Github个人博客:https://joeyos.github.io
在现实生活中,我们要交往一个人,首先要了解这个人的特征,相貌和性格;同样,在基于数字图像的模式识别中,我们也要提取图像的特征。对图像特征的提取与研究提供了一种具有统计意义的图像内容表达,正所谓:“透过现象看本质”。
- 面特征:图像金字塔,图像矩特征
- 线特征:边缘检测
- 局部区域特征:斑点特征检测
- 点特征:角点检测
- 不变点特征:尺度不变特征提取
- 尺度不变特征变换SIFT算法、解压偶数页鲁棒性尺度不变特征提取SURF算法
图像金字塔
图像金字塔:图像经过一个低通滤波器进行平滑,然后对这个平滑图像进行抽样,抽样比例一般在水平和垂直方向上都为1/2,从而得到一系列尺寸缩小、分辨率降低的图像。
% 读入图像并灰度化
I = imread('test.jpg');
I = rgb2gray(I);
% 生成高斯滤波器的核
w = fspecial('gaussian',3,0.5);
size_a = size(I);
% 进行高斯滤波
g = imfilter(I,w,'conv','symmetric','same');
% 降采样
t = g(1:2:size_a(1),1:2:size_a(2));
% 显示结果
figure(1);imshow(I);
figure(2);imshow(t);
- 高斯金字塔分解:低通滤波和降采样
- 拉普拉斯金字塔分解:相当于高斯金字塔与其高一级图像内插放大后图像的差,相当于带通滤波。
function [ pyr ] = genPyr( img, type, level )
% 功能: 产生图像的高斯金字塔或拉普拉斯金字塔
% 输入:img-灰度图像;
% type-变换的类型:'gauss' or 'laplace';
% level-分解层数
% 输出:PYR-1*LEVEL 元胞数组
pyr = cell(1,level);
pyr{1} = im2double(img);
%%%%%%图像的金字塔化%%%%%%
%计算图像的高斯金字塔
for p = 2:level
pyr{p} = pyr_reduce(pyr{p-1});
end
if strcmp(type,'gauss'), return; end
% 调整图像尺寸
for p = level-1:-1:1
osz = size(pyr{p+1})*2-1;
pyr{p} = pyr{p}(1:osz(1),1:osz(2),:);
end
% 计算图像的拉普拉斯金字塔
for p = 1:level-1
pyr{p} = pyr{p}-pyr_expand(pyr{p+1});
end
end
function [ imgout ] = pyr_reduce( img )
% 功能:计算图像的高斯金字塔
% 输入:img-灰度图像;
% 输出:imgout-分解后的金子塔图像数组
% 生成高斯核
kernelWidth = 5;
cw = .375;
ker1d = [.25-cw/2 .25 cw .25 .25-cw/2];
kernel = kron(ker1d,ker1d');
img = im2double(img);
sz = size(img);
imgout = [];
% 产生图像的高斯金字塔
for p = 1:size(img,3)
img1 = img(:,:,p);
imgFiltered = imfilter(img1,kernel,'replicate','same');
imgout(:,:,p) = imgFiltered(1:2:sz(1),1:2:sz(2));
end
end
function [ imgout ] = pyr_expand( img )
% 功能:图像金字塔扩张
% 输入:img-待扩张的图像
% 输出:imgout-扩张后的图像
kw = 5;
cw = .375;
ker1d = [.25-cw/2 .25 cw .25 .25-cw/2];
kernel = kron(ker1d,ker1d')*4;
ker00 = kernel(1:2:kw,1:2:kw);
ker01 = kernel(1:2:kw,2:2:kw);
ker10 = kernel(2:2:kw,1:2:kw);
ker11 = kernel(2:2:kw,2:2:kw);
img = im2double(img);
sz = size(img(:,:,1));
osz = sz*2-1;
imgout = zeros(osz(1),osz(2),size(img,3));
for p = 1:size(img,3)
img1 = img(:,:,p);
img1ph = padarray(img1,[0 1],'replicate','both');
img1pv = padarray(img1,[1 0],'replicate','both');
img00 = imfilter(img1,ker00,'replicate','same');
img01 = conv2(img1pv,ker01,'valid');
img10 = conv2(img1ph,ker10,'valid');
img11 = conv2(img1,ker11,'valid');
imgout(1:2:osz(1),1:2:osz(2),p) = img00;
imgout(2:2:osz(1),1:2:osz(2),p) = img10;
imgout(1:2:osz(1),2:2:osz(2),p) = img01;
imgout(2:2:osz(1),2:2:osz(2),p) = img11;
end
end
%% 金字塔分解函数实现
close all;clear all;clc;
img=imread('qingdao.jpg');
n=3;
%[ pyr ] = genPyr( img, 'gauss', n );%高斯金字塔分解
[ pyr ] = genPyr( img, 'laplace', n );%拉普拉斯金字塔分解
for i=1:n
figure(i);
imshow(pyr{i});
end
图像的矩特征
由于被识别的图像与原图像相比一般有很大程度的失真,如平移、旋转和其他变化。不变矩是一种高度浓缩的图像特征,具有平移、灰度、尺度、旋转不变性,因此矩和矩函数被广泛用于图像的模式识别、图像分类、目标识别和场景分析中。M.K.Hu在1961年首次提出不变矩的概念,并将几何矩用于图像描述,但其低阶几何矩与图像的整体特征有关,不包含太多的图像细节信息,而高阶几何矩易受噪声影响,因此,很难用几何矩恢复图像。Zernike矩能够很容易的构造图像的任意高阶矩,并能使用较少的矩来重建图像。
- 计算Hu矩
function inv_m7 = invariable_moment(in_image)
% 功能:计算图像的Hu的七个不变矩
% 输入:in_image-RGB图像
% 输出:inv_m7-七个不变矩
% 将输入的RGB图像转换为灰度图像
image=rgb2gray(in_image);
%将图像矩阵的数据类型转换成双精度型
image=double(image);
%%%=================计算 、 、 =========================
%计算灰度图像的零阶几何矩
m00=sum(sum(image));
m10=0;
m01=0;
[row,col]=size(image);
for i=1:row
for j=1:col
m10=m10+i*image(i,j);
m01=m01+j*image(i,j);
end
end
%%%=================计算 、 ================================
u10=m10/m00;
u01=m01/m00;
%%%=================计算图像的二阶几何矩、三阶几何矩============
m20 = 0;m02 = 0;m11 = 0;m30 = 0;m12 = 0;m21 = 0;m03 = 0;
for i=1:row
for j=1:col
m20=m20+i^2*image(i,j);
m02=m02+j^2*image(i,j);
m11=m11+i*j*image(i,j);
m30=m30+i^3*image(i,j);
m03=m03+j^3*image(i,j);
m12=m12+i*j^2*image(i,j);
m21=m21+i^2*j*image(i,j);
end
end
%%%=================计算图像的二阶中心矩、三阶中心矩============
y00=m00;
y10=0;
y01=0;
y11=m11-u01*m10;
y20=m20-u10*m10;
y02=m02-u01*m01;
y30=m30-3*u10*m20+2*u10^2*m10;
y12=m12-2*u01*m11-u10*m02+2*u01^2*m10;
y21=m21-2*u10*m11-u01*m20+2*u10^2*m01;
y03=m03-3*u01*m02+2*u01^2*m01;
%%%=================计算图像的归格化中心矩====================
n20=y20/m00^2;
n02=y02/m00^2;
n11=y11/m00^2;
n30=y30/m00^2.5;
n03=y03/m00^2.5;
n12=y12/m00^2.5;
n21=y21/m00^2.5;
%%%=================计算图像的七个不变矩============