红外图像特征提取方法研究课件

红外图像：反应物体的热辐射差。红外图像：反应物体的热辐射差。红外目标检测与识别包括：图像预处理，图像特红外目标检测与识别包括：图像预处理，图像特征提取，图像特征选择，图像分类征提取，图像特征选择，图像分类红外目标识别的特征：红外目标识别的特征：1.颜色或灰度的统计特征颜色或灰度的统计特征 2.纹理，边缘特征纹理，边缘特征 3.图像代数特征图像代数特征 4.图像变换系数特征图像变换系数特征红外图像：反应物体的热辐射差。红外目标检测与识别包括：图像预1一一.颜色或灰度的统计特征提取颜色或灰度的统计特征提取颜色颜色(灰度）直方图是实践中最常用的图灰度）直方图是实践中最常用的图像统计特征像统计特征.设设s（xi）为图像）为图像P的某特征的某特征值为值为xi的像素的个数的像素的个数直方图一.颜色或灰度的统计特征提取颜色(灰度）直方图是实践中最常21.Hu于于1961年提出了矩不变量的概念（平移，年提出了矩不变量的概念（平移，旋转，伸缩不变）旋转，伸缩不变）但但Hu矩不变量不具有正交性，包含大量的信息矩不变量不具有正交性，包含大量的信息冗余。冗余。物体的零阶矩表示了图像的物体的零阶矩表示了图像的“质量质量”：Moo=f(x，y)dxdy,一阶矩一阶矩(M01，M10)用于用于确定图像质心确定图像质心(Xc，Yc)：Xc=M10/M00;Yc=M01/M00;若将坐标原点移至若将坐标原点移至 Xc和和 Yc处，就得处，就得到了对于图像位移不变的中心矩。到了对于图像位移不变的中心矩。Eg.1.Hu于1961年提出了矩不变量的概念（平移，旋转，伸缩不32.Zemike矩不变量就是一种正交的矩不变量，矩不变量就是一种正交的矩不变量，正交矩在信息冗余度、图像表达以及在识别正交矩在信息冗余度、图像表达以及在识别效果方面比其他类型的矩要好效果方面比其他类型的矩要好.3.Shen等提出了基于小波变换的小波矩，由等提出了基于小波变换的小波矩，由于小波变换具有时频局部化特征，所以小波于小波变换具有时频局部化特征，所以小波矩不仅可以描述图像的全局特征，也可以描矩不仅可以描述图像的全局特征，也可以描述图像的局部特征，不易受到噪声的干扰，述图像的局部特征，不易受到噪声的干扰，因而在识别相似的物体时有更高的识别率因而在识别相似的物体时有更高的识别率2.Zemike矩不变量就是一种正交的矩不变量，正交矩在信息4二二.纹理、边缘特征提取纹理、边缘特征提取 纹理特征是表示图像的另一种重要的视觉特征，纹纹理特征是表示图像的另一种重要的视觉特征，纹理结构反映图像亮度的空间变化情况，具有局部与理结构反映图像亮度的空间变化情况，具有局部与整体的自相似性整体的自相似性纹理分析的方法有多种，如空间自相关法，共生矩纹理分析的方法有多种，如空间自相关法，共生矩阵法、阵法、Tamura方法等方法等.1）纹理是由纹理基元按着某种规律在空间的重复）纹理是由纹理基元按着某种规律在空间的重复排列组成的，纹理与纹理基元的空间尺寸有关，排列组成的，纹理与纹理基元的空间尺寸有关，一般大尺寸的纹理基元对应于较粗的纹理，而小一般大尺寸的纹理基元对应于较粗的纹理，而小尺寸的纹理基元对应于较细的纹理尺寸的纹理基元对应于较细的纹理.二.纹理、边缘特征提取 纹理特征是表示图像的另一种重要的视51.空间自相关法空间自相关法对于大小为对于大小为MxN的图像的图像f(x,y),其中其中x=0,1，2M-1;y=0,1，2N-1,空间自相关函数定义为空间自相关函数定义为空间自相关函数用来描述纹理的粗糙程度。空间自相关函数用来描述纹理的粗糙程度。1.空间自相关法对于大小为MxN的图像f(x,y),其中x=62.共生矩阵法共生矩阵法 灰度共生矩阵特征于灰度共生矩阵特征于1973年由年由Haralick等首次提出，等首次提出，设（设（x,y)为图像中任意一点为图像中任意一点,(x+a,y+b)为其扰动点为其扰动点,它它们形成一个点对，设其灰度值为们形成一个点对，设其灰度值为(i,j)，固定，固定a,b，令，令(x,y)在图像上移动，可得到不同的在图像上移动，可得到不同的(i,j)值值.若图像的灰若图像的灰度级为度级为L，则，则i与与j的组合共有的组合共有L*L种种.在整幅图像中，在整幅图像中，统计出每一种统计出每一种(i,j)值出现的次数，再将它们归一化为值出现的次数，再将它们归一化为出现的概率出现的概率P(i,j),则方阵则方阵P(i,j)称为灰度共生矩阵称为灰度共生矩阵.利用灰度共生矩阵可得到描述纹理特征的统计量，利用灰度共生矩阵可得到描述纹理特征的统计量，常用的有对比度、能量、嫡等常用的有对比度、能量、嫡等7个特征个特征.2.共生矩阵法 灰度共生矩阵特征于1973年由Haralic7 2）图像边缘是指图像灰度发生空间突变或者在梯）图像边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合。度方向上发生突变的像素的集合。图像边缘特征提取方法大致可分为图像边缘特征提取方法大致可分为:基于经典微分基于经典微分边缘检测算子的提取方法、多尺度边缘检测方法、边缘检测算子的提取方法、多尺度边缘检测方法、模糊增强边缘检测方法等模糊增强边缘检测方法等.1.经典微分边缘检测算子的提取方法又分为一阶微经典微分边缘检测算子的提取方法又分为一阶微分边缘检测算子方法和二阶微分边缘检测算子方法分边缘检测算子方法和二阶微分边缘检测算子方法.有代表性的一阶微分边缘检测算子包括有代表性的一阶微分边缘检测算子包括:Roberts算算子、子、Sobel算子、算子、Preivitt算子、算子、Robinson算子和算子和Canny算子等算子等.2）图像边缘是指图像灰度发生空间突变或者在梯度方向上发生突8Canny算子无论在定位精度还是抗噪声方面，明显算子无论在定位精度还是抗噪声方面，明显优于其他的一阶微分边缘检测算子优于其他的一阶微分边缘检测算子.Canny算子求边缘点具体算法步骤如下：算子求边缘点具体算法步骤如下：1.）用高斯滤波器平滑图像用高斯滤波器平滑图像Canny算子无论在定位精度还是抗噪声方面，明显优于其他的一92.）用一阶偏导有限差分计算梯度幅值和方向）用一阶偏导有限差分计算梯度幅值和方向.Gx=f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)/2Gy=f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)/22.）用一阶偏导有限差分计算梯度幅值和方向.103.）对梯度幅值进行非极大值抑制）对梯度幅值进行非极大值抑制 仅得到全局的梯度并不足以确定边缘，为确定边仅得到全局的梯度并不足以确定边缘，为确定边缘，必须保留局部梯度最大的点，而抑制非极大缘，必须保留局部梯度最大的点，而抑制非极大值。值。3.）对梯度幅值进行非极大值抑制 114.）用双阈值算法检测和连接边缘）用双阈值算法检测和连接边缘对非极大值抑制图像作用两个阈值对非极大值抑制图像作用两个阈值th1和和th2，两者，两者关系关系th1=0.4th2。我们把梯度值小于。我们把梯度值小于th1的像素的的像素的灰度值设为灰度值设为0，得到图像，得到图像1。然后把梯度值小于。然后把梯度值小于th2的像素的灰度值设为的像素的灰度值设为0，得到图像，得到图像2。对图像对图像2进行扫描，当遇到一个非零灰度的像素进行扫描，当遇到一个非零灰度的像素p(x,y)时，跟踪以时，跟踪以p(x,y)为开始点的轮廓线，直到轮为开始点的轮廓线，直到轮廓线的终点廓线的终点q(x,y)。考察图像考察图像1中与图像中与图像2中中q(x,y)点位置对应的点点位置对应的点s(x,y)的的8邻近区域。如果在邻近区域。如果在s(x,y)点的点的8邻近区域中有非邻近区域中有非零像素零像素s(x,y)存在，则将其包括到图像存在，则将其包括到图像2中，作为中，作为r(x,y)点。从点。从r(x,y)开始，重复第一步，直到我们在开始，重复第一步，直到我们在图像图像1和图像和图像2中都无法继续为止。中都无法继续为止。步骤1：步骤2：4.）用双阈值算法检测和连接边缘步骤1：步骤2：122.多尺度边缘检测的思想最初是山多尺度边缘检测的思想最初是山Rosenfcld提提出的，因为图像边缘就是一维图像中奇异点的集出的，因为图像边缘就是一维图像中奇异点的集合，而多尺度变换如小波变换的模极大值点对应合，而多尺度变换如小波变换的模极大值点对应于图像信号的奇异点，因此通过对原始图像作多于图像信号的奇异点，因此通过对原始图像作多尺度分解，然后检测这此模极大值点可以确定图尺度分解，然后检测这此模极大值点可以确定图像的边缘。像的边缘。3.胡学娟等提出来二次样条小波提取边缘算法，胡学娟等提出来二次样条小波提取边缘算法，该算法和该算法和Canny算子类似，都是先对图像进行平算子类似，都是先对图像进行平滑，再检测其模极大值但滤波器系数简单，计算滑，再检测其模极大值但滤波器系数简单，计算量小，且可以对图像进行多尺度的边缘检测，对量小，且可以对图像进行多尺度的边缘检测，对近红外图像进行功缘特征提取具有很好的效果。近红外图像进行功缘特征提取具有很好的效果。2.多尺度边缘检测的思想最初是山Rosenfcld提出的，因13三三.图像代数特征提取图像代数特征提取代数特征反映的是图像的一种内在属性代数特征反映的是图像的一种内在属性.从表示图从表示图像的矩阵中提取出的特征称为代数特征像的矩阵中提取出的特征称为代数特征.图像代数图像代数特征的提取是以存储图像数据的数据结构为基础，特征的提取是以存储图像数据的数据结构为基础，利用矩阵理论提取图像特征的一种方法利用矩阵理论提取图像特征的一种方法.主成分分析主成分分析(PCA)、线性判据分析、线性判据分析(LDA)、独立、独立成分分析成分分析(ICA)和奇异值分解和奇异值分解(SV D)是这种方法是这种方法的典型代表的典型代表.1.PCA在数字图像处理中也称为在数字图像处理中也称为Hotelling变换，而变换，而在通信理论中称为在通信理论中称为K-L变换变换.PCA己广泛应用于数据己广泛应用于数据压缩、图像处理、模式识别等领域压缩、图像处理、模式识别等领域.三.图像代数特征提取代数特征反映的是图像的一种内在属性.从表142.ICA最早是作为一种自源信号分离工具由最早是作为一种自源信号分离工具由Jutten和和Herault提出的提出的.通过通过PCA提取的图像特征是一种全局提取的图像特征是一种全局特征，为了更好地表小图像的特征，尤其是图像的特征，为了更好地表小图像的特征，尤其是图像的局部特征，局部特征，Bartlett和和Sejnowski提出了用提出了用ICA提取提取图像特征，就图像特征提取来说，图像特征，就图像特征提取来说，ICA与与PCA相比有相比有下列优点下列优点.1)ICA具有高阶去相关特性，而具有高阶去相关特性，而PCA只具有一阶只具有一阶去相关特性去相关特性;2)ICA具有比具有比PCA较强的图像局部特征表小能力较强的图像局部特征表小能力;3)通过通过ICA提取的图像特征具有较强的不变性提取的图像特征具有较强的不变性.2.ICA最早是作为一种自源信号分离工具由Jutten和H154.SVD是最重要的矩阵分解方法之一，它在信号处是最重要的矩阵分解方法之一，它在信号处理、控制论、数据建模等许多领域都有重要应用理、控制论、数据建模等许多领域都有重要应用.SVD方法提取出的特征具有许多优点，如稳定性，方法提取出的特征具有许多优点，如稳定性，旋转、平移不变性等旋转、平移不变性等.4.SVD是最重要的矩阵分解方法之一，它在信号处理、控制论16四四.图像变换系数特征提取图像变换系数特征提取 对图像进行各种滤波变换如对图像进行各种滤波变换如K-L变换、傅里叶变换、变换、傅里叶变换、小波变换、小波包变换等，可以将变换的系数作为小波变换、小波包变换等，可以将变换的系数作为图像的一种特征图像的一种特征.变换系数特征可以看作是二次提取变换系数特征可以看作是二次提取的特征的特征.也可以是变换系数的各种函数组合形式，如也可以是变换系数的各种函数组合形式，如提取主成份、提取小波能量等提取主成份、提取小波能量等.所以变换系数特征一所以变换系数特征一般具有表示能力强、特征维数低等特点，但是特征般具有表示能力强、特征维数低等特点，但是特征的语义不直观、需要先对分类识别的图像进行某种的语义不直观、需要先对分类识别的图像进行某种变换变换.1.小波分析已成功应用于图像处理小波分析已成功应用于图像处理(如图像去噪、如图像去噪、图像分割、图像融合等）、时间序列分析、语图像分割、图像融合等）、时间序列分析、语音识别等领域。音识别等领域。四.图像变换系数特征提取 对图像进行各种滤波变换如K-L变172.YU TAO等用中心投影变换和小波变换来提取等用中心投影变换和小波变换来提取图像特征，中心投影变换将二维模式变换为一维图像特征，中心投影变换将二维模式变换为一维模式，对得到的一维模式作小波变换得到不同的模式，对得到的一维模式作小波变换得到不同的子模式，从各个子模式提取，但分形特征的计算子模式，从各个子模式提取，但分形特征的计算比较复杂。比较复杂。3.蒋定定等提出了种基于小波变换的红外图像边蒋定定等提出了种基于小波变换的红外图像边缘提取算法，首先利用小波算法对红外图像进行缘提取算法，首先利用小波算法对红外图像进行滤噪，然后利用高斯函数作为平滑函数对图像进滤噪，然后利用高斯函数作为平滑函数对图像进行水平和垂直方向的小波变换，提取红外图像边行水平和垂直方向的小波变换，提取红外图像边缘特征。该方法较好地去除了噪声对边缘提取的缘特征。该方法较好地去除了噪声对边缘提取的影响，比较理想地提取出了红外图像的边缘影响，比较理想地提取出了红外图像的边缘2.YU TAO等用中心投影变换和小波变换来提取图像特征，中18谢谢！谢谢！19