面积特征算子

面积特征算子（精选3篇）

面积特征算子 篇1

0 引言

呼吸检测是医学研究领域的重要课题。国内外对人体呼吸检测的研究较多[1,2,3]。2006年韩国延世大学的Myoungho Lee等采用超声波传感器对人的呼吸进行测量,得到了呼吸的二维信号[2]。该方法对呼吸的检测有较高的精准度,但采用的是接触式的方法,在动物的检测中有其局限性,不太适用于猪的规模化养殖; 2011年重庆医科大学的宋奎等人对人体敏感部位,采用激光测距的非接触式的方法实现了对病人呼吸的测量[3]。但由于受猪舍环境和条件的限制,运用到猪呼吸检测上有一定难度。

目前机器视觉技术应用于植物和动物的静态测量等方面已有一些研究,取得了一些可喜的进展[4,5,6,7,8,9,10,11],但国内外对动物呼吸频率检测的研究较少,猪呼吸的自动化检测则更少。2011年,纪斌,朱伟兴等建立了一个基于脊腹线的模型,得到了一个与呼吸相关的二维信号,实现基于机器视觉的猪的呼吸频次检测,取得较好的实验效果[]。但由于该方法通过测定猪的脊部线的变化来检测呼吸快慢,猪轮廓的图像预处理的精度会直接影响呼吸检测,结果过于敏感; 再者该方法后期并没有对呼吸信号进行必要处理,影响结果的可靠性。基于上述原因,本文提出一种与呼吸相关性更大,稳定性更好的面积特征算子的方法来检测猪的呼吸。得到猪呼吸的二维信号后,运用小波分析对信号进行优化处理,利用峰值点检测算法获得猪的呼吸频次,最后转化为呼吸频率。该方法可以代替传统的人工计数,为猪的呼吸频次检测提供了一种新的方法,对其它哺乳类动物的呼吸检测也有重要的借鉴和参考意义。

1 材料与方法

1. 1 视频采集

本实验以江苏省丹阳市荣鑫农牧发展有限公司4月龄苏太猪为研究对象。视频摄于2012年4月白天条件下,由兽医挑选10头具有不同程度呼吸异常的猪,先后置于猪栏( 3. 85m×4. 63m) 中,用相机单独摄取猪站立视频( . avi格式) ,人工调整好屏幕大小和摄取角度,尽量减少干扰物( 食槽,水槽等) 的摄入,以方便后 期处理。视 频分辨率为640像素×352像素,帧速为25帧/s。对每头猪摄取10个片段,每段视频中需包含猪站立不动时身体的完整轮廓。

1. 2 视频处理与目标轮廓的获取

采用有线的方式将猪的呼吸视频传输到计算机中。在MATALB软件平台上截取猪呼吸视频中的每一帧,对每一帧图像进行处理。由于猪舍内干扰项较多( 如猪的排泄物,墙体剥落的石灰及污渍等) ,且仅靠自然光照条件等特点,提取完整清晰的猪轮廓存在相当大的难度。但由于本文检测的是猪的呼吸,能够提取出猪完整清晰的脊腹部轮廓即可。轮廓提取的步骤如图1所示。图1( a) 为原图,首先对原图进行色度优化得到图1( b) ,具体办法就是将整幅图中亮度在前5% 的像素点的灰度值全部置为255,以提高整张图像的对比度; 对色度优化后的图像进行阈值分割得到图1( c) ,选取的阈值为83; 对所得图像采用“虫随法”进行边界跟踪[10]得到图1( d) ; Roberts算子提取目标轮廓得到图1( e) ,继续对图像进行反色变换和开闭运算,得到最终图像图1( f) 。由图1( f) 可见,猪腹部轮廓完整且清晰,满足实验要求。

1. 3 面积特征算子的提取

兽医学研究表明,当猪罹患呼吸系统疾病时是采用腹式呼吸的。因此本文采用面积特征描述子来表达猪脊部和腹部的起伏程度。通过猪脊腹部面积的变化规律来反映猪的呼吸频次。面积特征算子的提取流程如下: 1获得图1( f) 中的质心( XZ,YZ) ; 2提取过质心的连接线并得到猪腹部和猪背部的两个交点( C1,C2) ,并计算过质心两交点连接线截距描述子L; 3计算交点两侧的面积特征算子的宽度W; 4连接在宽度内所有猪脊背到腹部的线,构建并提取面积特征算子。

1求取目标图像质心( 基准点)

根据目标图像( 如图1( f) 所示) 的轮廓线,通过公式 ( 1) 和公式( 2) 计算质心位置( Xz,Yz) ,相关参数标注如图2所示。

在上述公式中,n为猪的轮廓线上所有像素点的个数; ( xi,yi) 是轮廓线上像素点的坐标。质心的计算包括了头部某些模糊的像素点,但这并不影响面积特征算子的提取。因为本文摄取的视频,猪都是保持站立不动的,所以对同一头猪来说所要测定的猪脊腹部不会发生横向偏移。实验第一帧图像选取的是猪轮廓的质心,接下来各帧图像的处理仍然采用第一帧图的质心,作为这段视频的基准点。本文选取的一个质心基准点为( 238. 8,257. 8) 。

注: L为过质心的连接线,C1,C2分别为连接线与脊背和腹部的交点,( XZ,YZ) 为质心。

2提取并计算过质心的连接线

图2中L为所需的过质心的连接线长度,交猪的脊背于点C1,交腹部为点C2。L的计算见式( 3) 。

其中,yC1,yC2分别为C1,C2两像素点在图像中的纵轴上的相对坐标,abs( ) 为取绝对值运算符。

3计算面积区域的宽度

面积特征描述算子的宽度为W。由于本实验提取的是关于猪腹部的面积特征算子,所以W有一定范围区间,它的取值必须小于前后两腿之间的距离。由于猪的品种和体型各异,选取一个可调节的宽度是合适的。并且,由于质心一般不在猪身体躯干的中心,其偏向前腿,故根据试验,通过调节常数λ以便确定合适的W值,见公式( 4) 。

一般λ设为0. 15 ~ 0. 65,本文选定为0. 25。由于图像帧不同,预处理结果也会有差别,会造过质心连接线长度不一,最后导致面积区域宽度不一致。为了解决这一问题,本文规定: 一段视频,只选取一个基准点( 第一帧图片的质心点) ,一个面积区域宽度( 第一帧图片L /4) 。

4构建并提取面积特征算子

因为猪酮体的不规则形状,且猪的轮廓线有一定的起伏。所以面积特征描述算子的提取不能简单的长度乘上宽度。根据点构成线,线构成面这一数学原理,本文先计算过质心截距线的长度,然后确定面积特征算子的宽度,用求截距的方法,将面积宽度内的所有截距以像素为单位全部计算出来。面积特征算子即为这些截距线像素点的累和,见公式( 5) 。

式( 5) 中,S为构建的面积特征算子,W为面积特征算子的宽度,Li为宽度W内i点的猪脊部轮廓线上的截距长度,L为i零时的过 质心的截 距长,即Li = 0= L。具体示意图如图3所示。

注: ( XZ,YZ) 为质心,S为提取的面积特征算子

1. 4 猪呼吸信号的获取

通过猪呼吸时脊腹部面积的变化来表征猪的呼吸频次。实例视频分帧得到的152张图像来获取猪的呼吸信号。每一帧图像都可以提取一个面积特征算子,对152张图片进行处理可以得到152维离散的特征。由于这些数值都比较庞大,本文将其归一化到100以内( 每个数据值都除以250) ,以这些值为纵坐标,以图像对应的帧数为横坐标,可以画出一个二维坐标曲线,如图4所示。

图4为获取的初始呼吸信号,信号比较有规律,但还是有很多噪声。如果不去除则无法获取平滑的波形图,对后期的峰值点检测也有干扰。

1. 5 利用小波分析对猪的呼吸信号进行优化处理和峰值点检测

信号的处理是后期处理的关键,本文涉及到一维信号的降噪。小波分析是近年发展起来的一种工具性方法。小波变换由于具有时 - 频局部化,具有自适应性,在低频段采用高的频率分辨率和低的时间分辨率,在高频段采用低的频率分辨率和高的时间分辨率,非常适合于分析有突变的信号。基于本文信号存在突变的情况,且要刻画的是尖峰,所以采用小波分析来降噪是可行的。

采用DB3小波对猪的呼吸信号进行离散小波变换,做2层小波分解; 呼吸信号作小波变换后,选用全局阈值进行信号增强处理,消除了信号的毛刺( 局部极值点) ,小波降噪的效果图如图5所示。

对降噪后的呼吸信号进行波峰检测,可以得到在152帧视频内猪呼吸的频次。峰值检测结果如图6所示。

由图6可知,在这段视频中,猪在站立时基本上保持均匀呼吸,152帧图像中检测到了5个峰值点。但为了保证计算的精准度,实验采用以下方式计算检测到的峰值点和所对应的时间: 首先计算出出现第一个峰值点所对应的图像帧数和最后一个峰值点所对应的图像帧数( 17,139) 。然后将帧数相减得到帧数为122帧。此时122帧只检测到4个呼吸周期。由于本文所选用视频的帧速率为25帧/s,所以检测到4次呼吸的时间为4. 88秒。利用公式( 6) 即可得到该猪在一分钟内的呼吸频率。

2 结果与讨论

2. 1 猪的呼吸频率计算

人工计数按照当猪吸气时按秒表开始计数,计数猪吸气次数,直到最后一次吸气再次按下秒表。计数或检测得到的呼吸周期数为N,耗时t( s) ,每分钟呼吸频率为F,猪的呼吸频率计算方法如下:

其中,60为一分钟时长。由公式( 6) 可知,选取的视频中猪的呼吸频率大约为49。

2. 2 猪呼吸频率测定和检测精度

本文研究工作是对10头猪共100段视频进行分析。首先对同一头猪的10段视频进行筛选,选取画质清晰,干扰物较少的一段视频。然后对筛选出的10段视频利用人工计数和本文提出的视频识别两种方法进行呼吸频率检测,以人工计数值为标准,计算得到相对误差,判断本文方法的精准度。第一种方法是人工观察: 5个人对同一段视频进行呼吸计数,将5个人的计数结果取平均值作为人工观察的该猪的呼吸频次,运用公式( 6) 计算出该猪的呼吸频率,结果如表1所示的人工观察组; 第二种方法利用本文所提出的方法进行呼吸检测,实验结果如表1所示的本文方法组。实验结果表明,本文方法的呼吸频率最大相对误差为16. 3% ,最小相对误差为 - 1. 69% 。

兽医学研究表明,猪正常呼吸时呼吸频率大约为每分钟20次。由表1可知,对于人工观察呼吸异常的猪,十个样本测量的结果都大于20; 与人工观察组相 比,本文方法 组的平均 相对误差 为7. 998% 。可见,该方法对于猪的异常呼吸的检测是可行的。分析数据可知,其中有三个数据的相对误差在10% 以上,分别是样本1,样本2和样本8。主要原因有以下两点: 1视频选取的不合理性,选取的视频中包含了较多的干扰因素( 如猪的排泄物,墙体剥落的石灰等) ; 2预处理中阈值点的选取不合理,造成前期的轮廓提取不理想。这些因素积累后得到较大误差的结果。

3 结束语

本文采用图像处理技术,提取复杂实验条件下猪的轮廓,利用基于面积特征算子的实验方法,获得表征猪的呼吸快慢的二维信号,运用小波降噪的方法对呼吸信号做了优化处理,提高数据的可靠性和可用性。在此基础上,提出基于面积特征算子的方法,非接触地检测猪的呼吸频率。

实验表明,本文提出的方法组的平均相对误差为7. 998% 。本文所拍摄的视频图像尽可能反映了猪在猪舍中的自然状态,尽管猪侧视时首尾朝向不尽一致,站立的姿态各不相同,但可以完整地提取出猪的腹部面积,所以该方法具有通用性。此外,此方法是通过测量猪的腹部面积的变化来测量猪的呼吸快慢。如果当猪躺卧时也能测出它的腹部面积的变化的话,也就能检测出猪保持躺卧姿态时的呼吸频率,这扩大了本文所提出的方法的适用范围。但却需要做一些改进,如前期预处理灰度阈值的选取,后期小波降噪小波基的选择等。本项研究也存在一些局限性。其一,本文所提出的方法的测量精度主要取决于猪的轮廓提取的精度,实验中以黑色苏太猪为对象,其身体与背景的色差较大,故实验结果比较理想,如对长白猪来说,实验结果会差一些; 其二,本文所选用视频拍摄视角只局限于平视,且猪在一段时间内是保持相对静止的,如果一直走动没有相对静止的时间段,则本文方法会失效。其三,由于呼吸正常的猪不是采用腹式呼吸的,所以本方法还无法测量。

面积特征算子 篇2

研究了四阶一致椭圆型算子第二特征值的上界估计.利用试验函数、Rayleigh定理、分部积分、Schwartz不等式和Young不等式等估计方法与技巧,获得了用第一特征值来估计第二特征值的上界的.不等式,上界与区域的几何度量无关.

作 者：钱椿林 张晶 蔡保康 QIAN Chun-lin ZHANG Jing CAI Bao-kang  作者单位：苏州市职业大学远程教育学院,江苏苏州,215004 刊 名：中国科学技术大学学报  ISTIC PKU英文刊名：JOURNAL OF UNIVERSITY OF SCIENCE AND TECHNOLOGY OF CHINA 年，卷(期)：2007 37(11) 分类号：O175.1 关键词：四阶一致椭圆型算子   特征值   特征函数   上界   uniformly elliptic operator with four orders   eigenvalue   eigenfunction   upper bound  

★ 变系数非线性二阶周期边值问题的正解

★ 基于非线性的汽车钢板弹簧断裂问题分析

★ 考研英语全程五轮四阶复习规划

★ 一类离散非线性混沌系统的观测器

★ 相干结构中特征值积分方程求解的一种新方法

★ 固体火箭发动机药柱三维结构非线性分析

★ 包含临界指数的奇异系数的椭圆型方程正解的存在性

★ 关于分班考试问题

★ 问题报告

面积特征算子 篇3

关键词：harris算子,特征匹配

引言

影像匹配是数字摄影测量中的重要环节, 其目的在于采用影像相关的原理进行同名点的寻找。通常采用灰度相关的方法来进行影像匹配, 但该方法存在待匹配像素搜索盲目的问题。Ackermann教授提出最小二乘影像匹配的方法[1], 该方法充分利用影像窗口内的信息进行平差计算, 是匹配达到很高的精度, 但若影像窗口信噪比较低的时候精度较差, 甚至无法进行匹配。针对上述两种方法的缺点, 基于特征点的影像匹配策略被引入, 该策略主要用于匹配特征点、线或面。由于特征点纹理信息丰富, 在匹配过程中能够达到较高的成功率。

特征点是指影像上的明显点, 如边缘点、角点和圆点, 提取点特征即运用某州算法从影像中提取特征点。1977年Moravec提出利用灰度方差提取点特征的Moravec算子[2]。1987年Forstner提出通过建立影像窗口灰度协方差矩阵的误差椭圆提取点特征的Forstner算子[3]。1988年C.Harris和M.Stephens提出著名的Harris算子[4]。1997年Smith和Brady提出了SUSAN角点检测算法[5], 该算法基于对USAN值进行统计, 判断目标点是否为角点。

本文首先采用Harris算子对影像进行特征点提取, 然后对特征点进行二维灰度匹配。实验表明, Harris算子提取的特征点能够很好地反映角点和边缘点特征, 分布合理, 并且在匹配过程中能够保证较好的匹配成功率。

1 Harris算子

H a r r i s算子是C.H a r r i s等在改进Moravec算子的基础上提出的角点检测算子。该算子考虑一个局部窗口沿不同方向偏移后窗口内区域灰度值的变化, 主要考虑以下三种情形:

(1) 如果窗口内为灰度平坦区域, 则窗口沿任意方向偏移都不会引起大的灰度变化。

(2) 如果窗口内包含边, 则窗口沿垂直于边的方向偏移会引起较大的灰度变化。

(3) 如果窗口内包含角点, 则窗口沿任意方向偏移都会引起较大的灰度变化。

基于上述三种情形, 算子把窗口偏移能够引起灰度变化超过某一特定值的点判定为特征点, 包括角点和边缘点。

设像素点为 (x, y) , 窗口平移量为 (u, v) , 则该像素灰度变化为:

其中wu, v为窗口函数, 通常取

引入与自相关矩阵M得到:

对称矩阵M为:

M的特征值λ1, λ2可以表示在该像素图像灰度自相关函数的极值曲率, 考虑下面三种情形:

(1) 两个曲率都很小, 则局部自相关函数较平坦, 即影像区域为平坦区域。

(2) 一个曲率很大而另一个曲率比较小, 局部自相关函数呈山脊状, 垂直于山脊方向的窗口偏移引起大的灰度变化, 表明影像区域包含边缘。

(3) 两个曲率都较大, 局部自相关函数包含峰值, 表明影像区域包含角点或独立点。

实际计算过程中, 并不直接计算出各像素M矩阵的两个特征值, 而是定义一个角点响应函数CRF来检测特征点。C.Harris提出的角点响应函数为:

上面式中, k为经验参数, 一般取0.04~0.06。当CRF值较大时, 对应像素是角点, 当CRF为负值且绝对值较大时, 对应像素位于影像的边缘区域, 当CRF绝对值很小时, 对应像素位于平坦区域。为了顾及角点特征和边缘特征, 将CRF取绝对值, 绝对值较大的像素为特征点。

算法步骤

依据Harris算子提取特征点的原理, 算法分为以下几步:

(1) 依次计算影像中每个像素的自相关矩阵M

其中, G (s) 为高斯函数, gx和gy分别为影像在x和y方向上的梯度。

(2) 计算每个像素的特征点响应函数

(3) 取CRF值大于某一阈值的像素为候选点, 该阈值对每一幅影像设置都有不同。

(4) 抑制局部非最大。在抑制窗口中选取候选点中CRF值最大的像素为特征点。

2 影像匹配

影像匹配就是利用影像相关原理对两块影像的相似性进行评定, 以确定影像同名点的过程。由于影像纹理结构的特点, 若匹配窗口区域内纹理特征不明显, 即匹配窗口内信噪比过小, 会影响匹配精度, 甚至会导致匹配失败。因此, 以影像特征点作为待匹配点不仅能够保证匹配成功率, 也能够避免待匹配点的盲目搜索。

对左影像提取出来的特征点, 预测其在右影像上的大致位置, 利用灰度相关系数逐一匹配, 相关系数的计算公式[1]见图1。

匹配过程中, 如果两个点相关系数大于0.7, 可以认为是同名点。

匹配的过程为:

1) 得到每一个特征点的待匹配窗口, 窗口以待匹配点的为中心, 大小为5×5或7×7。

2) 根据影像的大致关系预测待匹配点的大致位置, 设置搜索窗口, 搜索窗口大小为21×21。

3) 在搜索窗口内进行二维影像相关, 取相关系数最大的匹配窗口中心点为待选同名点, 相关系数大于0.7则匹配成功, 否则该待匹配点匹配失败。

4) 重复上述步骤直到所有特征点匹配结束。

3 实验与分析

利用VC实现以上影像匹配过程对两幅航空灰度影像 (如图2) 进行了实验, 影像大小为1240×1210。分别采用Harris算子和Moravec算子提取影像特征点, 并利用特征点进行特征匹配。

实验中Harris算子CRF阈值设置为100000, Moravec算子兴趣值阈值设置为1000。图3、图4分别为Harris算子和Moravec算子提取特征点效果图, 可以看出Harris算子对边缘和角点更敏感, 获取的特征点能更好的反映边缘的轮廓。

将左影像上的特征点作为待匹配点, 在右影像上进行影像相关, 寻找同名点。表中给出了特征匹配结果的质量指标。表1表明基于Harris算子的特征匹配正确率略高于基于Moravec算子的特征匹配。

4 结语

采用Harris算子提取特征点能很好的反映角点和边缘特征, 且分布均匀合理, 利用Harris提取的特征点进行灰度相关匹配, 匹配正确率较高, 且在纹理丰富区域的匹配效果很好。但对于纹理信息贫乏区域的匹配正确率仍然较低, 且匹配的精度还有待进一步提高。

参考文献

[1]张剑清, 潘励, 王树根.摄影测量学[M].武汉:武汉大学出版社, 2006

[2]H.P.Moravec.Towards Automatic Visual Obstacle Avoidance[C].Proc 3rd.Int.Conf.Inf.Comm and Artificial Intelligent.1977

[3]W.Forstner, E.Gulch.A Fast Operatorfor Detection and Precise Loacation of Distinct Points, Corners and Centres of Circular Features[C].ISPRS Intercommission Workshop, Inter Laken.1987

[4]C.Harris, M.Stephens.A Combined Corner And Edge Detector[C].Proc.Alvey Vision Conference.1988:189-192

[5]S.M.Smith, M.Brady.SUSAN-A New Approach to Low Level Image Processing[J].Pattern International Journal of Computer Vision.1997, 23 (1) :45-78

[6]陈文.图像角点特征提取方法研究[D].武汉大学硕士学位论文, 2010