【文章內(nèi)容簡介】 和形狀指數(shù)的形狀和大小有一定的相關(guān)性，但相關(guān)程度低。在識別系統(tǒng)的分辨率、可靠性和獨立性的特點，是針對整個系統(tǒng)的組成。一個單一的物體，分辨率和無參考和比較特點的可靠性。二、幾種典型的形狀特征描述方法對于形狀分析和分類方法有很多。一般而言，形式特征表示方法可以分為兩類：基于邊界和基于區(qū)域的。前者使用的外部邊界的形狀，而后者使用的整個區(qū)域。最典型的兩種形狀模板匹配方法的特征是傅立葉描述符、變形和形狀不變矩。此外，輪廓匹配法和幾何參數(shù)法、邊界方向直方圖法、小波系數(shù)法和小波輪廓表示法等。下面是幾種典型的形狀特征描述方法。：（1）邊界特征法基于邊界特征描述的方法得到形狀參數(shù)的圖像。Hough變換檢測平行線法和邊界方向直方圖法是一種經(jīng)典的方法。Hough變換是利用全局特征的圖像和邊緣連接的像素區(qū)域封閉邊界的一種方法，其基本思想是點線對偶性；邊界方向直方圖方法第一差分圖像的邊緣，從而獲得使邊緣直方圖的大小和方向，通常的方法是構(gòu)建了圖像灰度梯度方向矩陣。（2）傅里葉形狀描述符法傅立葉形狀描述符的基本思想是使用一個對象的邊界，傅立葉變換的形狀描述，使用的區(qū)域邊界閉合和周期性，二維問題成一維問題。從邊界點三的形狀表達，分別是曲率函數(shù)，質(zhì)心距離，復(fù)雜的坐標(biāo)函數(shù)。（3）幾何參數(shù)法形狀表示和匹配方法來描述一個更簡單的，定量的措施，如采用形狀參數(shù)法（形狀因子）的形狀參數(shù)法（形狀參數(shù)）的區(qū)域特征。在QBIC系統(tǒng)，是利用圓度、偏心率、主軸方向和代數(shù)幾何參數(shù)，如矩、基于形狀特征的圖像檢索。 （4）形狀不變矩法利用目標(biāo)所占區(qū)域的矩作為形狀描述參數(shù)來進行分類。（5）其它方法這些年，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method或FEM）、旋轉(zhuǎn)函數(shù)（Turning Function）和小波描述符（Wavelet Descriptor）等方法。第三節(jié) 幾種不同的度量一、矩形度用目標(biāo)圖像的面積和包圍該圖像的最小的矩形面積之比作為目標(biāo)矩形度的一種度量參數(shù)，記為 其中A0表示目標(biāo)圖像的面積，AR表示包圍該圖像的最小矩形的面積。R的大小能反映目標(biāo)物體和矩形的接近程度。矩形度的值限定在0到1之間。二、圓形度對于某些圖形的面積，半周長越小，圓形表面更光滑，更接近于圓形；反之，洲長越大，圓的表面褶皺，形狀更加復(fù)雜的多。為了這個原因，一般使用圓形程度來衡量圖形的形狀的程度。在一個圓形的形狀中，指的是其面積的平方之比是目標(biāo)對象的周長，記為 其中：P表示圖形的周長，A表示周長所圍的面積。理論上講，正方形的圓形度為/4=，正三角形的圓形度為/9=.另外，圓形度還有兩個計算公式： 其中，A是區(qū)域面積，L是最小外接圓面積。該指數(shù)還認為圓形區(qū)域最緊湊，緊湊度為1。在最小外接圓面積作為衡量區(qū)域形狀的計算。 三、矩 當(dāng)對象是一些簡單的幾何圖形時，用上述參數(shù)來描述物體的形狀是比較合適的。如果圖像的復(fù)雜邊界特性，用上述參數(shù)來描述物體的形狀就比較困難。對于復(fù)雜的對象，我們可以通過轉(zhuǎn)矩和輪廓描述符來描述復(fù)雜的對象。轉(zhuǎn)矩特性是基于該區(qū)域的灰度分布的統(tǒng)計分析的基礎(chǔ)上，是一個術(shù)語用來描述一個統(tǒng)計平均，可以從全局的角度來看，對象的整體功能。力矩是一種線性特征，圖像旋轉(zhuǎn)、尺度和平移不變性的轉(zhuǎn)矩特性，因此可以用來描述圖像區(qū)域的形狀特征。四、不變矩年，美國專家Guiming Hu發(fā)現(xiàn)了二維矩不變量理論，接著把該理論成功應(yīng)用到了圖像識別中。對于連續(xù)圖像二維函數(shù)，其階矩可以表示成黎曼積分： 式中。通過唯一性理論，如果是分段連續(xù)的，即只要在xy平面區(qū)域有非零值，則所有的各階矩均存在，且矩序列{mp,q}唯一的被所確定。反之，{mp,q}也唯一的確定了。將上述矩特征量進行位置歸一化，得到圖像的中心矩：對于數(shù)字圖像，基于雙重求和的方法替換該積分，點處的階矩可以表示成： 由此可見該中心幾何矩也符合尺度不變性的特性。第三章 邊緣檢測與提取方法第一節(jié) 邊緣檢測一、邊緣檢測準(zhǔn)備條件圖像的邊緣是最基本的特征，所謂的邊緣是指一個集合中的像素灰度的對比變化，是圖像分割的重要基礎(chǔ)，也是紋理分析和圖像識別的重要基礎(chǔ)。理想的邊緣檢測應(yīng)在邊緣的存在，真和假，和方向定向，很長一段時間，人們一直關(guān)注這個問題的研究，除了常用的本地運營商和后來發(fā)展的基礎(chǔ)上，各種改進方法，并提出了許多新的技術(shù)[16]。要做好邊緣檢測初步準(zhǔn)備條件如下：首先，清晰的圖像特征，以檢測的形式變化，從而適應(yīng)變化檢測方法。其次，要知道在一定空間范圍內(nèi)發(fā)生的特征變化，不要指望在檢測算子能檢測出圖像中所有特征的最佳變化。在需要提取更多空間范圍內(nèi)的變化特征時，要考慮更多的運營商的綜合應(yīng)用。第三，我們要考慮噪聲的影響，一種方法是濾除噪聲，有一定的局限性；同時考慮了信號和噪聲的檢測條件，利用統(tǒng)計信號分析，或通過圖像區(qū)域的建模，進一步使檢測參數(shù)。第四、考慮各種方法的組合，如要找出邊緣，然后在局部使用函數(shù)逼近，通過插值等方法得到高精度定位第五、在正確的基礎(chǔ)上，在邊緣檢測的基礎(chǔ)上，要考慮問題的準(zhǔn)確定位。經(jīng)典的邊緣檢測方法往往會斷的不完全信息結(jié)構(gòu)，噪聲和敏感，為了有效地抑制噪聲，通常對原始圖像進行平滑，然后邊緣檢測可以檢測真實的邊緣。從人的直觀感覺，對應(yīng)于物體的幾何邊界的邊緣。圖像灰度變化比較嚴重的區(qū)域比較符合要求，我們通常用此特征提取圖像邊緣。但在含有紋理圖像的情況下，這是一個小問題，例如，人們穿的衣服，白色和黑色的正方形在圖像中，我們通常不希望在網(wǎng)格中提取的邊緣，包括衣服。它還涉及到紋理圖像處理方法。但一般認為邊緣檢測是對嚴重區(qū)域，數(shù)學(xué)上的方差的圖像，最直觀的方法是差分（如數(shù)字圖像差），在信號處理的角度，也可以說是一個高通濾波器，它將保持高頻率信號。提取邊緣的圖像識別往往需要輸出是一個二值圖像，邊緣的只有黑白灰度圖像，一個灰度級代表邊緣，另一個為背景。此外，還需要細化到只有一個像素寬度的邊緣。二、邊緣檢測基本步驟具體的圖像邊緣檢測的基本步驟如下：（1）過濾器。邊緣檢測主要是基于導(dǎo)數(shù)的計算，但受噪聲的影響。但過濾器，以減少噪聲和強度的邊緣損傷。（2）增強。算法將有顯著變化的灰度鄰域點突出。通常進行計算的梯度幅度。（3）檢測。但在一些較大的圖像梯度幅度不是邊緣點。邊緣檢測是最簡單的梯度幅值閾值的確定。（4）定位。精確確定邊緣的位置?？偟恼f來傳統(tǒng)邊緣檢測的流程圖如31所示: 原始圖像 平滑圖像平滑圖像得出邊緣的二值化圖像既檢出邊緣點閾值分割梯度算子邊緣增強邊緣檢測邊緣定位圖像濾波圖31 邊緣檢測的流程圖選取合適的特征提取方法是極其重要的，因為他是邊緣檢測問題的一個核心模塊。經(jīng)典的邊緣檢測算子包括：Roberts算子，Prewitt算子，Sobel算子，Log (Laplacian of Gaussian)算子等。第二節(jié) 邊緣提取邊緣檢測的本質(zhì)是用一種算法來提取目標(biāo)和背景圖像之間的邊界。我們將邊緣被定義為圖像灰度變化發(fā)生在該地區(qū)的邊界。圖像灰度的變化可以反映圖像灰度分布的梯度，所以我們可以利用圖像差分技術(shù)來獲得邊緣檢測算子。經(jīng)典的邊界提取技術(shù)大多是基于微分運算。首先通過平滑濾波器濾除圖像中的噪聲，然后對一階微分或二階微分運算，通過梯度最大或二階導(dǎo)數(shù)得到零點，最后選擇適當(dāng)?shù)拈撝祦硖崛∵吔?。一、邊緣提取的步驟圖像邊緣檢測和邊緣檢測是至關(guān)重要的領(lǐng)域的計算機視覺技術(shù)，如何快速、準(zhǔn)確地提取圖像邊緣信息一直在研究和發(fā)展的重點技術(shù)和整個領(lǐng)域的發(fā)展，邊緣檢測技術(shù)已成為圖像分割、目標(biāo)識別、圖像壓縮技術(shù)。它的理論和實踐背景很廣，具有良好的應(yīng)用價值和理論困難。邊緣檢測算法常常面對具體問題，可憐的普遍性。物體的邊緣并不反映在連續(xù)的層次。經(jīng)典的圖像邊緣檢測方法，每個像素在某個社區(qū)灰色變化，用二階導(dǎo)數(shù)的方向的邊緣，邊緣檢測，使用一個簡單的方法，邊緣檢測sublocal算子。眾所周知，邊緣是圖像的基本特征，所謂的邊緣是一組像素灰度圖像分割、紋理分析和圖像識別是一個重要的依據(jù)。邊緣提取的流程如圖32所示：連續(xù)外輪廓邊緣圖像圖像外輪廓圖像庫特征庫不變矩特征目標(biāo)區(qū)域連續(xù)、單值、二值化輪廓圖32 形狀特征提取系統(tǒng)流程邊緣提取的具體步驟如下：（1）獲取邊緣圖像，主要是運用canny算法對已有的圖形進行提??；（2）對邊緣圖像進行輪廓跟蹤，得到外輪廓圖像；（3）外部輪廓圖像的預(yù)處理：首先，在外形上獲得連續(xù)光滑的輪廓線，輪廓線的二值化的自適應(yīng)二值化方法，精細的輪廓。最后得到清晰的連續(xù)光滑，單像素，圖像進行二外輪廓；（4）進行種子填充，得到圖像的外輪廓線所包圍的目標(biāo)區(qū)域；（5）計算目標(biāo)區(qū)域的七個不變矩，構(gòu)成這幅圖像的形狀特征向量；（6）對形狀特征向量進行內(nèi)部歸一化處理，將特征值存入圖像特征庫。第三節(jié) 邊緣提取的常用算子邊緣檢測方法主要是基于方向?qū)?shù)卷積方法，復(fù)合梯度圖像和模塊，然后根據(jù)梯度模式最大提取方向，以獲得所需的邊緣。這是一個輪廓線或邊緣檢測。常用的邊緣檢測方法有Roberts算子、Prewitt算子、Sobel算子和Laplacian算子[17]。在實踐中，由于實際原因，如照明，噪音的影響，往往使圖像模糊或分離的邊緣，邊緣檢測遇到了許多困難。有幾種方法在不同程度的噪聲敏感的問題面前存在。因此，為了更準(zhǔn)確地找到圖像的邊緣，以執(zhí)行以下操作：（1）充分降低誤報，不僅準(zhǔn)確判斷的邊緣，而且也減少了費用的判斷的邊緣的邊緣。（2）提高定位的準(zhǔn)確度得到的邊緣和誤差盡可能小的理論。（3）唯一響應(yīng)，也就是說，每一個明確的邊緣只能得到響應(yīng)。一、Roberts邊緣算子Roberts算子的原理是在差分算子的基礎(chǔ)上完成的，其具體公式可以表示如下： 其中，是以整數(shù)的形式來表示圖像的坐標(biāo)。Roberts算子具有其邊緣的優(yōu)點是非常準(zhǔn)確的，缺點是，它是對噪聲敏感相對。在實踐中，操作者常常被用來提取道路的邊緣。二、Sobel邊緣算子如在圖33典型Sobel邊緣算子中所示，它的原理是將圖像卷積運算的每一個象素。在水平方向和最強烈的回應(yīng)垂直方向Sobel邊緣運營商，因此，選擇Sobel邊緣算子輸出最多兩個卷積[18]。121000121101202101圖33 Sobel邊緣算子Sobel算子，在與相鄰像素之間的距離的像素2的作用，根據(jù)指定給不同的權(quán)重的像素之間的距離。一般而言，該距離越大，越小的影響。三、Prewitt邊緣算子如圖34的典型Prewitt算子的邊緣算子，卷積運算對每一像素的操作者，將得到的對應(yīng)于該范圍的邊緣時，操作者的輸出的振幅的最大值的邊緣。111101000101111101圖34 Prewitt邊緣算子Prewitt算子原理比較簡單，它是在一個水平差的操作，垂直方向中的兩種平均操作，相對而言，在操作者對噪聲較不敏感，但是，平均處理是圖像濾波的過程。四、Laplacian邊緣算子拉普拉斯算子具有強烈的線性性和移步變形。其基本思想是運用二維向量的二階導(dǎo)數(shù)進行計算。對于連續(xù)函數(shù)的圖像，其位置為，可以定義拉普拉斯值為： 使用二階導(dǎo)數(shù)信息拉普拉斯算子，無關(guān)各向同性，軸的方向，軸旋轉(zhuǎn)梯度結(jié)果仍然是相同的。圖像的二階微分后，創(chuàng)建了一個陡峭的零交叉邊緣點，根據(jù)該零交叉點邊緣點。圖35和36分別鄰里域名系統(tǒng)和八個居委會拉普拉斯算子的。010141010圖35 鄰域Laplacian算子111 181111圖36 鄰域Laplacian算子通常使用的拉普拉斯算子33模板如圖36所示：111101121181242000111101121圖37 拉普拉斯算子Laplace算法對噪聲敏感，但其缺點也很明顯，即邊緣在一些圖形具有雙重作用。因此，使用拉普拉斯算法的圖像處理時，經(jīng)過一定的流暢處理。五、Log邊緣算子這里介紹一種基于二階導(dǎo)數(shù)求到邊緣點算法的圖像亮度，這種方法對噪聲非常敏感，因此，可以在之前是邊緣增強去噪。對于這一點，并設(shè)計了一種人類視覺方法的局部特性，該方法是使用高斯操作者對濾波操作，使用拉普拉斯邊緣檢測，即所謂的算法。該算法的主要思路和步驟如下：（1）濾波：就是對圖像做平滑濾波，選取對應(yīng)的濾波函數(shù)為高斯函數(shù)，即： 其中，是一個圓對稱函數(shù)，其平滑的作用是可通過來控制的。將圖像與進行卷積，可以得到一個平滑的圖像，即： （2）增強：對平滑圖像進行拉普拉斯運算，即： （3）檢測：該準(zhǔn)則由第二衍生物的圖像獲得的是零點（點），通過取點的第一導(dǎo)數(shù)。這種方法是用高斯卷積濾波器的第一圖像，從而