Matlab机器视觉工具箱（MVTB）教程（2）——图像特征提取

前言

在此文章处，将讨论特征以及怎样利用视觉工具箱从图像中提取特征。借助于上一篇博客的图像处理技术，我们将要讨论几种特征类型:区域、线和兴趣点。

区域特征

图像分割是把一幅图像划分成具有应用意义的若干区域的过程，其目的是把代表感兴趣目标的像素从场景的其他像素中分割或分离出来。

分类

灰度等级分类

主要采用阈值变换法进行灰度等级分类。

 %读取本地照片文件
castle = iread('castle_sign.jpg', 'grey', 'double') ;
figure(1);
idisp(castle >= 0.6)%阈值分割，0.6为阈值
figure(2);
ithresh (castle)%阈值分割，拖动
% ithresh (castle*0.9)
figure(3);
 ihist (castle,'b') ;
 %最优的图像分割阈值可以使用大津( Otsu)方法进行计算
 t = otsu(castle)
 castle =iread( 'castle_sign2.png', 'double', 'grey') ;
 figure(6);
idisp(castle)
%  计算局部阈值
t = niblack(castle, -0.2,35) ; %局部阈值分割的模板为35像素大小
figure(4);
%显示局部阈值
idisp(t);
figure(5);
idisp(castle >= t)%把该局部阈值逐一像素地应用到原始图像中
 [mser,nsets] = imser(castle, 'light');
 %最大稳定极值区域( MESR )算法,用全部的局部阈值对图像进行分类，然后再组合起来形成一个分割图像
 figure(7);
 idisp (mser,'colormap', 'jet');

下图为按0.6对原图进行阈值分割的结果及原图的灰度直方图。

如下为局部阈值显示结果。

局部阈值产生的分类结果如下图所示。属于字母的所有像素已经被正确分类。

用全部的阈值对图像进行分类，然后再组合起来形成一个分割图像。而这恰好就是最大稳定极值区域( MESR )算法所做的。如下图所示，它是一幅伪色彩图像。每一个非零像素对应着一个稳定集合，像素值是分配给那个稳定集合的标签，显示为单一颜色。所有字母都被正确分类。一部分边界被错误地归类为背景，一部分被归类为图像右侧的墙砖纹理。选项’light '表明我们正在寻找与黑暗背景相对的明亮目标。

颜色分类

颜色对图像分割来说是一-个很有用的线索，但是由于存在颜色恒常性问题，机器人专家往往避免使用颜色。

%读取本地照片文件
im = iread('yellowtargets.png', 'gamma', 'sRGB', 'double');
figure(1); idisp(im)
% 函数 colorkmeans会返回像素分类,用伪色彩显示其图像
[cls, cxy,resid] = colorkmeans(im, 4);
figure(2); idisp(cl