第六章：图像特征提取与描述

图像特征提取与描述是计算机视觉领域的一个重要任务，其目标是从图像中提取有用的信息，以便进行更高级的任务，如图像识别、物体检测等。以下是针对边缘特征、角点特征、纹理特征和形状特征的详细说明和代码实现。

6.1. 边缘特征（如：Hough变换）

定义：边缘特征是一种描述图像中物体边界的特征。Hough变换是一种用于检测图像中直线、圆等几何形状的算法。其基本思想是将图像空间中的点转换到参数空间，并在参数空间中寻找相交的参数曲线。

用途：Hough变换广泛应用于图像处理中的几何形状检测、轮廓提取等任务。

代码实现（Python）：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('../1_l.jpg', cv2.IMREAD_COLOR)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 边缘检测
edges = cv2.Canny(gray_image, 50, 150)

# 应用Hough变换检测直线
lines = cv2.HoughLines(edges, 1, np.pi / 180, 100)

# 在原始图像上绘制检测到的直线
for line in lines:
    rho, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * (a))
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * (a))
    cv2.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

6.2. 角点特征（如：Harris角点检测）

定义：角点特征是一种描述图像中特定位置的局部特征。Harris角点检测算法是一种用于检测图像中角点的算法。其基本思想是计算图像中每个像素点的局部邻域内的灰度变化程度，当该程度超过一定阈值时，认为该像素点是角点。

用途：Harris角点检测广泛应用于图像特征提取、目标检测、图像匹配等任务。

代码实现（Python）：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('../1_l.jpg', cv2.IMREAD_COLOR)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用Harris角点检测

gray_image = np.float32(gray_image)
dst = cv2.cornerHarris(gray_image, 2, 3, 0.04)
# 在原始图像上标记检测到的角点

dst = cv2.dilate(dst, None)
image[dst > 0.01 * dst.max()] = [0, 0, 255]
# 显示结果

cv2.imshow('Original Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

6.3. 纹理特征（如：GLCM、LBP）

定义：纹理特征是一种描述图像局部纹理的特征。灰度共生矩阵(GLCM)和局部二值模式(LBP)都是常用的纹理特征提取方法。GLCM 描述了图像中灰度值的空间分布和关联性，而 LBP 描述了图像局部纹理模式。

用途：纹理特征提取广泛应用于图像识别、目标检测、图像分割等任务。

代码实现（Python）：

import cv2
import numpy as np
from skimage.feature import graycomatrix, graycoprops
from skimage.feature import local_binary_pattern

# 读取图像
image = cv2.imread('../1_l.jpg', cv2.IMREAD_GRAYSCALE)

# GLCM 特征提取
glcm = graycomatrix(image, [1], [0, np.pi / 4, np.pi / 2, 3 * np.pi / 4], symmetric=True, normed=True)
contrast = graycoprops(glcm, 'contrast')
dissimilarity = graycoprops(glcm, 'dissimilarity')
homogeneity = graycoprops(glcm, 'homogeneity')
energy = graycoprops(glcm, 'energy')
correlation = graycoprops(glcm, 'correlation')

# LBP 特征提取
radius = 1
n_points = 8 * radius
lbp = local_binary_pattern(image, n_points, radius)

# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('LBP Image', lbp.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyAllWindows()

 

6.4. 形状特征（如：轮廓、骨架）

定义：形状特征是一种描述物体形状的特征。轮廓是物体边界的一种表示，而骨架是对物体形状的一种紧凑表示，可以通过细化算法获得。

用途：形状特征提取广泛应用于图像识别、目标检测、图像分割等任务。

代码实现（Python）：

import cv2
import numpy as np
from skimage.morphology import skeletonize

# 读取图像
image = cv2.imread('../1_l.jpg', cv2.IMREAD_COLOR)
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 轮廓检测
ret, thresh = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 在原始图像上绘制轮廓

cv2.drawContours(image, contours, -1, (0, 255, 0), 3)
# 骨架提取

skeleton = skeletonize(thresh / 255)
# 显示结果

cv2.imshow('Original Image', image)
cv2.imshow('Skeleton Image', (skeleton * 255).astype(np.uint8))
cv2.waitKey(0)
cv2.destroyAllWindows()

总结：本章节介绍了图像特征提取与描述中的边缘特征、角点特征、纹理特征和形状特征，并提供了相应的代码实现。在实际应用中，可以根据具体问题选择合适的特征提取方法。同时，可以尝试使用深度学习方法（如卷积神经网络）来自动学习图像特征，以获得更好的性能。