图像匹配中特征点提取算法研究
、原始依据
1.工作基础
特征点是数字图像中重要的几何特征，特征点的准确提取对于图像处理和图像测量具有重要意义。Harris算子是C. Harris和J. Stephens在1988年提出的一种基于信号的点特征提取算子。Harris角点检测算法是一种非常经典的提取算法，这种算子受信号处理中自相关函数的启发。给出与自相关函数相联系的矩阵M。M阵的特征
值是自相关函数的一阶曲率，如果两个曲率值都高，则认为该点是特征点。Harris算
法具有计算简单、提取的角点特征均匀合理、可以定量提取特征点以及算子稳定的特点。
2?研究条件
系统的开发已经具备的外界条件是具有藏书丰富的天津大学仁爱学院图书馆，并
且随时可以得到指导老师的辅导和指点，系统开发所使用的电脑已经介入In ternet，能方便的在外网上进行查阅资料。开发环境是普通个人计算机，软件支持是Windows 系列的操作系统。
3?应用环境
论文在解决图像特征点的提取问题上积极应用并改进Harris算法，并运用多个不
同类型的图像实验比较算法的优缺点。
4.工作目的
掌握使用Harris算法提取图像特征点的方法以及Harris算法的原理。考证不同类型图像使用Harris算法提取图像特征点的优劣。
二、参考文献修改同开题
[1]陈利军.图像角点检测和匹配算法的研究[D].西安：西安电子科技大学，
2005. 163—168.
[2]李兰友，王学彬.Visual C#图像处理程序设计实例[M].北京：北京国防工业出版社，2003. 88—
102.
[3]李玲玲，李印清.图像配准中角点检测算法的研究与比较[J].郑州：郑州航空工业管理学院学报
(社会科学版)，2006, 25(2): 190—192.
[4]W ANG Wei ，TANG Yi-ping. Image Corner Detection Technique Research on Machine Vision[R] . Beijing :
National Natural Scienee Foundation of China 2006. 46—58.
⑸Kitchen L，Rosenfeld A. Gray -Level Corner Detection[J]. Netherlands： Pattern Recog ni tion Letters，
1982，13(2)：163—175.
[6]Moravia HP . Towards Automatic Visual Obstacle Avoidance[C]. Proceedings of
International Joint Conference on Artificial Intelligenee, Cambridge, MA . USA:
1977. 10—12.
[7]Smith S M. Brady M. SUSAN-a New Approach to Low Level Image Processi ng
[J] .In ternatio nal Journal of Computer Version 1997, 23(1): 45—78.
[8]王展，皇普堪，万建伟.基于多尺度小波变换的二维图像角点检测技术[J].北京: 国防科技大学学
报，1999, 8(3): 122—125.
[9]杨莉，初秀琴，李玉山.最小亮度变化角点自适应检测算法研究[J].西安：西安
电子科技大学学报.2003, 30(4): 530—533.
[10]陈白帆，蔡自兴.基于尺度空间理论的Harris角点检测[J].中南大学学报(自然
科学版)，2005, 15(3): 187—192.
三、设计(研究)内容和要求
1 .设计内容
利用Harris算法提取图像特征点，对比其他经典算法具体体现该算法的优越性，在角点检测系统中，基于图像匹配从参数对角点检测的影响、算法运行时间、识别角
点数目以及算子的抗噪能力等几个方面对Harris角点检测算法和其他经典算法进行
对比实验，然后分别作了对应的分析。经过实验分析得出Harris算子是用于图像匹配最适合的角点检测算法。
2.主要指标与技术参数
做出Harris算法与另外两种经典算法的对比试验，通过实现深入研究该算法。
3.具体要求
主要对Harris算法进行理论分析，并且基于C #实现这种算子的角点检测系统。同时对比分析SUSAN和MIC这另外两种经典算法来进一步研究Harris算法的优越性。
指导教师(签字)
年月日
审题小组组长(签字)
年月日
天津大学仁爱学院本科生毕业设计（论文）开题报告
、课题的来源与意义
出版社，2003. 88—102.
[3]李玲玲，李印清.图像配准中角点检测算法的研究与比较[J].郑州：郑州航空
工业管理学院学报(社会科学版)，2006, 25(2): 190—192.
[4]WANG Wei , TANG Yi-ping. Image Corner Detection Technique Research on
Machine Vision[R] . Beijing : National Natural Scienee Foundation of China 2006. 46—58.
⑸Kitchen L , Rosenfeld A. Gray -Level Corner Detection[J]. Netherlands：
Pattern Recog ni tion Letters 1982, 13(2): 163—175.
[6]Moravia HP . Towards Automatic Visual Obstacle Avoidance[C]. Proceedings of
International Joint Conference on Artificial Intelligenee, Cambridge, MA . USA: 1977. 10—12. [7]Smith S M. Brady M. SUSAN-a New Approach to Low Level Image Processi ng
[J] .In ternatio nal Journal of Computer Version, 1997, 23(1): 45—78.
[8]王展，皇普堪，万建伟.基于多尺度小波变换的二维图像角点检测技术[J].北
京：国防科技大学学报，1999, 8(3): 122—125.
[9]杨莉，初秀琴，李玉山.最小亮度变化角点自适应检测算法研究[J].西安：西
安电子科技大学学报.2003, 30(4): 530—533.
[10]陈白帆，蔡自兴.基于尺度空间理论的Harris角点检测[J].长沙：中南大学学
报(自然科学版)，2005, 15(3): 187—192.
选题是否合适：是口否口
课题能否实现：能口不能口
指导教师（签字）年月日
选题是否合适：是口否口课题能否实现：能口不能口
审题小组组长（签字）年月日
图像匹配中特征点提取算法研究
摘要
图像匹配广泛应用于计算机视觉、目标识别、医学图像处理、遥感等领域。特
征点的选择是基于点特征匹配算法的一个关键步骤，是机器视觉的关键技术之一。在
所有的特征点检测方法的研究中，以角点检测方法的研究最受关注。文章对图像匹配中角点检测算法的理论进行了回顾以及总结，主要对Harris, SUSAN，MIC三种经
典算法进行了理论分析，并且基于C#实现了这三种算子组成的角点检测系统。本文
的重点内容是在角点检测系统中，基于图像匹配从参数对角点检测的影响、算法运行时间、识别角点数目以及算子的抗噪能力等几个方面对三种经典的角点检测算法进行对比实验，然后分别作了对应的分析。经过实验分析得出Harris算子是用于图像匹配最适合的角点检测算法。
关键词：角点检测；Harris；SUSAN; MIC
Feature-points Extractio n Algorithm
Research in Image Match ing
Abstract: Image match ing is widely used in computer visio n, target ide ntificatio n, medical image disposal,remote sensing etc..Selecting the feature-points is a key step in image matchi ng based on point ' s feature,a nd it is one of the key tech niq ues in mach ine visi on. The research of corner detect ion abta ins the furthest atte nti on in all detecti on methods to the feature-poi nts.This paper attempts to review and summarize the theoreticses of the corner detect ion methods in image matchi ng,ma in ly an alyses the theories of the 3 classical corner detect ion algorithms,Harris,SUSAN and MIC.A corner detect ing system which is based on the C# is complete.A nd the system is composed with the above 3 classical corner detect ion algorithms.The paper ' s primary content is that taking contrastive experiments about the 3 classical corner detection algorithms in some aspects,such as the parameter effect to the ' s corner detecti on ,the run time of the arithmetic,the nu mber of recog ni sed corners and the ability of an ti-no ise and so on based on image matchi ng in this system,a nd the n respectively make corresp onding an alyses.The result shows that the Harris arithmetic is the best appropriate corner detect ion algorithm in image matchi ng.
Key words: corner detection, Harris, SUSAN, MIC
第1章绪论 (1)
1.1课题背景介绍 (1)
1.2计算机视觉及图像匹配概述 (1)
1.3 角点检测的研究现状 (2)
1.4本论文研究内容和章节安排 (3)
第2章二维图像特征点提取技术 (4)
2.1特征点的定义分类及角点的引出 (4)
2.1.1特征点的定义及分类 (4)
2.1.2角点的引出 (4)
2.2二维图像角点检测 (5)
2.2.1二维图像角点检测准则 (5)
2.2.2二维图像角点检测技术 (5)
第3章经典角点检测算法 (7)
3.1Harris角点检测算法 (7)
3.2SUSAN角点检测算法 (11)
3.3MIC角点检测算法 (13)
第4章系统实现 (16)
4.1开发环境及语言 (16)
4.2系统框架及算法实现 (16)
4.2.1系统框架 (16)
4.2.2算法实现 (17)
4.2.3流程图 (19)
4.3部分功能代码 (23)
第5章基于系统的三种检测算法的实验 (25)
5.1检测图像的选择 (25)
5.2参数对算法的影响 (26)
5.2.1 参数的经典范围 (26)
522不同参数下的实验 (27)
523参数对角点提取的影响 (28)
5.3执行时间及角点数目检测实验 (31)
5.3.1相关实验 (31)
5.3.2实验结果分析 (33)
5.4各种算子的抗噪性 (35)
5.4.1相关实验 (35)
5.4.2实验结果分析 (36)
5.5 算法的比较及分析 (36)
结论 (38)
致谢 (40)
参考文献 (39)
第1章绪论
1.1课题背景介绍
机器视觉被广泛应用于工业自动化生产，宇航航空，医学图像分析，机器人自动
导航，交通安全以及国防。双目视觉测量技术是机器视觉的热点技术之一，它可以快
速准确地获得被测物体表面的点云数据，是逆向工程的前提。图像匹配中特征点提取
算法是机器视觉的关键技术之一，目前广泛应用于虚拟现实、视频压缩、图像复原、图像数据库检索等技术中。近20年来，特征点的提取受到了研究者们的广泛关注。在所有的特征点检测方法的研究中，以角点检测方法的研究最受亲睐。本题目为国家中小企业创新基金项目(06C26225100462提供支持。
1.2计算机视觉及图像匹配概述
计算机视觉是人类视觉的模拟。客观世界是一个三维的空间世界，而人眼所获得的景物图像都是二维的。但是人的视觉系统具有将获取的图像信息转变为立体视图的功能，能从二维图像中感受三维世界，获得三维信息。立体视觉正是根据这个原理，探求从2D图像中恢复3D空间信息的方法，达到从图像认识世界的目的［14］。
作为一门学科，计算机视觉开始于50年代末60年代初，四十多年的发展至今仍然没有统一的理论。50年代末60年代初的研究重要集中在二维景物图像的分析。在计算机视觉的基本研究中的许多重要进展是在80年代取得的。这个时期Marr提出了第一个计算机视觉领域的理论框架一一计算机视觉理论⑹。人们普遍认为，计算机视觉这门科学的形成与Marr的视觉理论有着密切的关系。这一理论把视觉过程看作一个信息处理的过程，并提出对于信息处理过程的研究应该分为三个不同的层次，即计
算理论层次，表达与算法层次，硬件实现层次。这一理论强调视觉的目的是从图像中建立物体形状和位置的描述，把视觉过程主要规定为从二维图像信息中定量地恢复出图像所反映场景中的三维物体的形状和空间位置，即3D重建(reconstruction)。Marr
建立的视觉计算理论，是视觉研究中迄今为止最为完善的视觉理论，使计算机视觉研
究有了一个比较明确的体系，大大推动了计算机视觉研究的发展。
现在计算机视觉已成为一门不同于人工智能、图像处理、模式识别等相关领域的成熟学科。已经吸引了来自各个学科的研究者参加到对它的研究之中。其中包括计算
机科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认知科学等。同时，视觉也是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能、自主系统中不可分割的一部分。
图像匹配是图像分析和处理的基本问题，是三维重建方面的关键技术之一。图像匹配可以认为是在不同时间或相同时间、从不同视角或相同视角对同一场景拍摄的两幅或者多幅图像进行的空间域上的匹配过程⑷。简单地说，图像匹配就是建立两幅图像之间的对应关系，确定相应的几何变换参数，对两幅图像中的同一目标进行匹配。将图像特征从一幅图像到另一幅图像匹配起来，这个过程称为序列图像特征的跟踪，也可以称为序列图像的匹配。
图像的匹配是许多计算机视觉应用的基础，如摄像机定标、三维重建、目标的识别和跟踪等。近几年在许多领域中，都对图像配准进行了大量的研究，比较有代表的是：模式识别、自动导航、遥感领域、医学诊断、计算机视角等。由于拍摄时间、拍摄角度、自然环境的变化、多种传感器的使用和传感器本身的缺陷，使拍摄的图像不仅受到噪声的影响，而且存在严重的灰度失真和几何畸变。在这种条件下，匹配算法如何达到精度高、匹配正确率高、速度快、鲁棒性和抗干扰性强以及并行实现成为人们追求的目标。
由于本设计主要是对角点检测技术的学习和研究，所以对计算机视觉以及图像匹配等方面就不再作过多的介绍。
1.3角点检测的研究现状
在基于特征点的图像匹配中，特征点的提取是最重要却又是最困难的一步。实际应用中，有时是由人工来选择特征点的。人工的方法需要由有经验的专家来进行，当要选择的特征点较多时，费时费力且易于出现差错。所以，近20年来，研究自动提
取图像中的特征点一直受到研究者们的关注。前文也已经提到，目前在所有的特征点
检测方法的研究中，角点因具有信息量丰富、便于测量和表示、旋转不变和不随光照条件改变而变化而成为许多特征匹配算法的首选［5］。
在一些应用中使用角点进行处理，可以减少参与计算的数据量，同时又不损失图像的重要灰度信息，而且角点在图像匹配中也有很重要的意义，利用角点特征进行匹配可以大大提高匹配的速度。角点作为输入可应用于3D建模、3D对象跟踪等领域，尤其在实时处理中有很高的应用价值。在实现摄影测量自动化和遥感影像匹配中，提取角点特征具有重要意义。
1.4本论文研究内容和章节安排
本文详细介绍了各种二维图像角点检测方法，并主要针对三种经典的角点检测方法，对其进行了归纳和分类。同时基于C#实现了这三种算法的相应程序的编写，并基于这个系统将这三种经典的角点检测算法进行了对比，分析各种算法的效果。
论文章节安排如一下：
第一章在绪论中介绍了计算机视觉和角点检测的研究现状。
第二章分析总结了二维图像特征点提取技术。
第三章给出了三种经典的角点检测算法的原理。
第四章学习了实现算法的开发环境以及语言基础。给出了算法的流程以及系统的框架，并且基于该语言环境实现了三种算法的实验系统。
第五章对三种检测算法进行各方面的实验以及对实验结果的进行了比较分析。
最后，作为本文的结束语，对全文的工作进行了总结。
第2章二维图像特征点提取技术
2.1特征点的定义分类及角点的引出
2.1.1特征点的定义及分类
特征点是用来表征邻域局部特性的位置度量，它用来作为具有一定特征的局部区域位置的标识。在一些文献中特征点也被称为兴趣点(In terest ing Point)或者是显著点(Significant Point)。我们将其理解为在图像中易于标识的点，如角点、直线交叉点、T
型交汇点、高曲率点及特定区域的中心、重心等［10］。
特征点分为狭义特征点和广义特征点两种类型。狭义特征点是针对点本身来定义的，狭义特征点的位置本身具有常规的属性意义，如边缘点、角点、交叉点、分支点等。而广义特征点是基于区域定义的，它本身的位置不必具备特征意义，它只表示满
足一定特征条件的某个特征区域的一个相对位置［18］ 0因此，从本质上说广义特征点其实就是一个特征区域，它的属性就是特征区域的属性。称其为点，是将其抽象为一个位置的概念，目前在模式识别及计算机视觉中定义的特征点，基本上都是狭义特征点。本论文所涉及的特征点为狭义上的角点。在以后的叙述中就直接使用角点这个词来描述特征点。
2.1.2角点的引出
角点是特征点的一种，是指沿图像边缘曲线上的具有曲率局部极大值的点，或在
一定条件下可以放宽为曲率大于一定阈值的点。可以认为，角点指示了图像上在二维
空间内灰度变化剧烈的位置，和周围的邻点有着明显差异。直观地讲，角点是指在至少两个方向上图像灰度变化均较大的点。在实际图像中，轮廓的拐角、线段的末端等
都是角点。
2.2二维图像角点检测
2.2.1二维图像角点检测准则
好的特征点提取算法提取出来的特征点应当满足两个条件：
(1)特征点的重复度高，即在不同条件下拍摄的两幅图像中抽取的特征点具有高的一致性与稳定性。
(2)特征点所包含的信息量大，也就是说被抽取的点很突出，能够有效地反映物体形状的主要结构信息。
衡量角点检测算法性能的准则⑹主要有以下四个：
(1)检测准确性：不计噪声，即使最细小的角点，角点检测算法也应该可以检测到。
⑵定位性：检测到的角点应尽可能接近它们的真实位置。
(3)稳定性：对相同场景拍多幅照片时，每一个角点的位置都不应该移动。
(4)复杂性：检测算法的复杂性越小，运行速度就越快，自动化程度就越高。
为了有效地匹配两幅图像，特征点的提取算法还应该具有旋转平移不变性，并且
在发生小的尺度变化和透视形变时，能够检测出相同位置特征点。
2.2.2二维图像角点检测技术
二维图像角点检测在计算机视觉和图像理解领域起着很重要的作用。
目前二维角点的检测主要分为两大类：一类是基于图像边缘的角点提取算法，第
二类是直接基于图像灰度的角点检测[11] 0
早期的角点检测方法即是基于图像边缘的角点提取算法，角点是一种边缘上的点，它是一种特殊的边界点，即两条以上边界的交点。其方法是，首先对图像进行区域分割，通过链码提取边界，然后在边界上寻找方向变化较快的点。这种方法在很大程度上依赖于图像分割的效果，如果提取的边缘发生错误，或是边缘线发生中断，则对角点的提取结果将造成较大影响，而边缘提取本身就是一项比较复杂的工作，同时这类算法的计算复杂度很高。后来出现了一种基于尺度空间描述的角点检测算法。这
种算法首先使用canny检测器从原始图像中检测边缘，先使用高尺度得到候选角点，然后逐步减少尺度，在多个低尺度处跟踪改善角点位置的方法提高角点检测的精度。
在这个算法的基础上，又出现了一种基于多尺度滤波的角点检测方法，目的是为了降
低角点检测过程中对噪声的敏感性，其思想是使用大小不同的高斯窗对边界进行卷积运算，然后计算各边界点曲率值，并查询极值点，从而确定角点的位置。
近年来提出的角点检测方法大多是基于灰度图像的角点检测。基于灰度图像的角
点检测，分为基于梯度的方法、基于二值图像、基于轮廓曲线的角点检测[11] 0 基于灰度图像的角点检测定义角点是局部内灰度和梯度变换剧烈的极大点，所以
这类算法所应用的手段主要是通过计算曲率及梯度来达到检测角点的目的。由于它不
需要进行边缘提取工作，所以在实际中得到了广泛的应用。主要分为两类：基于模板的角点检测算法和基于几何特征的角点检测算法。
基于模板的角点检测算法主要考虑像素邻域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。一般首先建立一系列具有不同角度的角点模板，然后在一定的窗口内比较待测图像与标准模板之间的相似程度，以此来检测图
像中的角点。出于角点结构的复杂性，不可能设计覆盖所有方向和角点的模板，这一
类角点检测方法计算量大且比较复杂。
基于几何特征的角点检测方法主要是通过计算像素的微分几何特征来进行角点检测。其中较为典型的有Kitchen和Rosenefeld提出的基于局部梯度幅值和边界上梯度方向改变率的角点检测算法。这种方法是通过计算边缘的曲率来判断角点的存在性，角点计算数值的大小不仅与边缘强度有关，而且与边缘方向的变化率有关，使用
了图像亮度二阶导数，对噪声比基于模板的角点检测方法对噪声更为敏感。Wang和
Brady提出了一种基于表面曲率的角点检测算法。为了改善角点检测的稳定性，首先将图像与高斯滤波器卷积，然后计算整个图像的表面曲率，当曲率高于一定阈值，并为局部最大值的点被认为是候选角点。Wang 的算法性能满足实时算法的需求，可用
于运动估计的实时角点检测。
另外一类基于几何特征的检测方法为自相关角点检测算法。自相关角点检测算法
是基于几何特征的检测方法的其中一种算法。这类算子不同于一般角点的直观定义，它们认为与邻域有较大的亮度差，或其局部自相关亮度值较大的像素点为角点。经典
的算法包括Harris、SUSAN、MIC等算子。这也是本次设计的核心内容，将在以下的章节中具体描述。
第3章 经典角点检测算法
3.1 Harris 角点检测算法
Harris 角点检测算法由 Chris Harris 和Mike Stephens 在1988年提出。Harris 算法 的前身是Morave 算法，因此本文先介绍Moravec 角点检测算子。
在Moravec 算法中，图像中的一个像素点的灰度变化（以E 表示）是以当前的像素 点为中心取一个大小为3x3（或者是5x5, 7x7）像素的相关窗，并分别向八个主方向冰 平、垂直、和四个对角方向）把相关窗移动一个像素，统计每次移动后窗内所有像素 点的灰度平方和的变化。当前像素点的灰度变化取值为这八个方向变化的最小值 ［13］。?
图3-1 相关窗的四种不同位置
图（3-1）中是四种不同类型的位置，位置（a ）是在一个物体的内部，假定内部的灰 度是不变的，所以无论如何移动相关窗，它的灰度变化都很小；位置
（b ）表示当前像 素点位于边缘处，如果移动相关窗的方向和边缘垂直导致灰度变化会很大， 如果沿着
边缘移动其灰度变化会很小；（c ）和（d ）的情况都对应一个真实的角点的位置。（c ）对应 一个角点，而（d ）对应一个孤立点，不管如何移动相关窗，其灰度变化值都会很大。 但是它可能对孤立的像素比较敏感。
Moravec 角点检测算子可以简单描述为：在角点的某个领域内，亮度的变化在任 意一条通过该点的直线上都很大。 对每一个待检测的像素点取窗口，从八个方向来计 算这个像素的非正则化自相关值，并且选择最小值作为这个像素点的角点响应函数。
Moravec 算法如下［13］（假设图像中坐标为（x, y ）的像素点的灰度为I （x, y ））
：
(d)
天津大学仁爱学院
图3-2不同方向对应的u ,v 值
1) 对图像中的每个像素点计算向各个方向移动相关窗后的灰度变化：
_ _2
E u,v - 1 x u a,y v b _ 1 x a,y b |
V ，b 」
其中,(u, v)为(1,0 )，(1,1), (0,1), (-1,1)，(-1,0), (-1,-1)，(0,-1), (1,-1)；
2) 计算每一个像素(x, y)的角响应函数R ：
R = min (E u,v ) 3) 将角响应函数值低于阈值 T 的像素点置零；
4) 进行非最大值抑制(non-maximum suppression NMS)，则角响应函数中所有 非零像素为角点。 以下是Moravec 算子存在的一些问题和 Harris 等人给出相应的解决措施。
1、Moravec 算子是各向异性的，因为它只是每隔 45度取一个方向，离散的计算了八 个方向的灰度变化。可以通过将区域变化式E 扩展，将所有方向的小的偏移表现出来 ⑹.
E 的含义是在点(x, y)处移动一个(u, v)小窗口所发生的亮度变化值。式(3-3)的本质 其实就是
二维信号的自相关。
对于x 方向的移动，(u, v)=(1,0)，对于y 方向的移动，(u, v)=(0,1)。这样就可以精 确的估计
出灰度的变化。对Moravec 算子展开以后得到的等式和 (3-3)除了有一些高 阶的导数被Harris 忽略外是完全相同的。通过选择合适的(u, v) Harris 算子可以度量任 何方向的灰度变化。
对于给定的方向，u 和v 即是从原点到斜边的直线在x 方向和y 方向的距离，如 图3-2所
示［
13］。
(3-1) (3-2)
E u ,v 二 ' _I u x ,v y u,v ■
(3-3)
(3-9)
2、由于Moravec 算子中采用的相关窗是方形窗且窗内权值不变，对灰度变化的估计 容易受到噪声的干扰。而且采用方形窗也导致在不同的方向上从中心像素到窗各边的 距离是不同的。窗内采用相同的权值忽略了各个像素到中心像素点的距离因素。 Moravec 算子的两个局限可以通过高斯窗来解决 ⑸：
式中「为高斯窗口的宽度， > 为高斯方差。
因此，对于小的偏移量，变化 E 能够写成：
E u,v 八 W x,y IxX yYf
(3-5)
X 、Y 分别对应水平方向和竖直方向的一阶导数⑹： X = I ： (-1,0,1) ： / 沁
Y = 1 ： (-1,0,仔：「I /：：v
由式(3-5)可将E 表达为：
E u,v =瓦 w x ,y 、看 +Y 2v 2 +2XYuv]
E u,v =Au 2 +2Cuv + Bv 2 (3-7)
其中：
2
B w
C =(XY)： w
3、因为仅仅考虑E 的最小值，所以Moravec 算子对边缘响应很敏感。所以重新定义
能利用E 在任何方向变化的角点准则。
对于小的偏移(u, v)，将式(3-5)进行泰勒级数展开，并忽略高阶项变化
E 能够精确地
写成：
E u 厂(u,v)M(u,v)T (3-8) 式中矩阵M 为2x2的对称矩阵：
= exp_
(x —》2 (八岁
2^ (3-4)
2
A = X2： w
(3-10)
关于图像特征提取
关于图像特征提取 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时，假如特征提取需要许多的计算时间，而可以使用的时间有限制，一个高层次算法可以用来控制特征提取阶层，这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤，因此有大量特征提取算法被发展，其提取的特征各种各样，它们的计算复杂性和可重复性也非常不同。 边缘 边缘是组成两个图像区域之间边界（或边缘）的像素。一般一个边缘的形状可以是任意的，还可能包括交叉点。在实践中边缘一般被定义为图像中拥有大的梯度的点组成的子集。一些常用的算法还会把梯度高的点联系起来来构成一个更完善的边缘的描写。这些算法也可能对边缘提出一些限制。 局部地看边缘是一维结构。 角 角是图像中点似的特征，在局部它有两维结构。早期的算法首先进行边缘检测，然后分析边缘的走向来寻找边缘突然转向（角）。后来发展的算法不再需要边缘检测这个步骤，而是可以直接在图像梯度中寻找高度曲率。后来发现这样有时可以在图像中本来没有角的地方发现具有同角一样的特征的区域。 区域 与角不同的是区域描写一个图像中的一个区域性的结构，但是区域也可能仅由一个像素组成，因此许多区域检测也可以用来监测角。一个区域监测器检测图像中一个对于角监测器来说太平滑的区域。区域检测可以被想象为把一张图像缩小，然后在缩小的图像上进行角检测。 脊 长条形的物体被称为脊。在实践中脊可以被看作是代表对称轴的一维曲线，此外局部针对于每个脊像素有一个脊宽度。从灰梯度图像中提取脊要比提取边缘、角和区域困难。在空中摄影中往往使用脊检测来分辨道路，在医学图像中它被用来分辨血管。 特征抽取 特征被检测后它可以从图像中被抽取出来。这个过程可能需要许多图像处理的计算机。其结果被称为特征描述或者特征向量。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特
图像中角点(特征点)提取与匹配算法
角点提取与匹配算法实验报告 1 说明 本文实验的目标是对于两幅相似的图像，通过角点检测算法，进而找出这两幅图像的共同点，从而可以把这两幅图像合并成一幅图像。 下面描述该实验的基本步骤: 1.本文所采用的角点检测算法是Harris 角点检测算法，该算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并用解析形式表达。设以像素点(x,y)为中心的小窗口在X 方向上移动u ，y 方向上移动v ，Harris 给出了灰度变化度量的解析表达式： 2 ,,|,|,,()(x y x y x u y v x y x y I I E w I I w u v o X Y ??= -=++??∑∑ (1) 其中，,x y E 为窗口内的灰度变化度量；,x y w 为窗口函数，一般定义为2 2 2 ()/,x y x y w e σ +=； I 为图像灰度函数，略去无穷小项有： 222222 ,,[()()2]2x y x y x y x y E w u I v I uvI I Au Cuv Bv = ++=++∑ （2） 将,x y E 化为二次型有： ,[]x y u E u v M v ?? =???? (3) M 为实对称矩阵： 2 ,2 x y x x y x y y I I I M w I I I ???= ???????∑ (4) 通过对角化处理得到： 11 ,200x y E R R λλ-??= ??? (5) 其中，R 为旋转因子，对角化处理后并不改变以u,v 为坐标参数的空间曲面的形状，其特征值反应了两个主轴方向的图像表面曲率。当两个特征值均较小时，表明目标点附近区域为“平坦区域”；特征值一大一小时，表明特征点位于“边缘”上；只有当两个特征值均比较大时，沿任何方向的移动均将导致灰度的剧烈变化。Harris 的角点响应函数(CRF)表达式由此而得到： 2 (,)det()(())C RF x y M k trace M =- (6)
图像特征提取方法
图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。
设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的
数字图像目标分割与提取研究背景意义目的与现状
数字图像目标分割与提取研究背景意义目的与现状 1 背景 数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。 由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域[1]。近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的推动作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 从图像处理技术的发展来看，实时性在实际中有着广泛的应用。实时图像处理系统设计的难点是如何在有限的时间内完成大量图像数据的处理。因为要对图像进行实时处理,所以为了实现实时和快速,高效的处理,在这个系统中要求我们的图像处理速度要达到一定的速度，而图像处理的速度是由算法的执行时间、视频输入输出延迟以及外部数据存储器与DSP的数据交换效率等因素决定。算法执行时间与CPU 速度有关;图像处理的速度既图像处理所要用的时间，它主要是由算法决定的。算法执行的指令的多少决定了处理速度。而图像的处理的算法包含有大量的算法指令，为了快速的处理大数据量的多媒体信息，特别是活动图像信息，同时又能灵活的支持多种不同的应用，DSP的应用势在必行。相比于通用的DSP，用于多媒体应用的专用DSP集成了许多专用模块，这些模块用硬件加速很多通用的多媒体方面的大量算法明晰的处理、实时性强等要求.由于图像处理的数据量大，数据处理相关性高，实时的应用环境决定严格的帧、场时间限制，因此实时图像处理系统必须具有强大的运算能力。各种高性能DSP不仅
图像颜色特征提取原理
一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为:
SIFT 特征提取算法详解
SIFT 特征提取算法总结 主要步骤 1)、尺度空间的生成； 2)、检测尺度空间极值点； 3)、精确定位极值点； 4)、为每个关键点指定方向参数； 5)、关键点描述子的生成。 L(x,y,σ), σ= 1.6 a good tradeoff
D(x,y,σ), σ= 1.6 a good tradeoff
关于尺度空间的理解说明：图中的2是必须的，尺度空间是连续的。在 Lowe 的论文中， 将第0层的初始尺度定为1.6，图片的初始尺度定为0.5. 在检测极值点前对原始图像的高斯平滑以致图像丢失高频信息，所以Lowe 建议在建立尺度空间前首先对原始图像长宽扩展一倍，以保留原始图像信息，增加特征点数量。尺度越大图像越模糊。 next octave 是由first octave 降采样得到（如2） ， 尺度空间的所有取值，s为每组层数，一般为3~5 在DOG尺度空间下的极值点 同一组中的相邻尺度（由于k的取值关系，肯定是上下层）之间进行寻找
在极值比较的过程中，每一组图像的首末两层是无法进行极值比较的，为了满足尺度 变化的连续性，我们在每一组图像的顶层继续用高斯模糊生成了 3 幅图像， 高斯金字塔有每组S+3层图像。DOG金字塔每组有S+2层图像.
If ratio > (r+1)2/(r), throw it out (SIFT uses r=10) 表示DOG金字塔中某一尺度的图像x方向求导两次 通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度）？
直方图中的峰值就是主方向，其他的达到最大值80%的方向可作为辅助方向 Identify peak and assign orientation and sum of magnitude to key point The user may choose a threshold to exclude key points based on their assigned sum of magnitudes. 利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备 旋转不变性。以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度 方向。梯度直方图的范围是0～360度，其中每10度一个柱，总共36个柱。随着距中心点越远的领域其对直方图的贡献也响应减小.Lowe论文中还提到要使用高斯函 数对直方图进行平滑，减少突变的影响。
图像分割和特征提取技术研究
毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
图像处理技术的研究现状和发展趋势
图像处理技术的研究现状和发展趋势 庄振帅 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（Computer Tomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学过程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开
SIFT特征点提取与匹配算法
SIFT 特征点匹配算法 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能相对高效地计算出关键点的位置，建议使用的是差分高斯函数（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。
数字图像处理技术的研究现状及其发展方向
目录 绪论 (1) 1数字图像处理技术 (1) 1.1数字图像处理的主要特点 (1) 1.2数字图像处理的优点 (2) 1.3数字图像处理过程 (3) 2数字图像处理的研究现状 (4) 2.1数字图像的采集与数字化 (4) 2.2图像压缩编码 (5) 2.3图像增强与恢复 (8) 2.4图像分割 (9) 2.5图像分析 (10) 3数字图像处理技术的发展方向 (13) 参考文献 (14)
绪论 图像处理技术基本可以分成两大类：模拟图像处理和数字图像处理。数字图像处理是指将图像信号转换成数字信号并利用计算机进行处理的过程。其优点是处理精度高，处理内容丰富，可进行复杂的非线性处理，有灵活的变通能力，一般来说只要改变软件就可以改变处理内容。困难主要在处理速度上，特别是进行复杂的处理。数字图像处理技术主要包括如下内容：几何处理、算术处理、图像增强、图像复原、图像重建、图像编码、图像识别、图像理解。数字图像处理技术的发展涉及信息科学、计算机科学、数学、物理学以及生物学等学科，因此数理及相关的边缘学科对图像处理科学的发展有越来越大的影响。 数字图像处理的早期应用是对宇宙飞船发回的图像所进行的各种处理。到了70年代，图像处理技术的应用迅速从宇航领域扩展到生物医学、信息科学、资源环境科学、天文学、物理学、工业、农业、国防、教育、艺术等各个领域与行业，对经济、军事、文化及人们的日常生活产生重大的影响。 数字图像处理技术发展速度快、应用范围广的主要原因有两个。最初由于数字图像处理的数据量非常庞大，而计算机运行处理速度相对较慢，这就限制了数字图像处理的发展。现在计算机的计算能力迅速提高，运行速度大大提高，价格迅速下降，图像处理设备从中、小型计算机迅速过渡到个人计算机，为图像处理在各个领域的应用准备了条件。第二个原因是由于视觉是人类感知外部世界最重要的手段。据统计，在人类获取的信息中，视觉信息占60％，而图像正是人类获取信息的主要途径，因此，和视觉紧密相关的数字图像处理技术的潜在应用范围自然十分广阔。近年来，数字图像处理技术日趋成熟，它广泛应用于空间探测、遥感、生物医学、人工智能以及工业检测等许多领域，并促使这些学科产生了新的发展。 1数字图像处理技术 1.1数字图像处理的主要特点 (1)目前数字图像处理的信息大多是二维信息，处理信息量很大，因此对计
图像特征提取总结
图像常见特征提取方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实
SIFT特征点提取与匹配算法
二 特征点提取算法 1、基于SIFT （Scale Invariant Feature Transform ）方法的图像特征匹配 参看David G. Lowe 的“Distinctive Image Features from Scale-Invariant Keypoints ” 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能计算的相对高效，所真正使用的是差分高斯尺度空间（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是由两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。
数字图像处理技术的现状及其发展方向(笔记)
数字图像处理技术的现状及其发展方向 一、数字图像处理历史发展 数字图像处理(Digital Image Processing)将图像信号转换成数字信号并利用计算机对其进行处理。 1.起源于20世纪20年代。 2.数字图像处理作为一门学科形成于20世纪60年代初期，美国喷气推进 实验室(JPL)推动了数字图像处理这门学科的诞生。 3.1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计 算机断层摄影装置即CT(Computer Tomograph)，1975年EMI公司又成功研制出全身用的CT装置,获得了人体各个部位鲜明清晰的断层图像。 4.从70年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速 发展,数字图像处理向更高、更深层次发展，人们已开始研究如何用计算机系统解释图像,实现类似人类视觉系统理解外部世界，其中代表性的成果是70年代 末MIT的Marr提出的视觉计算理论。 二、数字图像处理的主要特点 1．目前数字图像处理的信息大多是二维信息,处理信息量很大,对计算机的计算速度、存储容量等要求较高。 2.数字图像处理占用的频带较宽,在成像、传输、存储、处理、显示等各个环节的实现上,技术难度较大,成本也高,这就对频带压缩技术提出了更高的要求。 3.数字图像中各个像素是不独立的,其相关性大。因此,图像处理中信息压缩的潜力很大。 4.由于图像是三维景物的二维投影,一幅图像本身不具备复现三维景物的全部几何信息的能力,要分析和理解三维景物必须作合适的假定或附加新的测量。在理解三维景物时需要知识导引,这也是人工智能中正在致力解决的知识工程问题。 5．一方面，数字图像处理后的图像一般是给人观察和评价的,因此受人的因素影响较大，作为图像质量的评价还有待进一步深入的研究；另一方面，计算 机视觉是模仿人的视觉,人的感知机理必然影响着计算机视觉的研究,这些都是 心理学和神经心理学正在着力研究的课题。 三、数字图像处理的优点 1.再现性好；图像的存储、传输或复制等一系列变换操作不会导致图像质 量的退化。 2.处理精度高；可将一幅模拟图像数字化为任意大小的二维数组,现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高。 3.适用面宽；图像可以来自多种信息源，图像只要被变换为数字编码形式后,均是用二维数组表示的灰度图像组合而成,因而均可用计算机来处理。 4.灵活性高；数字图像处理不仅能完成线性运算,而且能实现非线性处理, 即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。
图像特征提取及识别过程
纹理特征是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理分类与分割是图像处理领域一个经久不衰的热点研究领域,纹理特征提取作为纹理分类与分割的首要问题，一直是人们关注的焦点，各种纹理特征提取方法层出不穷。 本文在广泛文献调研的基础上，回顾了纹理特征提取方法的发展历程，分析了其研究现状，对纹理特征提取方法进行了较为全面的综述和分类，最后重点研究了基于灰度共生矩阵的图像纹理提取方法，研究如何有效地提取图像纹理特征来对图像进行描述，通过特征值来对图像进行识别。 灰度共生矩阵是一种简单有效的图像纹理特征描述方法，该方法的优势在于：它能利用了图像中像素相对位置的空间信息更加准确地描述图像的纹理，本 文就是利用图像灰度共生矩阵的这一特性，从该矩阵中提取相应的统计参量作为纹理特征来实现对图像的识别。 关键字：灰度共生矩阵，纹理特征提取，图像识别
ABSTRACT Texture is a kind of importa nt visual clues in images , it is widespread but cannot easy to be described . Texture classification and segmentation is a enduring popular research field in image process ing area. Texture feature extract ion has bee n the focus of attention,due to its priority to texture classification and image segmentation. all sorts of texture feature extracti on methods has bee n emerged in en dlessly. On the basis of exte nsive literature inv estigati on, we review the texture feature extract ion methods, an alyze the developme nt of the research status of the texture feature extracti on methods and make a comprehe nsive review of its classificati on . Fin ally ,based on gray symbiotic matrix image problem extracti on methods,we research how to effectively extract image texture feature described by the image characteristic value to image recog niti on. Graylevel co-occurre nee matrix is a simple and effective image texture descripti on method.This method's advantage is: it can use the image pixels relative positions of the spatial in formatio n more to accurately describe the texture image.This paper use the graylevel co-occurre nee matrix of the properties to extract statistics from the matrix corresp onding as texture feature parameters to realize image recog niti on. KEY WORDS : graylevel co-occurrenee matrix, texture feature extraction, image recog niti on
图像局部特征点检测算法综述
图像局部特征点检测算法综述 研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。 本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。 1. 局部特征点 图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。 局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。 而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的噪能力要强，稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。 2. 斑点检测原理与举例 2.1 LoG与DoH 斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法（LOG）,以及利用像素点Hessian矩阵（二阶微分）及其行列式值的方法（DOH）。 LoG的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点，所以可以利用卷积来求出图像中的斑点状的结构。 DoH方法就是利用图像点二阶微分Hessian矩阵：