依托Visual C++编辑程序方案, 凭借针对目标的拟置流程手段, 可评估该动态画面的储备组成及制备工艺, 并提得该动态画面的图形和图像表现因素的特性内容, 该体系中设置了其图形、图像的研判方案。
3.3 通过实证检验确定评估结果
依托有效科研试验的工艺及技术, 设置了实验模型储库, 将模型样本库里的所有Flash动态画面做图形、图像、语音的特性内容提取, 并且运用查验比率及精准程度估判提取与划分的成效。
4 结语
基于Flash动态画面可视特性内容的提取和评估, 判断出其动态画面的图形及图像、剧情内容剪切与编辑、蒙版资料储存库的应用结果或过滤视镜, 能够持续充实该动态漫画每个资料储存库的储存内容, 优化其动漫画各结构成分的评估、提炼过程, 充分展示其动态漫画于网络系统内的效能发挥, 促进其动态画面研发内容的拓展及研发水平的提高。
参考文献
[1]刘磊.Flash动画的内容分析与特征提取研究[D].济南:山东师范大学, 2008.
[2]刘菲.Flash的场景结构与视觉特征研究[D].济南:山东师范大学, 2010.
[3]宋艳.综合颜色和形状特征的图像检索关键问题研究[D].济南:山东师范大学, 2008.
[4]井艾斌.网络教育资源中图形的视觉特征分析及图形分类研究[D].济南:山东师范大学, 2009.
图像特征提取研究论文 篇8
我国的小麦无论是产量还是消费量都位列世界第一,但是多种小麦常见病害造成减产所导致的损失非常大。利用图像处理和模式识别技术实现农作物病害自动识别与诊断,具有快速、准确和无损伤诊断等优点,对于尽早在田间采取防治措施以及保证小麦的产量都具有重要意义。
正常情况下,小麦叶片颜色为绿色,而被病害浸染后的作物发病区呈现异常颜色。图像处理对颜色判别具有直观和快速等特点,国内外许多学者对农作物病害图像的诊断集中在病害图像分割、特征提取和病害识别等3个方面的研究。其中,提高病害图像诊断精度的关键技术在于病害图像的处理和分割。通过现代实时图像采集技术能够快速获取作物病害发病部位的特征信息,从而提高检测速度,具有广阔的应用前景。本文主要研究小麦条锈病病害部位的图像处理和特征提取,通过对采集到的图像进行图像处理和分割,获取病害部分形状特征,从而为小麦病害的诊断提供基础数据。
1 小麦病害叶片图像获取
通过使用数码相机拍摄静态图片的方法,采集小麦条锈病病害部位图像。所使用的数码相机型号为索尼a55单反相机,该相机使用CCD彩色成像、德国卡尔蔡司镜头和8倍光学变焦,保证了采集到的图像能精确反应小麦病害程度。首先,图像拍摄中要将小麦叶片病害部位固定铺好;然后,将照相机安装在三角架上,以防止相机抖动对图像质量的影响。相机主要参数设定如下:焦距设定为0.1～0.6m;光圈和快门速度设定为自动调整;分辨率设定为640×480像素;图片储存格式设为jpg;对小麦病害叶片进行微距拍摄,以确保能使颜色、形状等特征信息清晰可见;最后,把拍摄的图像导入到计算机中,使用Adobe PhotoShop CS3进行后期处理并获取病害部位图像。
2 病害部位图像处理
2.1 图像模式转换
为减少图像处理的计算量,将图像采集装置采集到的24位真彩色和sRGB色彩模式图像转换为8位灰度图像。图像模式的转换虽然使图像丢失了彩色信息,但使用8位灰度图像不仅大幅提高了计算速度,而且所含信息量对研究已经足够。采用加权平均值法进行图像灰度化计算,根据与病害程度相关性,确定R,G,B参数的权重值,计算R,G,B的加权平均。其对应的灰度变换公式为
undefined
采集所得到的病害图像与计算后的灰度图像如图1所示。
2.2 直方图均衡化对比度调整
利用调整图像直方图分布的方法,增加局部对比度,同时不改变整体图像的总体对比度。尤其当图像的有效数据对比度非常接近时,调整直方图上的亮度分布效果明显。直方图均衡化是通过非线性规律有效扩展常用的亮度来实现这种功能,从而把原始图的直方图变换为均匀分布的形式,增加像素灰度值的动态范围,达到增强图像整体对比度的效果。
若设原图中病害区域坐标undefined处的灰度为f,调整后灰度为g,图像增强相当于将undefined处的值f映射为g。这种映射关系可以通过函数形式定义为undefined,则此函数必须满足以下两个条件:首先,函数值在0≤f≤L-1的范围内为单调递增函数,以确保处理后具有原图的灰度排列次序(其中的L为图像的灰度级数);再者,同样使函数值0≤g≤L-1,以保证变换前后灰度值动态范围的一致性。
在保证上述两个条件得到满足的条件下,累积分布函数可以完成原图像灰度值f分布到g均匀分布的映射运算。其映射函数可以表述为
undefined
小麦条锈病病害灰度图像直方图均衡过程及效果如图2所示。
从图2可以看出:通过直方图均衡化后的害图像质量得到好转,更加明确地突出了图像中的细节成分;灰度等级调整后能够更加清晰地区分出病斑区域与健康叶片区域,从而可以提高病害诊断的精度。然而,计算机在灰度值映射运算过程中无法区分健康叶片与病斑区数据的差异性而进行分别处理,从而引入了部分杂讯信息,降低了有用信号的对比度,对后续的病害特征提取具有不利影响,需对图像再进一步处理。
2.3 中值滤波噪声抑制
在图像处理过程中,中值滤波是一种有效抑制噪声的非线性信号处理技术,通过对数字图像某一点参数值与该点邻域参数值的对比计算,采用邻域中值替代不合适的图像参数,从而消除孤立的噪声点。对于奇数元素的中值滤波,中值是指排序中间的数值;对于偶数元素的中值滤波,选取排序后中间2个元素灰度值的平均值作为中间值。
用二维滑动模板将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的二维数据序列。二维中值滤波输出为
undefined
式中undefined,undefined—原始图像和处理后的图像;W—二维模板,通常为2*2或3*3区域,也可以是不同的形状,如线状、圆形、十字形或圆环形等。
本文采用邻域加权后并进行平均的方法,不同位置的像素在窗口内赋予不同权重,既保存了边缘信息的完整性,又减少了病害相关像素的模糊性。图3示出了加入噪声点后及中值滤波前后的图像对比。
2.4 灰度图像伪彩色映射处理
伪彩色增强是把黑白图像的各个不同灰度级按照线性或非线性的映射函数变换成不同的彩色,得到一幅彩色图像的技术。它使原图像细节更易辨认,目标更容易识别。在伪彩色增加预处理中,将不同的颜色参数赋给灰度图像中不同的灰度区域,实现灰度图像到彩色图像的反映射,将灰度图像变换到彩色图像。所以,伪彩色的增强处理实质上就是一种图像的着色方法。如前节所述,若原图像的灰度范围满足undefined,将该灰度范围在黑与白之间划分为k+1个灰度等级,其中的I0和Ik分别表示黑色和白色,在此区间内将每一段灰度映射为一种颜色,则其映射关系为
undefined
undefined即为运算所得的伪彩色图像。由于在运算过程中原始图像的灰度被分割成了k个灰度等级,则变换后的伪彩色图像也就具有k种彩色。
3 病变部位形状特征提取
3.1 迭代阀值分割计算
根据灰度和几何形状等特征,将图像划分为若干个互不相交的区域,把小麦病变部位从整幅图中分离出来,以便进行特征提取。对前期处理过的图像进行阀值分割,提取病变部位的二值图像。计算步骤如图4所示。
上述过程得到的二值图像能区分出病变部位,但局部是不连续的。为满足连通性原则,采用4次膨胀与腐蚀来连接,以得到较完整的分割结果。
3.2 边缘检测
在图像中,边缘信息的灰度值邻域变化明显,通常利用差分或微分方法实现边缘信息的检测与提取,文中采用二阶微分方法。用具有大小和方向的向量undefined来表示坐标点undefined处的灰度倾斜度的一阶微分值,用fx和fy分别表示在x和y方向的微分。在数字图像中,微分差分方法近似表示微分值,其计算公式为
undefined
undefined
一阶微分再进行一次微分得到二阶微分,在数字图像中的计算公式为
undefined
在微分运算中,将病斑区内像素与健康区像素分别乘上微分算子对应数值矩阵系数后求和,计算结果赋值给边缘像素作为其灰度值。图5给出了本文所采用的二阶微分算子。
3.3 特征提取
利用形状特征进行小麦病害图像的自动诊断,可以提高诊断的准确性和效率。对于基本的形状特征,可以对形状进行描述,并提取出形状特征值。
图像经过边缘提取和分割后获得各分割区域,区域提取的形状特征对图像的旋转、平移和缩放是不敏感的。二维图像空间中的形状通常是一条封闭的轮廓曲线所包围的区域,所以对形状的描述涉及到对形状边界及对这个边界所包围区域的描述。形状区域特征主要有形状的无关矩、区域的面积以及形状的纵横比等。研究中,选用病斑的面积(Area)、周长(Length)、矩形度(Rectangle)、圆形度(Circle)和纵横轴比(Ratio)5个特征量,来作为病斑形状的描述和采集,并录入数据库作为诊断依据。病变部位形状特征计算结果如表1所示。
4 结论
本文以小麦条锈病害为例,采用现代图像处理和特征提取技术,提供了病害病斑智能识别所需要的基础数据,形成了一套具有应用价值的图像处理分析和特征提取方法,给出了相关算法及流程,实现了小麦条锈病病斑图像的优化。同时,进行了形状特征的提取,为农业作物病害诊断信息特征数据库的建立和实现奠定基础。
摘要：以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。
关键词：小麦条锈病,图像处理,图像分割,特征提取
参考文献
[1]孙传恒,唐启义.水稻病虫害诊断模型构建及系统的实现[J].浙江农业学报,2006(18):72-76.
[2]张静,王双喜,董晓志.基于温室植物叶片纹理的病害图像处理及特征值提取方法的研究[J].沈阳农业大学学报,2006,37(3):282-285.
[3]王晓峰,黄德双,杜吉祥,等.叶片图像特征提取与识别技术的研究[J].计算机工程与应用,2006(3):190-193.
[4]王茜,彭中.一种基于自适应阈值的图像分割算法[J].北京理工大学学报,2003,23(4):521-524.
图像特征提取研究论文 篇9
指纹识别并不是直接对图像进行识别, 而是在图像中提取最能反映指纹特征的特征点。指纹最主要的特征点有两大类, 即端点和分叉点。若不考虑特征点的方向, 这两种特征点占了所有特征点的90%以上[4], 并且其他特征点如交叉点、环形、桥形特征实际上都可以看成是端点和分叉点的合成。因此一般只需要提取出这两种特征点就足够用于特征匹配。考虑到指纹预处理过程中存在的误差, 对特征点只做标记并不区分细节类型属于分叉点还是端点。目前大多数系统都是从细化指纹图像中提取特征, 只需要3×3的模板就可以将端点和分叉点提取出来[5]。算法描述如下:
首先, 确定一个特征提取模板, 如图1所示。中心点p为待检测点, p1至p8是p点的八邻域的像素值, 沿顺时针方向排列。然后判断待检测点的类型, 待检测点可分为四类:孤立点、端点、连续点和分叉点[6]。
若中心点为孤立点, 则其八邻域点分布如图2所示遍历时可标记为孤立点。
若中心点为端点:采用穷举法可知有且只有有以下8种情况, 如图3, 满足其中一种则可标记为端点。
同理可推断若中心点为连续点则有以下情况:
若中心点为分叉点则有以下情况:
以此方法对细化后指纹骨架图像上的所有点进行遍历, 标记出特征点。然后我们需要提取特征点的之间的某种关系 (例如位置关系、角度关系等) 对所采集到的指纹做出数据表达, 此步骤可以称为特征后抽取[7]。本文使用Voronoi图对已经提取的特征点进行区域划分, 得出点与点之间的相关信息, 将此信息作为指纹图像抽取完毕之后的新特征。
Voronoi图, 又叫泰森多边形, 它是由一组两邻近点连线的垂直平分线组成的连续多边形。N个在平面上有区别的点, 按照最邻近原则划分平面;每个点与它的最近邻区域相关联。为了使用方便, 可同时采用Delaunay三角形, Delaunay三角形是由与相邻Voronoi多边形共享一条边的相关点连接而成的三角形, 其外接圆圆心是与三角形相关的Voronoi多边形的一个顶点, Voronoi三角形是Delaunay图的偶图[8]。举例如下:任取一组不规则散点, 根据相关算法分别生成Voronoi图和Delaunay三角网, 为了便于说明问题, 将二者置于同一图中作对比, 如图六中所示, 由于Voronoi图是由垂直平分线组成, 所以这些不规则散点划分的区域是固定不变的, 即同一组散点确立的Voronoi图是唯一的, 其偶图Delaunay三角网也具有唯一性。
同理, 当我们对指纹上所有点进行遍历并标记出特征点后, 可以采用上述方法将散点生成Delaunay三角网, 由于Delaunay三角网在生成时是本着每个三角形中最小角最大化的原则[9], 所以可以记录图中每个独立三角形的最小角, 将这些角度按照从小到大的顺序进行排序并存储, 存储后的角度数值序列可作为指纹特征提取完毕后的特征值用于指纹匹配。
参考文献
[1]何余良, 田捷, 张晓鹏.基于马尔科夫随机场的指纹图像分割方法[C]//北京:第四届中国计算机图形学大会 (ChinaGraph 2002) 会议论文集, 2002:149-156.
[2]耿茵茵, 唐良瑞.指纹图像分级分割算法团二北方工业大学学报, 2000, 12 (3) :21-26.
[3]Bazen A M, Gerez S H.Directional field computation for fingerprints based on the principal component analysis of local gradients[C]//Proc.ProRISC2000, 215-222, 11th Annual Workshop on Circuits, Systems and Signal Processing, Veldhoven, The Netherlands, 2000.
[4]Mehtre B W, Chatterjee B.Segmentation of fingerprint images-acomposite method[J].Pattern Recognition, 1989, 22 (4) :381-385.
[5]梁广民, 蔡学军.OPTA算法的改进及其在指纹图像细化中的应用[J].计算机工程与设计, 2006, 27 (23) :4607-4608
[6]唐良瑞, 谢晓辉, 蔡安妮, 孙景鳌.基于D-S证据理论的指纹图像分割方法[J].计算机学报, 2003, 26 (7) :887-892
[7]王森, 张伟伟, 王阳生.指纹图像分割中新特征的提出及应用[J].自动化学报, 2003, 29 (4) :622-626.
[8]voronoi[EB/OL].http://baike.baidu.com/view/501103.htm.
图像特征提取研究论文 篇10
王巧华、岑益科、沈昊、郑丽敏等人[1—6]研究了不同光源照射下的鸡蛋透射光图像,利用形态学处理、区域生长与合并、自动阈值分割等方法实现对蛋黄、气室的分割,并通过单一因素模型来验证它们与新鲜度的关系。为提高鸡蛋新鲜度的识别率,王巧华、刘鹏、杨简等人[7—10]在提取鸡蛋颜色特征参数 ( H、S、I) 的前提下,利用不同的神经网络方法、D-S证据理论提高了模型的可靠性,此类方法在提高了模型检测准确度的同时增加大量的运算时间。魏小彪等人[11]结合鸡蛋的H、S、I参数、蛋形指数和敲击响应特性参数构成综合检测模型,虽然考虑了多种因素,但检测所需硬件更为复杂。
鉴于此,现提出一种在鸡蛋无损伤的前提下,以简单的硬件结构取得鸡蛋透光图像,采用高效的图像处理算法,获取鸡蛋新鲜度相关的敏感特征,并找出这些特征与哈夫值的关系,训练出鸡蛋新鲜度综合检测模型,实现快捷、有效的鸡蛋新鲜度无损检测。
1特征选取与实验设计
美国FDA[12]及我国行业标准和检验局[13,14]对鸡蛋新鲜度分级有明确规定,相关研究也指出鸡蛋新鲜度流失过程中的鸡蛋形态。
新鲜鸡蛋储藏时间越长,内部水分逐渐流失,鸡蛋气室稳定并逐渐增大。同时,蛋白水分越向蛋黄内深入,蛋黄逐渐扁平,此时若横放鸡蛋,蛋黄会逐渐上浮,平面图像显示蛋黄面积增大。苏锡田[15]指出,新产鸡蛋蛋黄圆而稳定,经长时间存储后,蛋黄膜老化并从蛋白中吸收水分,使蛋黄体积增大、伸长,一般呈扁平形,鸡蛋等级向B、C级过渡时,蛋黄形状发生改变。鸡蛋越新鲜,蛋白对蛋黄的支撑越大,平放鸡蛋,蛋黄上浮,在不规则球形蛋壳中越偏离正圆形。提取鸡蛋透光图像中的气室面积、蛋黄面积、蛋黄椭圆系数等特征并进行相应计算可得出鸡蛋的新鲜度。
为取得鸡蛋的透光图像进行相应处理,搭建了图1所示的鸡蛋透光图片采集系统。系统中的光源选用12 V、3 W的高亮LED灯; 摄像机选 用了Sumung工业彩色CCD相机( 有效像素752 × 582 ) , Computar镜头( 焦距3. 5 ~ 8 mm) 距离透光孔 ( 4 ± 1) cm; 计算机上配置DH-VT142图像采集卡,768 ×576 × 24位图像分辨率,RGB8888模式,PAL制式, 单帧采集方式; 拍摄环境光照强度3 ~ 20 Lux。
拍摄中不需要调整鸡蛋位置,只需将鸡蛋横放于图1所示密封盒的透光孔。打开电源开关,高亮LED灯光源通过聚光筒照射鸡蛋。由于高亮LED灯为冷光源,被测鸡蛋不会因光照发热而降低新鲜度; 密封盒只允许光线从透光孔发射,避免外部光线对光源产生反光、阴影,也保证了光线最大程度的聚集。
实验所用鸡蛋取自江苏海安县婷婷农副食品公司同一批次的蛋壳颜色深浅不一的鲜鸡蛋90枚,每天任取鸡蛋3枚,提取鸡蛋透光图像后进行图像处理,并将鸡蛋打破测量其真实哈夫值。
2鸡蛋透光图像处理
为获取鸡蛋的气室与整蛋面积之比、蛋黄与整蛋面积之比、蛋黄的椭圆度,需要对摄像机获取的鸡蛋透光图像进行图像处理。对实验取得的90幅图像分别进行了整蛋外形、气室分割和蛋黄提取。
由于蛋壳、蛋黄和蛋白对光的透射效果不同,实验中采用的LED灯为绿色,蛋壳偏白、蛋黄呈深绿色、蛋白为浅绿色。分别提取彩色图像在Lab空间的L分量进行气室分割,提取RGB空间的G分量进行蛋黄轮廓提取。提取出的L分量和G分量图像分别见图2( b) 、图2( c) 。
2.1提取鸡蛋二值图像
为避免因鸡蛋大小不一引起的漏光,鸡蛋外形轮廓在L分量图像上提取。对L分量图进行自动灰度阈值分割,得到鸡蛋的二值图像。对二值图像进行膨胀和腐蚀( 选用“disk”结构元,半径为4) 以消除蛋壳颜色、厚度不均等因素影响,获得最终的鸡蛋二值图像[图2( d) ]。
2.2气室分割
将L分量图像进行直方图均衡化,增强气室的对比度; 再进行膨胀和腐蚀,去除鸡蛋因外壳颜色、 厚度不均引起的光斑; 检测连通区域,提取气室边缘; 霍夫直线检测气室与鸡蛋的分割线。
连通区域检测与直线检测的实现方法为:
( 1) 去除图像最边缘的像素点,把图像的其余各像素定义为单独区域。
( 2) 计算各像素与其8邻域像素点灰度值的差值,若小于特定阈值,则合并为连通区域,并将差值最小值作为该像素点和其8邻域像素的新灰度值; 否则继续搜索下一区域。
( 3) 对图像进行霍夫变换,找出其中最长的N ( 实验中N = 10) 根线段。
( 4) 检测N条线段中是否有斜率相同的直线; 如有,且为同一直线上的线段,合并此类线段。
( 5) 提取距离最长的线段并延长,取该直线与鸡蛋轮廓的交点,分割气室图像。
实验效果见图3。
实验中,无论气室处于图像上、下、左、右等任意位置,该算法都能准确分割出气室二值图像。
2.3提取蛋黄图像
将鸡蛋G分量的灰度图像进行自适应灰度调整和线性空间滤波,增强蛋黄区域的与其他区域的对比度。
自适应灰度调整针对蛋壳深浅不一的情况,在灰度均衡前为不同蛋壳颜色设置不同的调整阈值。 实验发现,白壳蛋的透光度较褐色壳高,同样大小的鸡蛋高亮度像素点更多。通过对所取图像中不同颜色壳鸡蛋的G分量灰度图进行直方图对比分析,分别计算了灰度值在50 ~ 100之间、101 ~ 150之间的像素点个数Num1、Num2,若Num1<2/3Num2,则判定为白壳蛋,否则为褐壳蛋。
为减少图像噪声,采用高斯核函数对灰度调整后的图像进行线性空间滤波
高斯核函数均值为0,σ = 3 ,滤波模板大小n = 11,滤波后图像见图4( b) 。
滤波图像进行反色、灰度阈值分割后,蛋黄与鸡蛋完全分离开来。将蛋黄之外的所有部分置为背景后,再对蛋黄轮廓进行形态学操作,精确蛋黄边缘、 去除反色图中的整蛋边缘与整蛋轮廓的误差、去除蛋壳厚度差异过大引起的光斑。蛋黄分割图像见图4( f) 。
3特征参数选择与计算
3.1气室面积与整蛋面积比
分别计算图2 ( d) 蒸蛋轮廓像素点个数和图3( f) 气室像素点个数,其比值为
式( 2) 中,Aeq为气室的像素点个数,Ae为整蛋像素点个数。
3.2蛋黄与整蛋面积比
根据提取出的蛋黄图像与整蛋外形,取其面积比,即像素点个数的比值
式( 3) 中,Aey为蛋黄的像素点个数; Ae为整蛋像素点个数。
3.3获取蛋黄椭圆系数
为获取蛋黄的椭圆系数( 即离心率) ,首先对蛋黄图像进行椭圆拟合。步骤如下:
( 1) 选用sobel算子对蛋黄图像进行边缘提取, 找出蛋黄形心点和轮廓上的边缘点。
( 2) 将蛋黄轮廓上所有点存入数组,利用边缘点进行最小二乘拟合,得到椭圆方程
实验图像见图5。
根据椭圆方程求出椭圆的中心点,椭圆的长轴 、 短轴分别为
蛋黄的拟合椭圆离心率( 即椭圆度) :
4回归模型训练与验证
4.1哈夫值测量
哈夫单位值是美国农业部蛋品标准规定的检验和表示蛋品新鲜度的指标,新鲜蛋哈夫单位通常在75 ~ 82之间,高的可达90左右,食用蛋在72以上即可,其符号为Ha 。哈夫单位的计算公式。
式( 7) 中,h为被测蛋品的高度,mm,w为被测蛋品的质量,g。实验中一只鸡蛋散黄,样本丢弃,最终取得89组的数据。
4.2新鲜度模型训练
气室与整蛋面积比S0、蛋黄与整蛋面积比S1、 蛋黄椭圆系数e越大,鸡蛋哈夫值Ha越小,构建三元线性模型,其估计函数为
式( 8) 中,hθ( x) 为实测鸡蛋哈夫值Ha ,x0= 0; x1为气室与整蛋面积比S0; x2为鸡蛋蛋黄与整蛋面积比S1; x3为蛋黄椭圆系数e; θi( i = 1,2,3) 为鸡蛋特征中每个分量的影响力。
为获取最优的影响分量 θi,根据实验获取的89组数据,对获取的h函数进行 评估,以损失函 数[16,17]( loss function) J( θ) 描述h函数不好的程度
该函数是去对xi的估计值与真实值yi差的平方和作为错误估计函数,采取梯度下降法调整 θ 可以使得J( θ) 取得最小值,以寻求最优的 θi。
4.3单因素回归模型
采用梯度下降法分别训练气室面积比模型、蛋黄面积比模型、蛋黄椭圆度模型,结果如式( 10) ~ 式( 12) 所示。
式( 10) 中,气室面积比越大,新鲜度越低; 式( 11) 中,蛋黄面积比越大,新鲜度越低; 式( 12) 中,蛋黄椭圆度越大,即蛋黄越趋近于圆形,新鲜度越高。提取的三个图像特征分别与鸡蛋新鲜度呈线性关系, 各单因素线性模型与测量哈夫值绘制如图6所示。
采用SPSS19软件分别对三个单因素回归模型进行拟合优度检验,计算数理统计学中线性回归模型的回归平方和( ESS) 、残差平方和( RSS) 、模型相关系数R2。 根据( k为因子个数,n为样本个数) 计算F检验值,检验各模型在线性关系上是否显著。数据见表1。
由表1的单因素模型检验数据可知,根据实验所得数据训练的新鲜度模型,三种特征与新鲜度的相关度由高到低依次为: 蛋黄面积比模型、气室面积比模型、蛋黄椭圆度模型。其中蛋黄面积比模型相关系数R2= 0. 938 ,较文献[6 ]( R2= 0. 931 ) 略高。同时,各模型的显著性检验F值均大于Fα( 1,87) = 3. 949( α = 0. 05) ,说明各模 型均有较高可靠性。
4.4综合因素回归模型
根据式( 8) 所述估计函数,综合三个与鸡蛋新鲜度有关的图像特征,采用梯度下降法进行线性回归。为得到最优的 θi( i = 0,1,2,3) ,分别将式 ( 10) ~ 式( 12) 中的 θi( i = 1,2,3) 值作为初值,即 - 345. 432 5 、- 80. 550 5 、38. 627 3 ,θ0的初值选取影响因子最大的单因素模型中的值,即式( 10) 中的93. 0。得到三元线性方程:
该三元回归模型说明了三个图像特征对新鲜度影响的程度,依次为气室面积比、蛋黄面积比、 蛋黄椭圆度。同3. 3节,对式( 13) 进行拟合优度检验、显著性检验,数据见表1。
从表1的综合回归模型检验数据可知,综合考虑三种特征因素的回归模型在相关系数上较任意单因素有较大提高。在显著性水平 α = 0. 05下, Fα( 3,85) = 2. 71 < F,F检验相关性显著,模型具有较高可靠性。选取鸡蛋新鲜度有关的多种图像特征能获取更加准确的哈夫值。
对任意鸡蛋,经过本文所述图像处理和数据计算,即可得出鸡蛋的哈夫值h( x) 。根据美国农业部蛋品标准规定的检验和表示蛋品新鲜度的指标,见表2,给出新鲜度及食用提示。
5结论
利用图像处理技术,通过连通区域检测与直线检测算法进行气室分割,自适应灰度调整、改进空间滤波和阈值分割提取鸡蛋蛋黄图像,最小二乘法进行蛋黄椭圆拟合,有效提取了与鸡蛋新鲜度密切相关的鸡蛋气室面积、蛋黄面积、蛋黄椭圆度等图像特征。
结合了影响新鲜度的三种图像特征,并采用梯度下降算法进行样本训练,得出了单因素模型和综合因素模型。单因素模型经拟合优度检验和显著检验,均具有较高可靠性。综合因素模型经检验相关因素和显著性较单因素更高,可获取更加准确的哈夫值。
球形图像的特征点提取与匹配综述 篇11
定义:图像的自然特征点是图像中具有明显特征并能够把物体标识出来的图像像素点。通过提取特征点并用特征点来标识图像中的对象, 可以大大减少存储整幅图像的存储量。综述目的以及重要性:为了更好的发挥全景图像大尺度获得环境信息的优势, 我们需要准确而快速地获取全景图像的有用信息, 并进行帧与帧之间的匹配。因此, 对现有的各种方法进行总结、比较和分类, 揭示它们之间的相互关系, 是一项十分有意义的工作。存在的问题和困难:图像不再符合透视投影关系, 物体或环境的拉伸或压缩变化, 视点位置变化的大小对图像几何形变的影响, 都是球面全景图像需要面对的新问题。
2、球面全景图特征点提取与匹配的主要方法
2.1在平面全景图上处理
2.1.1将标准的图像处理技巧直接应用到全景图
把标准图像的处理技巧直接应用到大角度图像上, 没有改变核算子或模版窗口的形状, 这种方法只限于校准后的全景图像, 并且仅限于图像之间的小基线运动。Hrabar计算鱼眼摄像机图像的KLT, 这些方法的成功是由于图像之间的小基线运动, KLT比较适合于这种情况。随着图像之间基线的增大, 匹配的准确度就会降低。
2.1.2将全景图像转换为经纬度全景图
目前, 直接在全景图上处理的有很多:Shigang Li将两个鱼眼摄像机图像转换为经纬度全景图[1], 然后用图像梯度方向、色调、饱和度和边缘点的直方图来建立特征空间, 如图1。考虑了图像的色彩信息, 缩小了原有图像的形变程度, 用图像的特征向量来进行匹配。图像仍有很大程度的径向畸变, 不符合透视投影关系, 而且在把鱼眼摄像机的图像转换为经纬度图像的过程中, 引入了插值模糊, 图像边缘部分也发生严重的拉伸。
2.2在球面上进行处理
目前, 在球面上做特征点提取与匹配的主要有Hansen.Peter I和Hicham.在球面处理就需要将图像函数表示成球面谐波函数的形式, 在球面尺度空间里进行各种运算。
2.2.1球面上的尺度不变特征提取方法 (sSIFT)
Hansen在2007年, 提出了一种球面SIFT特征描述符[2]。用球面谐波函数表示球面图像, 并与球面高斯函数做卷积来获得尺度空间图像, 得到点的尺度空间响应与其在图像面上的位置无关, 具有旋转不变性。选取和特征尺度相关球面上的圆形区域, 作为特征描述符给定一个特征尺度
2.2.2球面热扩散的近似方法 (pSIFT)
p SIFT即parabolic SIFT, 也要定义尺度空间核函数, 方法同s SIFT一样。之后, 用立体投影的方法来近似球面热扩散的过程。
上述两种球面上的SIFT在计算主方向时都要比平面上的SIFT引入更多的误差, 在匹配的过程中肯定会受到影响。
2.2.3球面上的Harris角点检测法
2008年, Hicham在球形谱域内进行处理, 他设计了一个更加准确和重复性更高的球面Harris特征点提取方法[3], 定义为：是角坐标, Iθ和Iϕ是平滑处理后的球面图像导数, σI和σD是积分和微分尺度。
3、结语
全景图像的处理方法很多, 直接将标准的图像处理方法应用到全景图像上的成功运用, 局限于小基线的校准后的全景图像;将鱼眼摄像机图像转换为经纬度全景图, 然后用图像梯度方向、色调、饱和度和边缘点的直方图来建立特征空间, 这种方法虽然考虑了图像的色度信息, 降低了鱼眼图像径向畸变程度, 使图像更加接近于真实场景, 却引入了插值模糊, 降低了计算精度。将全景图像映射到球面上, 用改进的特征点提取与匹配算法, 该方法适合于大基线运动, 可以准确而快速的获取场景的信息。综上, 球面全景图的特征点的提取与匹配, 还有待更多的工作来完善。
参考文献
[1]Shigang Li.Qualitative Localization by Full-View Spherical Image[J].IEEE Conference on Automation Science and Engineering, 2007, (3) :566-571.
[2]Bullow, T.Multiscale Image Processing on the Sphere[J].Computer Science.Springer Berlin-Heidelberg, 2002, 2449:609-617.