圖像特征提取方法概述

…………裝………………訂………………線………………課程設(shè)計(jì)報(bào)告設(shè)計(jì)題目：圖像特征提取方法概述__學(xué)院：電子工程學(xué)院專業(yè)：電子信息工程班級(jí)：學(xué)號(hào)：姓名：__電子郵件：日期：2023年9月_成績(jī)：指導(dǎo)教師：西安電子科技大學(xué)電子工程學(xué)院課程設(shè)計(jì)〔報(bào)告〕任務(wù)書學(xué)生姓名王宇指導(dǎo)教師白靜職稱副教授學(xué)生學(xué)號(hào)02099013專業(yè)電子信息工程題目圖像特征提取方法概述任務(wù)與要求查找閱讀文獻(xiàn)學(xué)習(xí)圖像特征的提取方法，了解圖像特征、提取方法的概念和分類，以及對(duì)具體提取方法的介紹和比擬，并對(duì)相關(guān)內(nèi)容做總結(jié)和分析，在此根底上撰寫一份不少于3000字的科技文獻(xiàn)綜述報(bào)告。開始日期2023年8月27日完成日期2023年9月7日課程設(shè)計(jì)所在單位電子工程學(xué)院2023年9月圖像特征提取方法概述摘要隨著科技開展和圖像信息的大量產(chǎn)生和交流，目標(biāo)圖像的自動(dòng)識(shí)別和分類應(yīng)用越來越廣泛，同時(shí)實(shí)際應(yīng)用問題對(duì)目標(biāo)識(shí)別技術(shù)的要求也越來越高，特征提取的方法顯得尤為重要。本文通過對(duì)圖像特征原理的介紹，對(duì)幾種典型的圖像特征方法進(jìn)行了分析和比擬，并對(duì)其前景進(jìn)行了展望。引言隨著信息化社會(huì)的到來，人們獲取的信息已經(jīng)不是局限在數(shù)字、符號(hào)、文本等信息，而是越來越多的處理圖像信息。然而這些信息大多數(shù)或是具有很高的維數(shù)，或是獲得的圖像數(shù)量巨大。在大多數(shù)情況下，不能直接在這些測(cè)量空間中進(jìn)行分類和識(shí)別。這一方面是因?yàn)闇y(cè)量空間的維數(shù)很高，不適宜分類器和識(shí)別方法的設(shè)計(jì):更重要的是這樣一種描述并不能直接反映測(cè)量對(duì)象的本質(zhì)，并且它隨攝像機(jī)位置、照度、運(yùn)動(dòng)等因素的變化而變化。為了進(jìn)行分類器和識(shí)別方法的設(shè)計(jì)，需要把圖像從測(cè)量空間變換到維數(shù)大大減少的特征空間，被研究的圖像在這個(gè)特征空間中就由一個(gè)或幾個(gè)特征向量來表示。綜上所述，特征提取技術(shù)成為目標(biāo)分類和識(shí)別中的關(guān)鍵技術(shù)。圖像特征提取的原理及分類(1〕圖像特征提取的原理在目標(biāo)分類和識(shí)別過程中原始特征的數(shù)量可能很大，或者說樣本處于一個(gè)高維空間中，這會(huì)給分類器帶來沉重的計(jì)算負(fù)擔(dān)。因此，我們希望選擇或提取的特征應(yīng)具有以下特點(diǎn):簡(jiǎn)約性:在用很少的特征標(biāo)識(shí)目標(biāo)的條件下，保持信息(或信息去失可以控制〕；可分性:來自同一類的不同模式的特征非常接近，而不同類的模式的特征相距甚遠(yuǎn)?？煽啃?提取具有魯棒性(robust)的特征，即對(duì)噪聲或其它干擾不敏感。獲取特征的方法有兩種:特征選擇和特征提取。它們的根本任務(wù)就是如何從許多特征中找出最有效的特征，這里的有效指的是能夠區(qū)分不同的類別。從一組特征中挑選出一些最有效的特征，以到達(dá)降低特征空間維數(shù)的目的，這個(gè)過程叫做特征選擇。通過映射(或變換)的方法可以用低維空間來表示圖像，映射后的特征稱為二次特征，它們是原始特征的某種變換(通常是線性變換或是非線性變換)，得出數(shù)目比原來少的綜合性特征，對(duì)原始特征進(jìn)行變換得到的這些有利于分類、更本質(zhì)、更少的新特征的過程稱為特征提取。(2)圖像特征提取的分類一般來說，圖像特征的分類有很多種，如按提取的區(qū)域大小可以分為圖像的局部特征以及全局特征;按特征在圖像上的表現(xiàn)形式分為點(diǎn)特征、線特征和面特征(區(qū)域特征);將用于目標(biāo)圖像識(shí)別的特征歸納為如下四種:圖像的視覺特征:例如，圖像的邊緣、輪廓、形狀、紋理和區(qū)域等。它們的物理意義明確，提取比擬容易。圖像的統(tǒng)計(jì)特征:例如，灰度直方圖特征、矩特征，其中矩特征包括均值、方差、峰度及墑特征等，目前，墑特征作為圖像的特征得到了廣泛的應(yīng)用。變換系數(shù)特征:對(duì)圖像進(jìn)行各種數(shù)學(xué)變換，如傅立葉變換、離散余弦變換、小波變換等，可以將變換后的系數(shù)作為圖像的一種特征。代數(shù)特征:代數(shù)特征反映的是圖像的某種屬性。而從映射角度考慮，將能夠通過線性映射得到的特征稱為線形特征，經(jīng)過非線性映射得到的特征稱為非線性特征。對(duì)應(yīng)的映射稱為線性特征提取方法和非線性特征提取方法。3.圖像特征提取的方法及比擬〔1〕線性特征提取方法傳統(tǒng)的線性特征提取方法有主分量分析(PrincipleComponentAnalysis,PCA)、Fisher線性鑒別〔FLD〕,投影尋蹤(ProjectionPursuit,PP)等。下面將重點(diǎn)對(duì)PCA算法及Fisher算法進(jìn)行介紹：<1>主成分分析方法(PCA)主成分分析的目的是將分散在一組變量上的信息集中到某幾個(gè)綜合變量(又稱為成分)上，這些新變量是原始變量的線性組合而且互不相關(guān)。由于對(duì)變量的綜合，將可能克服多重相關(guān)性造成的信息重疊。幾何上主成分分析可以認(rèn)為是坐標(biāo)軸的旋轉(zhuǎn)，將原始坐標(biāo)系的坐標(biāo)軸旋轉(zhuǎn)成一組新的正交坐標(biāo)軸，并按他們占原始數(shù)據(jù)變差的數(shù)量排列這些新的坐標(biāo)軸。主成分分析的對(duì)象是一幅圖像矩陣,它的工作目標(biāo)是對(duì)X總的信息重新調(diào)整組合，從中提取m個(gè)綜合變量v1,...,vm(m<q)，使這m個(gè)綜合變量能最多的概括原始圖像X中的信息，即在力保數(shù)據(jù)信息損失最少大的原那么下，對(duì)高維變量空間進(jìn)行降維處理。設(shè)X=[,...],經(jīng)過標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化的目的是使樣本點(diǎn)集合重心與坐標(biāo)原點(diǎn)重合?，F(xiàn)求v1,...vm(m<q),，它們是,...,線性組合，即=X,||=1,因?yàn)閹в凶疃嘧儺愋畔?，所以要求，方差取最大值，?1)記V是X的協(xié)方差矩陣，即求優(yōu)化(2)稱為第一主軸，=X稱為第一主成分。第一主成分帶有的變異信息(3)類似以上步驟依次有.這m個(gè)主成分帶有的信息總和為(4)成分個(gè)數(shù)m的選擇:通用的方法是方差的百分比方法，即保存占方差近90%的特征值。另一種方法是保存那些特征值大于平均值的特征值。主分量分析反映了目標(biāo)類別主要特征信息，在最小均方誤差意義下是一種最正確變換。但它卻沒有利用類別屬性及類別差異信息，因而從分類識(shí)別的角度看并不是一種最優(yōu)變換。<2>Fisher線性鑒別分析方法(FLD)Fisher線性判別分析(FLD)的根本思想是尋找一個(gè)投影方向，使訓(xùn)練樣本投影到該方向時(shí)盡可能具有最大類間距離和最小類內(nèi)距離。后來，人們又將兩類問題的FLD方法推廣到多類情況，其根本原理是通過尋找一個(gè)投影矩陣使得訓(xùn)練樣本經(jīng)投影變換后盡可能具有最大類間散射和最小類內(nèi)散射。它是在使用PCA方法進(jìn)行降維的根底上，考慮到訓(xùn)練樣本的類間信息。如果說主分量分析獲得的特征是原始樣本的最正確表示特征集，那么，線性判別分析獲得的特征是原始樣本的最正確判別特征集，該特征集更利于提取高可分性的特征。設(shè)模式類別有c個(gè):w1,w2,...wc，每類有訓(xùn)練樣本個(gè)，X為n個(gè)訓(xùn)練樣本，…的集合。每一類的均值從及總體樣本的均值分別為(5)(6)樣本類內(nèi)離散度矩陣為:(7)其中為第i類樣本的離散度矩陣:(8)樣本的類間離散度矩陣Sb為:(9)Fisher鑒別函數(shù)定義為:(10)其中w表示從原始樣本空間到Fisher空間變換向量。<3>線性特征提取方法的比擬PCA方法是一種最小均方意義上的最優(yōu)變換，它的目標(biāo)是去除輸入隨機(jī)向量之間的相關(guān)性，以突出原始數(shù)據(jù)中的隱含特性。其優(yōu)勢(shì)在于數(shù)據(jù)壓縮以及對(duì)多維數(shù)據(jù)進(jìn)行降維。但PCA方法在對(duì)數(shù)據(jù)的處理過程中是根據(jù)觀測(cè)數(shù)據(jù)的協(xié)方差矩陣進(jìn)行計(jì)算的，只涉及到信號(hào)數(shù)據(jù)協(xié)方差矩陣，即二階統(tǒng)計(jì)特性，并未考慮到信號(hào)數(shù)據(jù)的高階統(tǒng)計(jì)特性，所以變換后的數(shù)據(jù)間仍有可能存在高階冗余信息，實(shí)際上數(shù)據(jù)的高階統(tǒng)計(jì)特性往往包含更重要的特征信息。Fisher線性鑒別是基于樣本類別進(jìn)行整體特征提取的有效方法。它是在使用PCA方法進(jìn)行降維的根底上，考慮樣本的類間信息。PCA的一個(gè)主要的缺乏之處在于樣本類間離散度增大的同時(shí)，會(huì)導(dǎo)致樣本類內(nèi)離散度增大，而FLD在最大化類間距離的同時(shí)最小化類內(nèi)距離。FLD的根本原理就是找到一個(gè)最適宜的投影軸，使各類樣本在該軸上投影之間的距離盡可能遠(yuǎn)，而每一類內(nèi)的樣本的投影盡可能緊湊，從而使分類效果到達(dá)最正確，它是進(jìn)行圖像整體特征提取的有效方法，有著廣泛的應(yīng)用。投影尋蹤(projectionpursuit,PP)是用來分析和處理高維觀測(cè)數(shù)據(jù)，尤其是處理來自非正態(tài)總體的高維數(shù)據(jù)的一種統(tǒng)計(jì)方法。PP的根本思想是把高維數(shù)據(jù)投影到1-3維子空間上，尋找出能夠反映原來高維數(shù)據(jù)的結(jié)構(gòu)或特征的投影，以到達(dá)研究、分析高維數(shù)據(jù)的目的。PP方法的缺乏之處表達(dá)在計(jì)算量大和處理非線性能力弱。〔2〕非線性特征提取方法無論是前面介紹的主成分分析還是Fisher鑒別方法都是線性特征提取方法，它們一般只適用于線性可分的模式。但實(shí)際應(yīng)用中，許多模式并非線性可分，因此，線性特征提取方法并不理想。為了解決非線性模式的有效特征提取問題，一種可行的方法是對(duì)一些線性方法進(jìn)行相應(yīng)的非線性擴(kuò)展。近年來，隨著統(tǒng)計(jì)學(xué)習(xí)理論，特別是支持向量機(jī)SVM方法的問世，通過再生核理論對(duì)一些線性算法進(jìn)行非線性擴(kuò)展己成為研究非線性特征提取方法的一種非常重要的手段。下面將對(duì)核方法的原理進(jìn)行介紹：從具體操作過程上看，核方法首先采用非線性映射將原始數(shù)據(jù)由數(shù)據(jù)空間映射到特征空間，進(jìn)而在特征空間進(jìn)行對(duì)應(yīng)的線性操作。由于運(yùn)用了非線性映射，且這種非線性映射往往是非常復(fù)雜的，從而大大增強(qiáng)了非線性數(shù)據(jù)處理的能力。核方法的缺點(diǎn):各特征的物理意義很不明確，一般的線性方法僅是原有各特征的線性疊加，還可以勉強(qiáng)找出其含義，而核方法是不可能明確其物理意義的;求投影所需的計(jì)算相對(duì)要難得多;測(cè)試樣本在F空間向量上的投影太復(fù)雜。第一個(gè)缺乏從目前看是不可克服的，因?yàn)檫@一缺乏是由非線性變換引起的，而核方法必須經(jīng)過非線性變換。后兩個(gè)缺乏實(shí)際上涉及的是同一個(gè)問題，即如何減少表達(dá)式中所使用的樣本數(shù)目。由此可見，如何從學(xué)習(xí)樣本集中選擇最具代表性的學(xué)習(xí)樣本是核方法的一個(gè)研究方向，或許主動(dòng)學(xué)習(xí)(activelearning)是解決這兩個(gè)問題的一條有效途徑。目前，核方法中的核函數(shù)主要包括線性核、P階多項(xiàng)式核和徑向基函數(shù)(RBF)核等。不過，在實(shí)際應(yīng)用中，到底選擇什么樣的核函數(shù)才能最好地變換或表達(dá)該問題，還是一個(gè)尚未解決的問題。隨著支持向量機(jī)理論的提出，基于核的學(xué)習(xí)方法己逐漸受到人們的重視。核學(xué)習(xí)己經(jīng)遠(yuǎn)遠(yuǎn)超越SVM范疇，形成了一個(gè)相對(duì)獨(dú)立的研究方向，并走向更為廠-闊的舞臺(tái)。核方法的中心思想是，在進(jìn)行分類等數(shù)據(jù)處理時(shí)，對(duì)于線性不可分打本，首先通過一個(gè)非線性映射將原空間樣本映射到高維特征空間(也稱核空間)中，使核空間中的樣本變得線性可分，或者近似線性可分，然后在核空間中用線性方法對(duì)其進(jìn)行處理，從而實(shí)現(xiàn)相對(duì)于原空間進(jìn)行非線性的處理，其效果相當(dāng)好。研究者相繼提出了核主成份分析(KPCA)以及針對(duì)兩類的FLD問顆棵出了核Fisher判別分析(KFLD)等等。4.小結(jié)本文主要討論了目標(biāo)識(shí)別中的特征提取問題，并著重研究了線性與非線性特征提取的方法。而現(xiàn)在由于圖像處理的數(shù)據(jù)量和數(shù)據(jù)維數(shù)的增大，研究圖像特征提取的更加優(yōu)化的算法顯得更加重要。而研究人員也在本文中提到的相關(guān)算法上提出了優(yōu)化的算法，如2DPCA及分塊2DPCA算法、分塊Fisher線性鑒別方法等。這些算法的提出使得圖像特征的提取能夠快速、準(zhǔn)確，為其應(yīng)用于實(shí)踐中起到了巨大的推進(jìn)作用。由于楔形波逼近過程是自底向上的過程，不可防止計(jì)算時(shí)間較長(zhǎng)，如何改良呢楔形波的逼近算法，使其計(jì)算時(shí)間縮短，還有待于做進(jìn)一步深入研究，雖然基于楔形波變換域的邊緣檢測(cè)的方法效果比擬明顯，但是對(duì)微弱邊緣和細(xì)小邊緣的檢測(cè)效果仍然是不夠理想的，如何更好的對(duì)它們檢測(cè)這都是需要有待于做進(jìn)一步深入研究。只要這些缺乏通過研究得到解決那么楔形波在圖像處理中表達(dá)出來的未來價(jià)值是顯而易見的?？偠灾畧D像特征的提取是圖像處理領(lǐng)域中很重要的內(nèi)容，也有著廣泛的應(yīng)用前景。參考文獻(xiàn)LinCH,ChenRT,ChanYK.Asmartcontent-basedimageretrievalsystembasedoncolorandtexturefeature[J].IMAGEAND