A Detailed Review of Feature Extraction in Image Processing Systems图像处理系统中特征提取的详细介绍

A DetailedReview of Feature Extraction in Image Processing Systems

图像处理系统中特征提取的详细介绍

摘要：

        特征在图像处理领域起着非常重要的作用。在提取特征之前，对图像进行各种预处理，例如二值化、阈值、调整大小、归一化等。然后，特征提取技术来获得图像特征，这在图像分类和识别中是非常有用的。特征提取技术在各种图像处理的应用程序中都很有帮助，例如字符识别。当特征用来定义图像的行为时，根据其存储、分类效率、和时间消耗来显示其地位。在本文中，我们将讨论不同类型的特征，特征提取技术并讨论在什么情况下运用那种特征提取技术会更好。据此在本文中，我们将参考字符识别应用中的特征和特征提取方法。

关键词：特征提取，图像处理，光学字符识别（OCR），模式识别

一、引言

        特征提取描述的是一个图案上包含的相关形状信息，因此通过一个正式过程使图案分类变得容易。在模式识别，图像处理方面，特征提取是降维的一种特殊形式。特征提取的主要目标是从原始数据获得最相关的信息，能在一个低维空间的表示其信息。当输入到算法的数据太大而不能处理，通常认为数据是冗余的（多的数据，但没有太多的信息），则输入的数据将被转换成较少特征的集合（也称为特征矢量）。将输入数据转换成特征集合的过程被称为特征提取。如果提取的特征被仔细地选择，希望特征集合将从输入数据中提取相关信息。利用降维的表示而不是输入数据的原始大小，是图像处理领域的一个新兴的研究领域中。它应用于许多应用中，如字符识别、文档验证、读取银行存款单、提取支票信息、信用卡、健康保险、贷款、税务表格、数据录入、邮政地址阅读应用、检查整理、税务阅读信息、脚本识别等。字符识别也适用于新兴的领域，如电子图书馆的发展、多媒体数据库、需要笔迹数据输入的系统。在60年代末，这些系统仍然非常昂贵，因此只能由大公司和政府机构使用。今天，模式识别系统更便宜。几项研究工作已经开始探索较新的技术和方法来减少处理时间，同时提供更高的识别准确度。目前广泛使用的特征提取方法有模板匹配、变形模板、归一化图像变换、图形描述、直方图、等值线分布、分区、几何不变矩、Zernike矩、曲线近似、傅立叶描述、梯度特征和Gabor特征。例如，OCR是将机器印刷或手写文本的扫描图像转换成计算机可处理的格式的过程。光学字符识别的方法，具有以下三个阶段：预处理，特征提取，分类。在此，我们将对第二阶段即特征提取进行详细的讨论。

二、特征提取

        在字符识别系统中，特征提取是预处理阶段之后。模式识别的首要任务是采取一种输入模式，并正确地将其指定为可能的输出类之一。这个过程可以分为两个阶段：特征选择和分类。特征选择是整个过程的关键，因为分类器无法识别很差的特征。根据ppman给出的理论来选择特征：“特征应包含类区分所需的信息，对输入的无关变异性不敏感，有时在容许判别函数有效计算时限制数目和限制所需训练数据的数量”。

        特征提取是任何模式分类创建的一个重要步骤，旨在提取表征每个类的相关信息。在这个过程中，相关的特征是从对象/字母提取，形成特征向量。然后这些特征向量通过分类器来识别输入单元和目标输出单元。通过查看这些特征会使分类器的不同类之间得分类变得更容易，因为它允许相当容易分辨。特征提取是从原始数据中检索最重要的数据的过程。特征提取是找到一组参数可以精确和唯一地定义一个字符的形状。在特征提取过程中，每个字符由一个特征向量表示，这成为其身份。特征提取的主要目标是提取一组特征，可以用最少的元素使识别率最大化，并对各种相同符号的多种实例生成相似特征集。目前广泛使用的特征提取方法有模板匹配、变形模板、归一化图像变换、图形描述、直方图、等值线分布、分区、几何不变矩、Zernike矩、曲线近似、傅立叶描述、梯度特征和Gabor特征。

A.特征提取的重要性

        当已经实现了预处理和分割（线，字，字符或符号），一些特征提取技术被用于分割来获得特征，随后是分类和后处理。集中于特征提取阶段是至关重要的，因为它对系统效率有影响。特征提取方法中的特征选择是实现高识别性能的唯一最重要的因素。特征提取是根据“为了分类目的，提取最适合的原始数据信息，最小化类内差距，最大化类间差距”。 因此，根据输入选择一个合适的特征提取技术应该很仔细。考虑到这些所有因素，在一个特定区域，查看各种可用的特征提取技术就显得至关重要。

图1.分区（特征提取）前后图像