Matlab机器视觉工具箱(MVTB)教程(2)——图像特征提取

本文是Matlab机器视觉工具箱教程的第二部分,重点介绍图像特征提取,包括区域特征(灰度和颜色分类)、图像表示、图像描述(边框、矩和边界表示)、直线特征以及点特征(经典角点和尺度空间角点检测)。通过实例展示了如何使用工具箱进行图像处理,如阈值分割、颜色分类和角点检测。
摘要由CSDN通过智能技术生成

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。
在这里插入图片描述
如下为局部阈值显示结果。
在这里插入图片描述
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。
在这里插入图片描述
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。
在这里插入图片描述

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
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值