視頻監(jiān)控與視頻分析第七章特征提取基本特征

1、第7章 圖像描述與分析7.1 灰度描述7.2 邊界描述7.3 區(qū)域描述7.4 紋理描述7.5 形態(tài)分析第7章 圖像描述與分析T 圖像分析 也叫景物分析或圖像理解 是一種描述過程，研究用自動或半自動裝置和系統(tǒng)，從圖像中提取有用數(shù)據(jù)或信息生成非圖的描述或表示 圖像分析：特征提取、圖像分割、符號描述、紋理分析、運動圖 像分析和圖像的檢測與配準預(yù)處理分割特征提取分類描述符號表達識別跟蹤解釋描述輸入圖像T圖像分析通常按下列順序進行 從圖像中提取對象或?qū)ο蠼M成部分的圖像特征(例如圖像中景物的邊緣或區(qū)域) 利用圖像特征的屬性或相互關(guān)系來決定每個屬性應(yīng)屬于哪個對象的哪個部分第7章 圖像描述與分析7.1 灰度描

2、述7.1.1 幅度特征7.1.2 直方圖特征7.1.3 變換系數(shù)特征2001( , )( , )NNijf x yf i jN7.1.1 幅度特征最基本的是圖像的幅度特征。例如在區(qū)域內(nèi)的平均幅度，即7.1.1 幅度特征 a)原圖 b)利用幅度特征將目標(biāo)分割出來P(rk)=nk/N 第rk個灰度級出現(xiàn)的頻數(shù) 可從直方圖的分布得到：圖像對比度、動態(tài)范圍、明暗程度等 一階直方圖的特征參數(shù)： rk量化層 均值： 方差： 歪斜度：10()kLkkrur p r一階矩1220()( )kLkkrru p r二階中心矩133301()( )kLkkruru p r三階中心矩7.1.2 直方圖特征 峭度：12

3、2()kLkrmp r120()log ()LkkbHp rp r 熵： 能量：7.1.2 直方圖特征144401()( )3kLkkruruP rv v(m+1)u v(m)水平切口垂直切口環(huán)狀切口扇狀切口(1)1()()( , )dv mv mS mM u vv(1)2()()( , )du mu mSmM u vu(1)3()()(,)dmmSmM (1)4()()( , )dmmSmM 7.1.3 變換系數(shù)特征T 頻域中的一些特征 如2 ()222( , )( , )d d( , )( , )jux vyF u vf x y ex yM(u,v) F(u,v)R u vI u v 設(shè)：

4、=幅譜M與F不是唯一地對應(yīng)（M有位移不變性）7.1.3 變換系數(shù)特征T 特征：圖像中含有這些切口的頻譜成分的含量。信息可作為模式識別或分類系統(tǒng)的輸入信息。已成功用于土地情況分類，放射照片病情診斷等 Ff(x,y) F-1F(u,v)g(u,v)( , )U u v( , )u m n7.1.3 變換系數(shù)特征7.2.1 鏈碼描述7.2.2 傅里葉描述子7.2 邊界描述7.2.1 鏈碼描述T 在數(shù)字圖像中，邊界或曲線是由一系列離散的像素點組成的，其最簡單的表示方法是由美國學(xué)者Freeman提出的鏈碼方法。T 鏈碼實質(zhì)上是一串指向符的序列，有4向鏈碼、8向鏈碼等。 )90( 1 )180(2 )0(

5、0 )270( 3 )90(2 )135(3 )45( 1 )180(4 )0(0 )225(5 )315(7 )270(6 4向鏈碼 8向鏈碼7.2.1 鏈碼描述 a)原鏈碼方向 b)逆時針旋轉(zhuǎn)9090 圖a曲線的鏈碼為：01122233100000765556706其差分鏈碼為：101001067000077700111690 圖b曲線的鏈碼為：23344455322222107770120 其差分鏈碼為：10100106700007770011167.2.1 鏈碼描述 曲線的鏈碼是：6022222021013444444454577012其差分鏈碼是： 22000062771210000

6、00171201117.2.1 鏈碼描述曲線的鏈碼是：024444424323566666676711234其差分鏈碼是： 22000062771210000017120111 7.2.1 鏈碼描述T鏈碼的特殊性質(zhì) 一個物體很容易實現(xiàn)旋轉(zhuǎn)45。如果一個物體旋轉(zhuǎn)n45，可由原鏈碼加上 n 倍的模8得到鏈碼的微分，也稱差分碼，由原碼的一階差分求得鏈碼差分是關(guān)于旋轉(zhuǎn)不變的邊界描述方法區(qū)域的一些其它性質(zhì)，如面積和角點，可以由鏈碼直接得7.2.1 鏈碼描述7.2.2 傅里葉描述子T對邊界的離散傅里葉變換表達，可以作為定量描述邊界形狀的基礎(chǔ)。采用傅里葉描述的一個優(yōu)點是將二維的問題簡化為一維問題。 邊界點的

7、兩種表示方法7.3 區(qū)域描述7.3.1 幾何特征7.3.2 不變矩1. 像素與鄰域a) 4-鄰域 b) 8-鄰域 7.3.1 幾何特征2. 區(qū)域面積1100( , )mnxyAf x y 3. 位置1111000011( , ),( , )mnmnxyxyXxf x yYyf x ymnmn質(zhì)心形心1111000011,nmnmijijijxxyymnmn 7.3.1 幾何特征4.區(qū)域周長 三種定義： (1) 區(qū)域和背景交界線（接縫）的長度 (2) 區(qū)域邊界8鏈碼的長度 (3) 邊界點數(shù)之和 7.3.1 幾何特征5. 方向二階矩軸:物體上的全部點到該線的距離平方和最小其中 是物體點到直線 的距

8、離112200( , )mnxyxyrf x yxyr( , )x y 7.3.1 幾何特征6. 距離 1) 歐幾里德距離（Euclidean）22( ,)()()edP Qxuyv2) 4-鄰域距離(City-block城區(qū)距離)4( ,)dP Qxuyv3) 8-鄰域距離（Chessboard棋盤距離）8( ,)max(,)d P Qxuyv 7.3.1 幾何特征 7.圓形度 描述連通域與圓形相似程度的量。根據(jù)圓周長與圓面積的計算公式，定義圓形度的計算公式如下： 其中， 為連通域S的面積； 為連通域S的周長。圓形度 值越大，表明目標(biāo)與圓形的相似度越高sA24scsALsLc 7.3.1 幾

9、何特征8. 矩形度 描述連通域與矩形相似程度的量 其中， 為連通域S的面積； 是包含該連通域的最小矩形的面積。對于矩形目標(biāo)，矩形度 取最大值1，對細長而彎曲的目標(biāo)，則矩形度的值變得很小sRRAAsARAR 7.3.1 幾何特征9. 長寬比 其中， 是包圍連通域的最小矩形的寬度； 是包圍連通域的最小矩形的長度。RWRLRWLRWL 7.3.1 幾何特征7.3.2 不變矩1.矩的定義 對于二維連續(xù)函數(shù) ， 階矩定義為：( , )f x y()jk( , )d d,0,1,2jkjkmx y f x yx yj k 中心矩定義為：() ()( , )d djkjkxxyyf x yx y 數(shù)字圖像，

10、則上式變?yōu)椋?) ()( , )jkjkxyxxyyf x y 2.不變矩 定義歸一化的中心矩為： 利用歸一化的中心矩，可以獲得對平移、縮放、鏡像和旋轉(zhuǎn)都不敏感的7個不變矩，定義如下：00,1()2jkjkjk12002222200211()422330122103(3)(3)7.3.2 不變矩22430122103()()2253012301230122103222103210330122103(3)() ()3()(3)() 3()()2262002301221031130122103() ()()4()()2272103301230122103221230210330122103(3)(

11、) ()3()(3)() 3()()7.3.2 不變矩7.4 紋理描述7.4.1 矩分析法 7.4.2 灰度差分統(tǒng)計法7.4.3 灰度共生矩陣法 7.4.4 紋理的結(jié)構(gòu)分析T紋理特征自然紋理：種子、草地（無規(guī)則性）人工紋理：織物、磚墻（有規(guī)則性，它的灰度分布具有周期性，即使灰度變化是隨機的，它也具有一定的統(tǒng)計特性）T標(biāo)志三要素1）某種局部的序列性在該序列更大的區(qū)域內(nèi)不斷重復(fù)2）序列基本元素是非隨機排列組成的3）區(qū)域內(nèi)任何地方都有大致相同的結(jié)構(gòu)尺寸7.4 紋理描述a) 結(jié)構(gòu)型紋理 b) 隨機型紋理7.4 紋理描述T描述紋理圖像特征的參數(shù)有許多種，如 1）知道像素及鄰近像素的灰度分布情況。 2）檢

12、查小區(qū)域內(nèi)灰度直方圖，檢查各小區(qū)域直方圖的相似性，具有相似直方圖的小區(qū)域同屬一個大區(qū)域7.4 紋理描述T 紋理：灰度與顏色的二維變化的圖案，是區(qū)域的重要特征之一，灰度分布具有周期性、方向性、疏密之分。T 統(tǒng)計方法：用于木紋、紗地、草地等不規(guī)則物體 自然紋理：具有重復(fù)性排列現(xiàn)象的自然景象，無規(guī)則T 結(jié)構(gòu)方法：布料的印刷圖案或磚花地等組成紋理的元素及其排列規(guī)則來描述紋理的結(jié)構(gòu) 人工紋理：是由自然背景上的符號排列組成、有規(guī)則的7.4 紋理描述7.4 紋理描述7.4 紋理描述(1) 均值（Mean）(2) 方差（Variance）(3) 扭曲度（Skewness）10()Niiik fk1220()(

13、 )Niiikf k133301()( )Niiikf k7.4.1 矩分析法 (5) 熵（Entropy）120( )log( )NiiiHf kf k 7.4.1 矩分析法 14401()( )34Niiikf k(4) 峰度（Kurtosis）T 灰度差分統(tǒng)計法又稱一階統(tǒng)計法，通過計算圖像中一對像素間灰度差分直方圖來反映圖像的紋理特征。 令 為兩個像素間的位移矢量， 是位移量為 的灰度差分：T 粗紋理時，位移相差為 的兩像素通常有相近的灰度等級，因此， 值較小，灰度差分直方圖值集中在 附近；T 細紋理時，位移相差為 的兩像素的灰度有較大變化 ， 值一般較大，灰度差分直方圖值會趨于發(fā)散 (

14、,)xy ( , )fx y( , )( , )(,)fx yf x yf xx yy( , )fx y0i ( , )fx y7.4.2 灰度差分統(tǒng)計法T 灰度直方圖中，各像素的灰度是獨立進行處理的，故不能很好地給紋理賦予特征。因此，如果研究圖像中兩像素組合中灰度配置的情況，就能夠很好地給紋理賦予特征，這樣的特征叫二階統(tǒng)計量， （灰度直方圖是一階統(tǒng)計量） 代表性的是以灰度共生矩陣為基礎(chǔ)的紋理特征計算法。7.4.3 灰度共生矩陣法 T灰度級聯(lián)合分布（二階統(tǒng)計量）7.4.3 灰度共生矩陣法 (, ),( , ),(,), ,0,1,:11,2 -1 (2 -1)(, )( , )| ( , ),

15、(,)(,),0-1L LP i jx y f x yif x Dx y Dyj x yNDx DyNNNNP i jx yf x yif x Dx y Dyjf x Dx y Dyji jL 集合（ ）且的元素個數(shù)共有 （）個共生矩陣簡化：集合且或且 的元素個數(shù)x,y坐標(biāo)，f(x,y)灰度，L灰度級數(shù)x列，y行0000,000,90,4,135,45Dxd DyDxDydDx DyDxd DydDxd Dyd 東西南北限制為 種：東北西南西北東南7.4.3 灰度共生矩陣法 T例:012301123012A1230122301233012300123017.4.3 灰度共生矩陣法 4*4(0,

16、0)(0,1)(0,2)(0,3)0807(1,0)(1,1)(1,2)(1,3)8080(1,0)(2,0)(2,1)(2,2)(2,3)0807(3,0)(3,1)(3,2)(3,3)7070AppppppppP DxDypppppppp1200001400(1,1)0012000012AP DxDy 設(shè)圖像矩陣為08078080(1,0)08077070AP244004800(1,0)00220020BP水平方向無重復(fù)，變化較快水平方向數(shù)值大，重復(fù)多，紋理較粗1）對角線元素全為0，表明同行灰度變化快2）對角線元素較大，表明紋理較粗7.4.3 灰度共生矩陣法 7.4.4 紋理的結(jié)構(gòu)分析紋理

17、結(jié)構(gòu)的描述及排列a) 紋理基元b）由規(guī)則 生成的紋理模式c) 由 和其它規(guī)則生成的二維紋理模式SaSSaS紋理結(jié)構(gòu)分析圖例7.4.4 紋理的結(jié)構(gòu)分析BA形態(tài)學(xué)基本運算7.5 形態(tài)分析1腐蝕T 集合A被B腐蝕，表示為 ，其定義為：T 其中A稱為輸入圖像，B稱為結(jié)構(gòu)元素。A B :A Bx BxA腐蝕類似于收縮7.5 形態(tài)分析2. 膨脹T AC 表示集合A的補集， 表示B關(guān)于坐標(biāo)原點的反射（對稱集）。那么，集合A被B膨脹，表示為A B，定義為：B()CCABAB AB BAB利用圓盤膨脹7.5 形態(tài)分析a) 原始圖像 b) 腐蝕圖像 c) 膨脹圖像7.5 形態(tài)分析3.開運算T 假定A仍為輸入圖像，

18、B為結(jié)構(gòu)元素，利用B對A作開運算，用符號 表示，定義為：()A BA BB開運算實際上是A先被B腐蝕，然后再被B膨脹的結(jié)果。開運算通常用來消除小對象物、在纖細點處分離物體、平滑較大物體的邊界的同時并不明顯改變其體積。A B7.5 形態(tài)分析 a)輸入圖像A b)結(jié)構(gòu)元素B c) d)A BA B用圓盤對輸入圖像開運算的結(jié)果7.5 形態(tài)分析開運算濾除背景噪聲 a) 原圖 b)開運算結(jié)果7.5 形態(tài)分析4閉運算T 閉運算是開運算的對偶運算，定義為先作膨脹然后再作腐蝕。利用B對A作閉運算表示為 ，其定義為: A B() ()A BABB 利用圓盤對輸入圖像進行閉運算7.5 形態(tài)分析 (a) 輸入圖像

19、(b) 閉運算的結(jié)果 利用閉運算去除前景噪聲7.5 形態(tài)分析5邊界檢測T 利用圓盤結(jié)構(gòu)元素作膨脹會使圖像擴大，做腐蝕會使圖像縮小，這兩種運算都可以用來檢測二值圖像的邊界。對于圖像A和圓盤B，下圖給出了三種求取二值邊界的方法：內(nèi)邊界，外邊界和跨騎在實際邊緣上的邊界，其中跨騎在實際邊緣上的邊界又稱形態(tài)學(xué)梯度。7.5 形態(tài)分析AA BABAABA B A B ABAAA B 用腐蝕和膨脹運算得出的三種圖像邊界7.5 形態(tài)分析三種形態(tài)學(xué)邊界實例7.5 形態(tài)分析作業(yè)7-1 圖像都有哪些特征？簡要說明這些特征的特點？ 7-2 對圖像A和B分別求d1，q00，450的共生矩陣0 1 2 3 0 11 2 3

20、 0 1 22 3 0 1 2 33 0 1 2 3 00 1 2 3 0 11 2 3 0 1 20 0 0 0 1 10 0 0 0 1 10 0 0 0 1 10 0 0 0 1 12 2 2 2 3 3 2 2 2 2 3 37-3 在下圖所示的圖像子集中，按8鄰域概念，紅色標(biāo)記的數(shù)字是否連通？圖像子集S中是否存在孔？ 1 1 0 0 0 1 0 0 0 0 0 1 1 0 0 0 1 0 1 0 0 0 1 1 1作業(yè)7-4 試用Robert算子和拉普拉斯算子檢測下面圖像的邊緣444444440044444444004455555400445666540044567654004456

21、6654004455555400444444440044444444004444444400作業(yè)第7章 圖像描述與分析7.1 灰度描述7.2 邊界描述7.3 區(qū)域描述7.4 紋理描述7.5 形態(tài)分析第7章 圖像描述與分析T 圖像分析 也叫景物分析或圖像理解 是一種描述過程，研究用自動或半自動裝置和系統(tǒng)，從圖像中提取有用數(shù)據(jù)或信息生成非圖的描述或表示 圖像分析：特征提取、圖像分割、符號描述、紋理分析、運動圖 像分析和圖像的檢測與配準預(yù)處理分割特征提取分類描述符號表達識別跟蹤解釋描述輸入圖像T圖像分析通常按下列順序進行 從圖像中提取對象或?qū)ο蠼M成部分的圖像特征(例如圖像中景物的邊緣或區(qū)域) 利用圖

22、像特征的屬性或相互關(guān)系來決定每個屬性應(yīng)屬于哪個對象的哪個部分第7章 圖像描述與分析7.1 灰度描述7.1.1 幅度特征7.1.2 直方圖特征7.1.3 變換系數(shù)特征2001( , )( , )NNijf x yf i jN7.1.1 幅度特征最基本的是圖像的幅度特征。例如在區(qū)域內(nèi)的平均幅度，即7.1.1 幅度特征 a)原圖 b)利用幅度特征將目標(biāo)分割出來P(rk)=nk/N 第rk個灰度級出現(xiàn)的頻數(shù) 可從直方圖的分布得到：圖像對比度、動態(tài)范圍、明暗程度等 一階直方圖的特征參數(shù)： rk量化層 均值： 方差： 歪斜度：10()kLkkrur p r一階矩1220()( )kLkkrru p r二階

23、中心矩133301()( )kLkkruru p r三階中心矩7.1.2 直方圖特征 峭度：122()kLkrmp r120()log ()LkkbHp rp r 熵： 能量：7.1.2 直方圖特征144401()( )3kLkkruruP rv v(m+1)u v(m)水平切口垂直切口環(huán)狀切口扇狀切口(1)1()()( , )dv mv mS mM u vv(1)2()()( , )du mu mSmM u vu(1)3()()(,)dmmSmM (1)4()()( , )dmmSmM 7.1.3 變換系數(shù)特征T 頻域中的一些特征 如2 ()222( , )( , )d d( , )( ,

24、)jux vyF u vf x y ex yM(u,v) F(u,v)R u vI u v 設(shè)：=幅譜M與F不是唯一地對應(yīng)（M有位移不變性）7.1.3 變換系數(shù)特征T 特征：圖像中含有這些切口的頻譜成分的含量。信息可作為模式識別或分類系統(tǒng)的輸入信息。已成功用于土地情況分類，放射照片病情診斷等 Ff(x,y) F-1F(u,v)g(u,v)( , )U u v( , )u m n7.1.3 變換系數(shù)特征7.2.1 鏈碼描述7.2.2 傅里葉描述子7.2 邊界描述7.2.1 鏈碼描述T 在數(shù)字圖像中，邊界或曲線是由一系列離散的像素點組成的，其最簡單的表示方法是由美國學(xué)者Freeman提出的鏈碼方法

25、。T 鏈碼實質(zhì)上是一串指向符的序列，有4向鏈碼、8向鏈碼等。 )90( 1 )180(2 )0(0 )270( 3 )90(2 )135(3 )45( 1 )180(4 )0(0 )225(5 )315(7 )270(6 4向鏈碼 8向鏈碼7.2.1 鏈碼描述 a)原鏈碼方向 b)逆時針旋轉(zhuǎn)9090 圖a曲線的鏈碼為：01122233100000765556706其差分鏈碼為：101001067000077700111690 圖b曲線的鏈碼為：23344455322222107770120 其差分鏈碼為：10100106700007770011167.2.1 鏈碼描述 曲線的鏈碼是：60222

26、22021013444444454577012其差分鏈碼是： 2200006277121000000171201117.2.1 鏈碼描述曲線的鏈碼是：024444424323566666676711234其差分鏈碼是： 22000062771210000017120111 7.2.1 鏈碼描述T鏈碼的特殊性質(zhì) 一個物體很容易實現(xiàn)旋轉(zhuǎn)45。如果一個物體旋轉(zhuǎn)n45，可由原鏈碼加上 n 倍的模8得到鏈碼的微分，也稱差分碼，由原碼的一階差分求得鏈碼差分是關(guān)于旋轉(zhuǎn)不變的邊界描述方法區(qū)域的一些其它性質(zhì)，如面積和角點，可以由鏈碼直接得7.2.1 鏈碼描述7.2.2 傅里葉描述子T對邊界的離散傅里葉變換表達，

27、可以作為定量描述邊界形狀的基礎(chǔ)。采用傅里葉描述的一個優(yōu)點是將二維的問題簡化為一維問題。 邊界點的兩種表示方法7.3 區(qū)域描述7.3.1 幾何特征7.3.2 不變矩1. 像素與鄰域a) 4-鄰域 b) 8-鄰域 7.3.1 幾何特征2. 區(qū)域面積1100( , )mnxyAf x y 3. 位置1111000011( , ),( , )mnmnxyxyXxf x yYyf x ymnmn質(zhì)心形心1111000011,nmnmijijijxxyymnmn 7.3.1 幾何特征4.區(qū)域周長 三種定義： (1) 區(qū)域和背景交界線（接縫）的長度 (2) 區(qū)域邊界8鏈碼的長度 (3) 邊界點數(shù)之和 7.3

28、.1 幾何特征5. 方向二階矩軸:物體上的全部點到該線的距離平方和最小其中 是物體點到直線 的距離112200( , )mnxyxyrf x yxyr( , )x y 7.3.1 幾何特征6. 距離 1) 歐幾里德距離（Euclidean）22( ,)()()edP Qxuyv2) 4-鄰域距離(City-block城區(qū)距離)4( ,)dP Qxuyv3) 8-鄰域距離（Chessboard棋盤距離）8( ,)max(,)d P Qxuyv 7.3.1 幾何特征 7.圓形度 描述連通域與圓形相似程度的量。根據(jù)圓周長與圓面積的計算公式，定義圓形度的計算公式如下： 其中， 為連通域S的面積； 為連

29、通域S的周長。圓形度 值越大，表明目標(biāo)與圓形的相似度越高sA24scsALsLc 7.3.1 幾何特征8. 矩形度 描述連通域與矩形相似程度的量 其中， 為連通域S的面積； 是包含該連通域的最小矩形的面積。對于矩形目標(biāo)，矩形度 取最大值1，對細長而彎曲的目標(biāo)，則矩形度的值變得很小sRRAAsARAR 7.3.1 幾何特征9. 長寬比 其中， 是包圍連通域的最小矩形的寬度； 是包圍連通域的最小矩形的長度。RWRLRWLRWL 7.3.1 幾何特征7.3.2 不變矩1.矩的定義 對于二維連續(xù)函數(shù) ， 階矩定義為：( , )f x y()jk( , )d d,0,1,2jkjkmx y f x yx

30、 yj k 中心矩定義為：() ()( , )d djkjkxxyyf x yx y 數(shù)字圖像，則上式變?yōu)椋?) ()( , )jkjkxyxxyyf x y 2.不變矩 定義歸一化的中心矩為： 利用歸一化的中心矩，可以獲得對平移、縮放、鏡像和旋轉(zhuǎn)都不敏感的7個不變矩，定義如下：00,1()2jkjkjk12002222200211()422330122103(3)(3)7.3.2 不變矩22430122103()()2253012301230122103222103210330122103(3)() ()3()(3)() 3()()2262002301221031130122103() ()

31、()4()()2272103301230122103221230210330122103(3)() ()3()(3)() 3()()7.3.2 不變矩7.4 紋理描述7.4.1 矩分析法 7.4.2 灰度差分統(tǒng)計法7.4.3 灰度共生矩陣法 7.4.4 紋理的結(jié)構(gòu)分析T紋理特征自然紋理：種子、草地（無規(guī)則性）人工紋理：織物、磚墻（有規(guī)則性，它的灰度分布具有周期性，即使灰度變化是隨機的，它也具有一定的統(tǒng)計特性）T標(biāo)志三要素1）某種局部的序列性在該序列更大的區(qū)域內(nèi)不斷重復(fù)2）序列基本元素是非隨機排列組成的3）區(qū)域內(nèi)任何地方都有大致相同的結(jié)構(gòu)尺寸7.4 紋理描述a) 結(jié)構(gòu)型紋理 b) 隨機型紋理7.

32、4 紋理描述T描述紋理圖像特征的參數(shù)有許多種，如 1）知道像素及鄰近像素的灰度分布情況。 2）檢查小區(qū)域內(nèi)灰度直方圖，檢查各小區(qū)域直方圖的相似性，具有相似直方圖的小區(qū)域同屬一個大區(qū)域7.4 紋理描述T 紋理：灰度與顏色的二維變化的圖案，是區(qū)域的重要特征之一，灰度分布具有周期性、方向性、疏密之分。T 統(tǒng)計方法：用于木紋、紗地、草地等不規(guī)則物體 自然紋理：具有重復(fù)性排列現(xiàn)象的自然景象，無規(guī)則T 結(jié)構(gòu)方法：布料的印刷圖案或磚花地等組成紋理的元素及其排列規(guī)則來描述紋理的結(jié)構(gòu) 人工紋理：是由自然背景上的符號排列組成、有規(guī)則的7.4 紋理描述7.4 紋理描述7.4 紋理描述(1) 均值（Mean）(2)

33、方差（Variance）(3) 扭曲度（Skewness）10()Niiik fk1220()( )Niiikf k133301()( )Niiikf k7.4.1 矩分析法 (5) 熵（Entropy）120( )log( )NiiiHf kf k 7.4.1 矩分析法 14401()( )34Niiikf k(4) 峰度（Kurtosis）T 灰度差分統(tǒng)計法又稱一階統(tǒng)計法，通過計算圖像中一對像素間灰度差分直方圖來反映圖像的紋理特征。 令 為兩個像素間的位移矢量， 是位移量為 的灰度差分：T 粗紋理時，位移相差為 的兩像素通常有相近的灰度等級，因此， 值較小，灰度差分直方圖值集中在 附近；T

34、 細紋理時，位移相差為 的兩像素的灰度有較大變化 ， 值一般較大，灰度差分直方圖值會趨于發(fā)散 (,)xy ( , )fx y( , )( , )(,)fx yf x yf xx yy( , )fx y0i ( , )fx y7.4.2 灰度差分統(tǒng)計法T 灰度直方圖中，各像素的灰度是獨立進行處理的，故不能很好地給紋理賦予特征。因此，如果研究圖像中兩像素組合中灰度配置的情況，就能夠很好地給紋理賦予特征，這樣的特征叫二階統(tǒng)計量， （灰度直方圖是一階統(tǒng)計量） 代表性的是以灰度共生矩陣為基礎(chǔ)的紋理特征計算法。7.4.3 灰度共生矩陣法 T灰度級聯(lián)合分布（二階統(tǒng)計量）7.4.3 灰度共生矩陣法 (, ),

35、( , ),(,), ,0,1,:11,2 -1 (2 -1)(, )( , )| ( , ),(,)(,),0-1L LP i jx y f x yif x Dx y Dyj x yNDx DyNNNNP i jx yf x yif x Dx y Dyjf x Dx y Dyji jL 集合（ ）且的元素個數(shù)共有 （）個共生矩陣簡化：集合且或且 的元素個數(shù)x,y坐標(biāo)，f(x,y)灰度，L灰度級數(shù)x列，y行0000,000,90,4,135,45Dxd DyDxDydDx DyDxd DydDxd Dyd 東西南北限制為 種：東北西南西北東南7.4.3 灰度共生矩陣法 T例:012301123

36、012A1230122301233012300123017.4.3 灰度共生矩陣法 4*4(0,0)(0,1)(0,2)(0,3)0807(1,0)(1,1)(1,2)(1,3)8080(1,0)(2,0)(2,1)(2,2)(2,3)0807(3,0)(3,1)(3,2)(3,3)7070AppppppppP DxDypppppppp1200001400(1,1)0012000012AP DxDy 設(shè)圖像矩陣為08078080(1,0)08077070AP244004800(1,0)00220020BP水平方向無重復(fù)，變化較快水平方向數(shù)值大，重復(fù)多，紋理較粗1）對角線元素全為0，表明同行灰度

37、變化快2）對角線元素較大，表明紋理較粗7.4.3 灰度共生矩陣法 7.4.4 紋理的結(jié)構(gòu)分析紋理結(jié)構(gòu)的描述及排列a) 紋理基元b）由規(guī)則 生成的紋理模式c) 由 和其它規(guī)則生成的二維紋理模式SaSSaS紋理結(jié)構(gòu)分析圖例7.4.4 紋理的結(jié)構(gòu)分析BA形態(tài)學(xué)基本運算7.5 形態(tài)分析1腐蝕T 集合A被B腐蝕，表示為 ，其定義為：T 其中A稱為輸入圖像，B稱為結(jié)構(gòu)元素。A B :A Bx BxA腐蝕類似于收縮7.5 形態(tài)分析2. 膨脹T AC 表示集合A的補集， 表示B關(guān)于坐標(biāo)原點的反射（對稱集）。那么，集合A被B膨脹，表示為A B，定義為：B()CCABAB AB BAB利用圓盤膨脹7.5 形態(tài)分析

38、a) 原始圖像 b) 腐蝕圖像 c) 膨脹圖像7.5 形態(tài)分析3.開運算T 假定A仍為輸入圖像，B為結(jié)構(gòu)元素，利用B對A作開運算，用符號 表示，定義為：()A BA BB開運算實際上是A先被B腐蝕，然后再被B膨脹的結(jié)果。開運算通常用來消除小對象物、在纖細點處分離物體、平滑較大物體的邊界的同時并不明顯改變其體積。A B7.5 形態(tài)分析 a)輸入圖像A b)結(jié)構(gòu)元素B c) d)A BA B用圓盤對輸入圖像開運算的結(jié)果7.5 形態(tài)分析開運算濾除背景噪聲 a) 原圖 b)開運算結(jié)果7.5 形態(tài)分析4閉運算T 閉運算是開運算的對偶運算，定義為先作膨脹然后再作腐蝕。利用B對A作閉運算表示為 ，其定義為:

39、 A B() ()A BABB 利用圓盤對輸入圖像進行閉運算7.5 形態(tài)分析 (a) 輸入圖像 (b) 閉運算的結(jié)果 利用閉運算去除前景噪聲7.5 形態(tài)分析5邊界檢測T 利用圓盤結(jié)構(gòu)元素作膨脹會使圖像擴大，做腐蝕會使圖像縮小，這兩種運算都可以用來檢測二值圖像的邊界。對于圖像A和圓盤B，下圖給出了三種求取二值邊界的方法：內(nèi)邊界，外邊界和跨騎在實際邊緣上的邊界，其中跨騎在實際邊緣上的邊界又稱形態(tài)學(xué)梯度。7.5 形態(tài)分析AA BABAABA B A B ABAAA B 用腐蝕和膨脹運算得出的三種圖像邊界7.5 形態(tài)分析三種形態(tài)學(xué)邊界實例7.5 形態(tài)分析行人檢測特征綜述 智能汽車主動安全技術(shù)研發(fā)趨勢智

40、能汽車主動安全技術(shù)研發(fā)趨勢T 隨著技術(shù)發(fā)展，智能汽車包括自動駕駛汽車成為各國爭取技術(shù)制高點的核心隨著技術(shù)發(fā)展，智能汽車包括自動駕駛汽車成為各國爭取技術(shù)制高點的核心技術(shù)領(lǐng)域，豈能汽車中具備事前預(yù)防的技術(shù)領(lǐng)域，豈能汽車中具備事前預(yù)防的“主動安全主動安全”是智能汽車技術(shù)中的核是智能汽車技術(shù)中的核心，圖像傳感器作為智能汽車中的核心部件，被越來越多基于圖像的現(xiàn)有的心，圖像傳感器作為智能汽車中的核心部件，被越來越多基于圖像的現(xiàn)有的汽車智能系統(tǒng)上，圖汽車智能系統(tǒng)上，圖1顯示了基于計算機視覺技術(shù)的車載主動安全系統(tǒng)中，顯示了基于計算機視覺技術(shù)的車載主動安全系統(tǒng)中，各種可能的圖像傳感器安裝位置，分別對應(yīng)于不同的安

41、全子系統(tǒng)。各種可能的圖像傳感器安裝位置，分別對應(yīng)于不同的安全子系統(tǒng)。T行人防碰撞系統(tǒng)行人防碰撞系統(tǒng)(Pedestrian Warning and Protection System/ Collision Avoidance System)行人防碰撞系統(tǒng)利用圖像處理技術(shù)有效識別行人，利用汽車的速度、方向盤角度及橫擺角速度等信號行人防碰撞系統(tǒng)利用圖像處理技術(shù)有效識別行人，利用汽車的速度、方向盤角度及橫擺角速度等信號，通過一套演算方法的開發(fā)來估計車輛和行人的移動路徑，依據(jù)危險狀況進行提前預(yù)警，從而規(guī)避，通過一套演算方法的開發(fā)來估計車輛和行人的移動路徑，依據(jù)危險狀況進行提前預(yù)警，從而規(guī)避碰撞事故。碰撞

42、事故。T智能氣囊系統(tǒng)智能氣囊系統(tǒng)(Smart Airbags)智能氣囊系統(tǒng)在碰撞發(fā)生時，根據(jù)人所在的位置確定是否完全展開安全氣囊，根據(jù)圖像算法判定身體智能氣囊系統(tǒng)在碰撞發(fā)生時，根據(jù)人所在的位置確定是否完全展開安全氣囊，根據(jù)圖像算法判定身體和頭部位置，確定展開氣囊的強度和力度，做出及時相應(yīng)和判斷。和頭部位置，確定展開氣囊的強度和力度，做出及時相應(yīng)和判斷。T盲點檢測系統(tǒng)盲點檢測系統(tǒng)(Blind-spot Monitor)盲點檢測系統(tǒng)直接把攝像頭安裝在汽車周邊，為駕駛者提供視線盲點的圖像信息，在轉(zhuǎn)彎、泊位或倒盲點檢測系統(tǒng)直接把攝像頭安裝在汽車周邊，為駕駛者提供視線盲點的圖像信息，在轉(zhuǎn)彎、泊位或倒車時

43、可以提醒司機注意盲區(qū)的動態(tài)或靜態(tài)障礙，防止碰撞及其它意外情況發(fā)生。車時可以提醒司機注意盲區(qū)的動態(tài)或靜態(tài)障礙，防止碰撞及其它意外情況發(fā)生。T疲勞駕駛檢測系統(tǒng)疲勞駕駛檢測系統(tǒng)(Drowsy Driving Detection System)疲勞駕駛檢測系統(tǒng)通過對人眼的開合程度以及頻率進行分析，實現(xiàn)對駕駛者疲勞狀態(tài)的判斷疲勞駕駛檢測系統(tǒng)通過對人眼的開合程度以及頻率進行分析，實現(xiàn)對駕駛者疲勞狀態(tài)的判斷T車道偏離預(yù)警系統(tǒng)車道偏離預(yù)警系統(tǒng)(Lane Departure Warning System)車道偏離系統(tǒng)可以對危險的換道行為進行預(yù)警；當(dāng)駕駛者長時間在車道安全范圍之外時，也可以間接車道偏離系統(tǒng)可以對危

44、險的換道行為進行預(yù)警；當(dāng)駕駛者長時間在車道安全范圍之外時，也可以間接提醒駕駛者處于危險狀態(tài)。提醒駕駛者處于危險狀態(tài)。實例：圖 1 豐田安全駕駛安全駕駛輔助輔助系統(tǒng)圖圖 2 奧迪的奧迪的安全駕駛安全駕駛輔助安全系統(tǒng)輔助安全系統(tǒng)圖圖 3 寶馬寶馬安全駕駛安全駕駛輔助輔助系統(tǒng)系統(tǒng)行人檢測T行人檢測（行人檢測（Pedestrian Detection) 指從輸指從輸入的圖像或視頻幀中判斷是否包含行人。行入的圖像或視頻幀中判斷是否包含行人。行人檢測兼具剛性和柔性物體的特征，外形容人檢測兼具剛性和柔性物體的特征，外形容易發(fā)生改變，如穿著，遮擋物，姿態(tài)，視角易發(fā)生改變，如穿著，遮擋物，姿態(tài)，視角等影響。等影

45、響。T行人檢測技術(shù)分為兩塊：行人檢測技術(shù)分為兩塊： 特征提取，分類與定位特征提取，分類與定位行人檢測流程行人檢測常用特征行人檢測常用特征Haar特征特征T Haar特征是對物體灰度信息進行描述物體的特性的特征。每個模板特征是對物體灰度信息進行描述物體的特性的特征。每個模板的特征值就是對應(yīng)的白色區(qū)域灰度值的和減去黑色區(qū)域灰度值的和，的特征值就是對應(yīng)的白色區(qū)域灰度值的和減去黑色區(qū)域灰度值的和，他表征的是圖像中灰度信息的變化。他表征的是圖像中灰度信息的變化。Haar特征在人臉檢測中常常用特征在人臉檢測中常常用到，到， Haar特征是由一系列模板組成的特征是由一系列模板組成的，如如下下圖所示圖所示。人

46、眼部分的灰人眼部分的灰度值偏小，就可以用一種度值偏小，就可以用一種Haar特征表征；人的鼻子的地方會偏亮，特征表征；人的鼻子的地方會偏亮，也可以用另一種也可以用另一種Haar特征來表征。特征來表征。Haar特征特征T HOG-Histogram of oriented gradientT Dalal等等受到受到SIFT特征啟發(fā)，提出了梯度方向直方圖特征啟發(fā)，提出了梯度方向直方圖HOG特征特征。T HOG特征是目前行人檢測中最為成功的特征之一，這種特征對光照的變化，復(fù)特征是目前行人檢測中最為成功的特征之一，這種特征對光照的變化，復(fù)雜的背景和行人多種姿勢有較好的容錯率，在行人檢測中魯棒性很好雜的背

47、景和行人多種姿勢有較好的容錯率，在行人檢測中魯棒性很好顏色歸一化T 這種處理方式的作用是可以減少因光照、局部明暗變化、角度這種處理方式的作用是可以減少因光照、局部明暗變化、角度等因素帶來的影響，調(diào)節(jié)圖像的對比度、抑制噪音的干擾。等因素帶來的影響，調(diào)節(jié)圖像的對比度、抑制噪音的干擾。T 計算方法計算方法： gamma標(biāo)準化標(biāo)準化，如公式所示，如公式所示，Ic(u,v)代表的是代表的是c通通道（可以是道（可以是RGB顏色空間的某個通道，也可以是灰度空間的單顏色空間的某個通道，也可以是灰度空間的單通道）像素點通道）像素點(u,v)的值。的值。 (1)( , )( , )ccI u vI u v計算圖像

48、梯度模板類型模板類型1-D中心中心1-D無中心無中心1-D立方中立方中心心2 2對角矩陣對角矩陣3 3Sobel算子算子-1,0,1-1,11,-8,0,8,-1誤檢率誤檢率(10-4FPPW)11%12.5%12%12.5%14%計算圖像梯度是計算HOG特征的重要基礎(chǔ)步驟，在這一步中的作用主要是能夠獲取圖像的輪廓信息。Dalal在他的文章試驗了用一維模板-1,1、-1,0,1、1,-8,0,8,-1、22對角矩陣模板、Sobel算子模板等進行計算，實驗結(jié)果表明使用最簡單的一維模板效果最理想。 表表 3 1 Dalal采用不同模板算子對檢測結(jié)果的影響采用不同模板算子對檢測結(jié)果的影響總體來說，最

49、好最簡單的方法是使用一維模板總體來說，最好最簡單的方法是使用一維模板-1,0,1。利用這個。利用這個模板在橫坐標(biāo)模板在橫坐標(biāo)x方向和縱坐標(biāo)方向和縱坐標(biāo)y方向的兩個方向上對圖像進行處理，方向的兩個方向上對圖像進行處理，得到圖像在這一像素點得到圖像在這一像素點 T x, y方向方向上的兩個梯度值。計算公式分別為公式上的兩個梯度值。計算公式分別為公式2和公式和公式3，其中，其中Gx(u,v)是在是在x軸上的梯度值，軸上的梯度值，Gy(u,v)是在是在y軸上的軸上的梯度值，梯度值，p(u,v)是坐標(biāo)點在是坐標(biāo)點在(u,v)的圖像像素值的圖像像素值 (2) (3)( , )(, )(, )11xG u

50、vp uvp uv( , )( ,)( ,)11yG u vp u vp u vT 然后根據(jù)這兩個方向的梯度值用公式計算該點的梯度方然后根據(jù)這兩個方向的梯度值用公式計算該點的梯度方向向和和梯度幅度值，并采用公式梯度幅度值，并采用公式6對梯度方向的無符號對梯度方向的無符號化化（即即0180 ）。）。 (4) (5) (6)( , )( , )arctan()( , )xyG u vu vG u v( , )( , )( , )( , ), others 0u vu vu vu v( , )( , )( , )22xys u vG u vG u vT最核心的部分最核心的部分：T在一個在一個64 1

51、28大小的檢測窗口中，將圖像劃分成大小的檢測窗口中，將圖像劃分成16 16大小的大小的block塊，每一個塊，每一個block塊內(nèi)塊內(nèi)又分成四個又分成四個8 8大小的大小的cell，而左右兩個，而左右兩個block塊和上下兩個塊和上下兩個block塊之間都重疊了兩個塊之間都重疊了兩個cell大大小的區(qū)域，這樣，在一個檢測窗口中，水平方向上會產(chǎn)生小的區(qū)域，這樣，在一個檢測窗口中，水平方向上會產(chǎn)生7個個block塊，垂直方向上會產(chǎn)生塊，垂直方向上會產(chǎn)生15個個block塊，總共有（塊，總共有（7 15=）105個個block塊，分塊方式如圖所示。塊，分塊方式如圖所示。計算方向梯度直方圖計算方向梯度

52、直方圖計算方向梯度直方圖T 計算直方圖在單獨每一個計算直方圖在單獨每一個block塊中進行，將梯度方向在塊中進行，將梯度方向在0180 內(nèi)按內(nèi)按照每照每20 劃分為范圍相等的劃分為范圍相等的9個個bin，如圖所示。，如圖所示。計算時計算時使用一種使用一種單線單線性插值性插值方式來計算方式來計算cell中的每個像素點梯度方向?qū)ο噜弮蓚€不同的中的每個像素點梯度方向?qū)ο噜弮蓚€不同的bin的的貢獻權(quán)重貢獻權(quán)重，然后根據(jù)權(quán)重值分別插入到這兩個，然后根據(jù)權(quán)重值分別插入到這兩個bin中。中。計算方向梯度直方圖T 同時使用同時使用雙線性插值雙線性插值根據(jù)該像素點在根據(jù)該像素點在block塊中的位置計算塊中的位

53、置計算其對其對4個個cell的貢獻權(quán)重值的貢獻權(quán)重值，如圖所示。這樣，兩次的插值方，如圖所示。這樣，兩次的插值方式組成的三線性插值使得每一個像素點都對式組成的三線性插值使得每一個像素點都對4個個cell的直方圖的直方圖有貢獻，更準確、均衡地構(gòu)建了有貢獻，更準確、均衡地構(gòu)建了HOG特征。特征。計算方向梯度直方圖T 用如上所說的方式對用如上所說的方式對1個個block塊內(nèi)的塊內(nèi)的4個個cell進行進行9個個bin的直方的直方圖投票計算統(tǒng)計，遍歷圖投票計算統(tǒng)計，遍歷256個像素點后，得到個像素點后，得到36維的維的block梯度梯度直方圖特征。直方圖特征。block歸一化Tblock歸一化及生成歸一

54、化及生成HOG特征特征T對一個對一個block中的中的36維特征進行歸一化處理的目的是減少由于局部強烈光照變化和陰影帶來維特征進行歸一化處理的目的是減少由于局部強烈光照變化和陰影帶來的影響。常用的歸一化方法有的影響。常用的歸一化方法有L1-norm、L2-norm、L1-sqrt等。等。 (7) (8) (9)T最終，經(jīng)過最終，經(jīng)過105個個block塊的特征計算和歸一化后，在一個塊的特征計算和歸一化后，在一個64 128大小的檢測掃描窗口內(nèi)總大小的檢測掃描窗口內(nèi)總共計算得到（共計算得到（9 4 105=）3780維的維的HOG特征向量。特征向量。/()vvv/vvv22/()vvv基于紋理信

55、息的特征描述符基于紋理信息的特征描述符T 在目標(biāo)檢測和識別中，在目標(biāo)檢測和識別中，LBP（Local Binary Patterns）局部二值模式特征是最常見的一種描述圖像局部紋理變化局部二值模式特征是最常見的一種描述圖像局部紋理變化信息的特征，是由信息的特征，是由T. Ojala等人在等人在1994年提出來的。年提出來的?；陬伾畔⒌奶卣髅枋龇陬伾畔⒌奶卣髅枋龇鸗在行人檢測中，利用顏色信息的特征很多，這里我們介紹一種直接將顏色信息用特征表示。在行人檢測中，利用顏色信息的特征很多，這里我們介紹一種直接將顏色信息用特征表示。Color self-similar 特征是利用行人的著裝一定的

56、顏色模式，比如在一般情況下衣服的顏色特征是利用行人的著裝一定的顏色模式，比如在一般情況下衣服的顏色有一定的相關(guān)性，褲子的顏色也有著一定的相關(guān)性。有一定的相關(guān)性，褲子的顏色也有著一定的相關(guān)性。, ,),),00 60160 1202120 180hHhh, ,),),00 85185 1702170 255vVvv, ,),),00 85185 1702170 255sSssHSV（Hue代表色相代表色相 Saturation代表飽和度代表飽和度 Value代表色調(diào)）代表色調(diào)）兩個兩個block之間的相似度得到一個特征數(shù)，計之間的相似度得到一個特征數(shù)，計算所有的算所有的128個個block之間的

57、相似性可以得到之間的相似性可以得到總共（總共（128 127/2=）8128維的特征向量。最維的特征向量。最后對這特征向量采用后對這特征向量采用L2-norm歸一化歸一化Integral channel featuresT 目標(biāo)檢測算法的性能主要受到兩個因素的制約：學(xué)習(xí)算法和特征描述算子。目標(biāo)檢測算法的性能主要受到兩個因素的制約：學(xué)習(xí)算法和特征描述算子。T 積分通道特征的大概思路是：通過對輸入圖像做各種線性和非線性的變換，積分通道特征的大概思路是：通過對輸入圖像做各種線性和非線性的變換，諸如局部求和、直方圖、諸如局部求和、直方圖、haar-like及它們的變種之類的特征便可以通過積分及它們的變

58、種之類的特征便可以通過積分圖來快速計算出來。圖來快速計算出來。T 積分通道特征是很簡單的，但卻為何要比積分通道特征是很簡單的，但卻為何要比HOG特征具有更好的性能表現(xiàn)呢？特征具有更好的性能表現(xiàn)呢？ 關(guān)鍵在于關(guān)鍵在于：HOG特征是人為設(shè)定的特征描述算子，而積分通道特征則是通過特征是人為設(shè)定的特征描述算子，而積分通道特征則是通過樣本學(xué)習(xí)，自動選擇那些最具有分類鑒別能力的特征。樣本學(xué)習(xí)，自動選擇那些最具有分類鑒別能力的特征。特征提取特征提取方法方法行人特征行人特征類型類型描述描述優(yōu)點優(yōu)點缺點缺點底層特征底層特征是顏色、紋理和梯度等基本的圖像特征單一特征，計算速度快角度單一，判別力差基于學(xué)習(xí)的特征基于

59、學(xué)習(xí)的特征通過機器學(xué)習(xí)的方法，從大量的行人樣本中學(xué)習(xí)到的行人特征表示判別力強需要有好的樣本集混合特征混合特征多種底層特征的融合，或者是底層特征的高階統(tǒng)計特征從不同角度組合成圖像特征，提高準確度特征維度增加，特征計算和分類器的預(yù)測時間也增加，影響實時性主要三類提取方法：主要三類提取方法：2005年到年到2011年具有代表性的行人特征：年具有代表性的行人特征：行人特征行人特征年限年限概述概述HOG2005刻畫圖像的梯度特征，最為廣泛使用刻畫圖像的梯度特征，最為廣泛使用和成功的行人特征，可用積分圖技術(shù)和成功的行人特征，可用積分圖技術(shù)快速計算?？焖儆嬎?。Edgelet2005描述行人的局部輪廓方向特征

60、描述行人的局部輪廓方向特征邊緣模板邊緣模板2007從樣本中學(xué)習(xí)行人的形狀分布模型，從樣本中學(xué)習(xí)行人的形狀分布模型，模型需要手工標(biāo)注。模型需要手工標(biāo)注。LBP2008計算速度快，對單調(diào)變化的灰度特征計算速度快，對單調(diào)變化的灰度特征具有不變性，低分辨率下判別力差。具有不變性，低分辨率下判別力差。COV2008局部區(qū)域圖像塊中各像素的坐標(biāo)、灰局部區(qū)域圖像塊中各像素的坐標(biāo)、灰度的一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和梯度方向度的一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和梯度方向的協(xié)方差特征。的協(xié)方差特征。Co-HOG2009通過通過“梯度對梯度對”更好描述梯度的空間分更好描述梯度的空間分布特征，但是向量維度太高布特征，但是向量維度太高Chn