《第10周周二实验图像压缩编码周五运动会,不上课第11》由会员分享，可在线阅读，更多相关《第10周周二实验图像压缩编码周五运动会,不上课第11（67页珍藏版）》请在金锄头文库上搜索。
1、 第10周周二 实验四 图像压缩编码周五 运动会，不上课 第11周周二 上课（复习）周五 五一放假 第12周周二 实验五 手写体邮政编码识别周五 （5月8日）考试：13：15 - 15：15三教1077-2 纹理特征提取 u纹理: 把图象的局部不规则而宏 观有规律的特性称之为纹理。u纹理区域：以纹理特性为主导的图 像区域。 纹理是对图象的象素灰度级在空间上的分布 模式的描述，反映物品的质地，如粗糙度、 光滑性、颗粒度、随机性和规范性等。 它们反映了物体表面颜色和灰度的某种变化 。这些变化与物体本身的属性相关。 当图象中大量出现同样的或差不多的基本图 象元素（模式）时，纹理分析是研究这类图 象的
2、最重要的手段之一。 纹理特征提取 描述一块图象区域的纹理有三种主要的 方法，统计分析方法、结构分析方法和 频谱分析方法。 自然纹理：具有重复性排列现象的自然 景象，无规则； 人工纹理：是由自然背景上的符号排列 组成、有规则的。纹理特征提取 统计方法 Statistical approach有基于图像灰度直方图的矩分析法、灰 度共生矩阵法、灰度行程和自回归模型 。统计方法将纹理描述为光滑、粗糙、粒 状等等。 纹理特征提取 结构方法 Structural approach 研究基元及其空间关系。基元一般定义为具 有某种属性而彼此相连的单元的集合，属性 包括灰度、连通区域的形状、局部一致性等 。空间
3、关系包括基元的相邻性、在一定角度 范围内的最近距离等等。根据基元间的空间 联系，纹理可以分为弱纹理或强纹理。进一 步细分，可以根据基元的空间共生概率来划 分，也可以根据单位面积内的边缘数来区别 。纹理特征提取 频谱方法 Spectral approach根据傅立叶频谱，根据峰值所占的能量 比例将图象分类。包括计算峰值处的面 积、峰值处的相位、峰值与原点的距离 平方、两个峰值间的相角差等手段。 u灰度直方图分析法 为了研究两种纹理区域的灰度直方图的相 似性，可以比较累积灰度直方图分布，计算直方 图的均值或方差。但是灰度直方图不能得到纹理的二维灰度变 化。如下图中两种纹理具有相同的直方图，只靠 直
4、方图就不能区别这两种纹理。 常用的几种纹理特征分析方法u 灰度共生矩阵法The Gray-level Co-occurrence Matrix共生矩阵用两个位置的象素的联合概率 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象素 之间的位置分布特性，是有关图象亮度变 化的二阶统计特征。它是定义一组纹理特 征的基础。 The Gray-level Co-occurrence Matrix 定义：位置算子 100111yx 假设给定如下的仅具有3个灰度级的图象 区域，分别记数符合上述位置算子的象 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
5、共生矩阵。共生矩阵的阶数与图 象的灰度级别数相等。 2221122110211001100010000The Gray-level Co-occurrence Matrix上式等号右边的分子是具有某种空间关 系、灰度值分别为g1和g2的象素对的个数，分 母为象素对的总和个数(#代表数量)。这样得 到的P是归一化的。 定义 设S为目标区域R中具有特定空间联系 的象素对的集合，则共生矩阵P 可定义为The Gray-level Co-occurrence Matrix2221122110211001100010000 The Gray-level Co-occurrence Matrix频度矩阵T
6、he Gray-level Co-occurrence Matrix100500073161300340046201110110的共生矩阵:的共生矩阵：，位置算子ddd01230123 12301230 23012301 3012301201230123 12301230 23012301 30123012纹理A纹理B00112233 00112233 00112233 00112233 00112233 00112233 00112233 00112233例西北到东南方向（11）水平向右方向（10）01230123 12301230 23012301 3012301201230123 123
7、01230 23012301 30123012纹理A纹理B00112233 00112233 00112233 00112233 00112233 00112233 00112233 00112233东北到西南方向（-11 ）垂直向下方向（01）主对角线元素的作用:由于沿纹理方向上相近象素的灰度 基本相同, 垂直纹理方向上相近象素间 有较大灰度差, 因此主对角线元素的大小有助于判别纹理的方向和粗细，对纹 理分析起着重要作用。（1）方向判断：纹理A为90 o方向，纹理为45o 方向。因纹理A的垂直方向的共生矩阵和纹理 的45o方向的共生矩阵的主对角线元素值很大，其 他元素值全为，正说明沿着纹理方
8、向上没有灰 度变化。 纹理A3322110033221100332211003322110033221100332211003322110033221100垂直向下方向（01） 2103210310321032032103213210321021032103103210320321032132103210纹理B东北到西南方向（-11 ）（2）粗细判断：纹理A纹理较粗，纹理较细。观察纹理A的水平方向的共生矩阵和纹理的135o方向的共生矩阵可知，纹理主对角线元素全为，说 明在垂直纹理方向上灰度变化频繁，故纹理细；而纹理 A主对角线元素不为，说明相邻象素的灰度变化缓慢，故纹理粗。 纹理A332211
9、0033221100332211003322110033221100332211003322110033221100水平向右方向（10）2103210310321032032103213210321021032103103210320321032132103210纹理B西北到东南方向（11）元素值的离散性分析:灰度共生矩阵中元素相对于主对角线的 分布-离散性；反映纹理的粗细(1)离散性大：离开主对角线的元素的归一化 值高，说明图中垂直于该方向的纹理较细。2103210310321032032103213210321021032103103210320321032132103210纹理B西北到东
10、南方向（11）NO18.2元素值的离散性分析:灰度共生矩阵中元素相对于主对角线的 分布-离散性；反映纹理的粗细(2)离散性小：离开主对角线的元素的归一化 值低，说明图中垂直于该方向的纹理较粗。纹理A00112233 00112233 00112233 00112233 00112233 00112233 00112233 00112233水平向右方向（10）如果一幅图象主要包含细的纹理, 其灰度共生矩阵中 的数值则散布在远离对角线处, 例如图1. 而如果一幅图象主要包含粗的纹理, 其灰度共生矩阵 中的数值较集中于主对角线附近, 例如图2.Fig. 2 Fine texture image an
11、d its co-occurrence matrixFig. 1 Coarse texture image and its co-occurrence matrix例:图象和其灰度共生矩阵纹理的统计特征 基于共生矩阵的纹理特征选择合适的位置算子，计算出 共生矩阵，然后可以计算如下的 纹理描述特征： 对灰度共生矩阵的各种统计量可作为 纹理特性的度量。.二阶矩 The second moment：二阶矩是图象灰度分布均匀性的度量。当图象灰度分布均匀时，纹理较粗，由 于p的数值较集中于主对角线附近, 相应的二 阶矩值较大; 反之值则较小。. 熵：此处熵是图象所具有的纹理信息量的度量。若图象充满细纹理
12、，则p的数值近似相等，图象的熵值很大；若分布着较少的纹 理，则p的数值差别较大，熵值较小。u 纹理分析的自相关函数法 设图像为f(i，j)，则该图像的自相关函数定义为:w , h 分别为窗口的宽和高；x, y 分别为 横、纵方向的偏移量。当（x,y）固定不变时，粗纹理的 比细纹理的大。当x=y=0时， 达到最大 值。uu傅立叶频谱法傅立叶频谱法将二维频谱转化为一维图像将二维频谱转化为一维图像原图图Fourier 系数图图像 （极坐标标S(r,)）FFT2D +FFTSHIFT将每个区域 像素求和将每个区域 像素求和按角度 划分区域S(r)Sr()按 半 径 划 分 区 域傅立叶频谱法傅立叶频谱
13、法Original image2D Spectrum (Fourier Tr.)S(r)S(q)Another imageAnother S(q)45 90 13590 7-3 颜色特征提取 引言人眼对彩色的分辨率大大高于对黑白图 像的分辨率。彩色图像所带的信息，远 远大于灰度图像。因此，在计算机图像 处理中，颜色的特征提取占有很重要的 地位。颜色特征提取 为减少真实彩色所带来的海量 数据，前人提出采用R、G、B （三基色波长（CIE）Blue: 435.8nm, Green: 546.1nm, Red: 700nm）相加法实现自 然色彩的表示、传输与还原。 颜色特征提取 颜色表示系统 虽然R
14、GB系统广泛应用于电视传输、彩色成 象，但RGB系统与人眼对颜色的识别方式还 是有一定的差距的。常用的彩色表示系统还 有HSV、YCrCb、YUV、YES等。 颜色特征提取 HSV颜色模型 根据人眼对颜色感知的视觉特 性，RGB颜色空间可以变换 到HSV（Hue, Saturation, Value）色彩空间，即在此空 间一点的颜色可以由色度、 饱和度和亮度值来表示。 HSV空间可以用一个锥体表 示 .颜色特征提取从RGB空间到HSV空间的转换关系如下颜色特征提取由HSI变换为RGB坐标的公式如下 颜色特征提取应用：人脸识别中的人脸分割 通过对实验室的环境下人脸肤色块图像的统计，得 到人脸肤色
15、在不同的颜色空间分布如下： 肤色像素 在RGB空间分布颜色特征提取肤色像素 (a) 在HS平面分布 (b) 在HSV空间分布(b)(a)颜色特征提取用肤色模型进行人脸分割及实验结果HSV颜色空间比RGB空间更加接近人眼睛 对颜色的感知机理，它分离了颜色的亮度和色 度信息，因此选择HSV颜色模型作为肤色模型 空间。通过实验选择HSV肤色模型的参数如下： H0, 0.1390.944, 1，S0.15, 0.68 利用此参数对一张在实验室照的照片进行 肤色区域的分割，对分割的结果应用高斯低通 滤波器消除一些面积很小的连通区域。分割结 果如图(b)所示，滤波和填充连通区域后的结果 如图(c)所示：颜
16、色特征提取(a)原始图像 (b)分割图像 (c)滤波填充后图像(a)(b)(c)7-4 形态学图像处理方法简介Morphological Image Processing形态学运算是针对二值图象依据数学形态学 的集合论方法发展起来的图象处理方法,它以形态 为基础对图像进行分析。数学形态学起源于岩相学对岩石结构的定量描述 工作。原理：用具有一定形态的结构元素(SE)去 量度和提取图象中的对应形状，以达到对图 象分析和识别的目的。应用：简化图象数据并保持图象基本形状 特性，同时除去不相干的结构。在数字图象 处理和机器视觉领域中得到了广泛的应用， 形成了一种独特的数字图象分析方法和理论 。 扩张（膨胀）侵蚀（腐蚀）开启（opening）闭合（closing） 数学形态学的四个最重要的算符是：一、
