机器视觉(八):图像特征提取

这篇具有很好参考价值的文章主要介绍了机器视觉(八):图像特征提取。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录:

机器视觉(一):概述

机器视觉(二):机器视觉硬件技术

机器视觉(三):摄像机标定技术

机器视觉(四):空域图像增强

机器视觉(五):机器视觉与世界杯

机器视觉(六):频域图像增强

机器视觉(七):图像分割

机器视觉(八):图像特征提取

机器视觉(九):图像配准

机器视觉(八):图像特征提取

🌏🧐以下为正文🦄🪐

        区域和轮廓只包含对分割结果的原始描述,在实际应用中我们还需要从区域或轮廓中确定一个或多个特征量。

        这些确定的特征量被称为特征。确定特征的过程被称为图像特征提取。 下方为相关MATLAB代码。

图像特征提取 matlab程序 https://download.csdn.net/download/m0_53966219/20044294?spm=1001.2014.3001.5503

一、概述

1.图像特征的分类

(1)图像的视觉特征

        边缘、轮廓、形状、纹理和区域等。

(2)图像的统计特征

        灰度直方图特征、矩特征,其中矩特征包括均值、方差、峰度及熵特征等。

(3)图像变换系数特征

        傅立叶变换、离散余弦变换、小波变换等。

(4)图像代数特征

        矩阵的奇异值

2.  特征提取与特征选择

(1)特征选择

        从一组特征中挑选出一些最有效的特征,以达到降低特征空间维数的目的。

(2)特征提取

        对原始特征进行变换得到的这些有利于分类、更本质、更少的新特征的过程。

二、兴趣点提取

1.什么是兴趣点

        兴趣点是指图像信号在二维空间上发生变化的区域,通常情况下包括拐角点交点纹理等显著变化区域。

机器视觉(八):图像特征提取

2.兴趣点标定的方法

(1)基于轮廓线的方法

        轮廓线具有曲率变化的特征,可归类为结点,端点等类型。如在图像中寻找脊和谷的方法对兴趣点进行标定。 

(2)基于图像强度的方法

        信号的自相关函数检测特征点,灰度值的差大于某个门限时即认为该点是兴趣点。 

(3)基于参数模型的方法

        使用高斯卷积模型对拐角进行识别,  使用最小化方法,使得模板与观测信号最佳匹配。
  

3.兴趣点的表达方法

(1)尺度不变特征变换(Scale-invariant feature transform,SIFT)

        使用了128维的向量对兴趣点特征进行表达,该向量通过Lowe建立的码表形成。该方法可以做到缩放不变、亮度不变的特性。 

(2)可控滤波器和梯度不变方法

        使用高斯滤波器的方法求图像的梯度,具有长度为13的维数。 

(3)区域矩不变特性

        通过改变统计矩的组合,适用于图像的多种不变特性的应用。

(4)频域分析法

        通过Gabor滤波器来捕捉图像在频率和方向上的细微变化,描述的维度很高。

三、Harris角点算法

1.概述

        当滑动窗口处于一个兴趣点发生的地方,无论从哪个方向移动该窗口,都会发生图像强度(灰度值)的剧烈变化。

机器视觉(八):图像特征提取

        基于图像灰度的方法通过计算点的曲率及梯度来检测角点,避免了第一类方法存在的缺陷,此类方法主要有Moravec算子、Forstner算子、Harris算子、SUSAN算子等。

2.原理

        图像窗口滑动后灰度值变化计算:

机器视觉(八):图像特征提取

         小距离窗口滑动近似计算:

机器视觉(八):图像特征提取

        首先采用Sobel算子计算出梯度IxIy,再逐点计算其乘积,最后使用高斯窗对该乘积图像的所有像素点进行卷积即可。

3.MATLAB编程实现

img=imread('F:\lena.png');
imshow(img);
img = rgb2gray(img);        %转换为灰度图像
img =double(img);
[m n]=size(img);                %获取图像尺寸
tmp=zeros(m+2,n+2);        %创建空矩阵tmp
tmp(2:m+1,2:n+1)=img;    %将img赋值给tmp矩阵
Ix=zeros(m+2,n+2);
Iy=zeros(m+2,n+2);
E=zeros(m+2,n+2);             %创建空矩阵Ix,Iy,E
Ix(:,2:n)=tmp(:,3:n+1)-tmp(:,1:n-1);    %求横向梯度Iy(2:m,:)=tmp(3:m+1,:)-tmp(1:m-1,:); %求纵向梯度
 
Ix2=Ix(2:m+1,2:n+1).^2;                   %求梯度方向乘积
Iy2=Iy(2:m+1,2:n+1).^2;
Ixy=Ix(2:m+1,2:n+1).*Iy(2:m+1,2:n+1);  
 
h=fspecial(‘gaussian’,[7 7],2);         %使用高斯核进行加权
Ix2=filter2(h,Ix2);
Iy2=filter2(h,Iy2);
Ixy=filter2(h,Ixy);
Rmax=0;
R=zeros(m,n);
for i=1:m
    for j=1:n
        M=[Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy2(i,j)];
        R(i,j)=det(M)-0.06*(trace(M))^2;              %计算角点量

        if R(i,j)>Rmax
            Rmax=R(i,j);                                   %阈值判断
        end
    end
end      
re=zeros(m+2,n+2);
tmp(2:m+1,2:n+1)=R;
img_re=zeros(m+2,n+2);
img_re(2:m+1,2:n+1)=img;
for i=2:m+1
    for j=2:n+1
        if tmp(i,j)>0.02*Rmax &&...
           tmp(i,j)>tmp(i-1,j-1) && tmp(i,j)>tmp(i-1,j) && tmp(i,j)>tmp(i-1,j+1) &&...
           tmp(i,j)>tmp(i,j-1) && tmp(i,j)>tmp(i,j+1) &&...
           tmp(i,j)>tmp(i+1,j-1) && tmp(i,j)>tmp(i+1,j) && tmp(i,j)>tmp(i+1,j+1)
                img_re(i,j)=255;                             %标记角点              
        end   
    end
end
img_re=mat2gray(img_re(2:m+1,2:n+1));
figure,imshow(img_re);     %恢复并显示图像

四、直线提取

1.Hough变换原理

        在图像空间XY里,设所有过点(x,y)的直线都满足方程:

机器视觉(八):图像特征提取

        式中,p为直线的斜率,q为直线的截距。也可以写成:

机器视觉(八):图像特征提取

        式中表示参数空间PQ中过点(p,q)的一条直线。图像空间到参数空间之间的转换可以用图表示:

机器视觉(八):图像特征提取

2.直线提取原理

        开始时,置数组A为零,然后对每一个图像空间中的给定点,让θ取遍区间上所有可能的值,并根据直线公式算出对应的ρ,再根据和的值(设都已经取整)对A累加:

机器视觉(八):图像特征提取

        对图像遍历后,上式的值就是在点(θ,ρ)处共线点的个数。值(θ,ρ)也给出了直线方程的参数,这样就得到了点所在的线。 

机器视觉(八):图像特征提取

 3.MATLAB编程实现

img = imread(rg.bmp');
figure(1),subplot(1,2,1);
imshow(img);  title('原始图像');
img=rgb2gray(img);       % 灰度图像subplot(1,2,2);imshow(img);  title('灰度图像'); thresh=[0.01,0.10];         %敏感度阈值
sigma=3;                         %定义高斯参数 

f = edge(double(img),'canny',thresh,sigma);  %边缘检测
figure(2),
imshow(f);  
title('canny 边缘检测'); 
% 检测函数;
[H, theta, rho]= hough(f,'Theta', 20:0.1:75);     %0-1
% H->累计数组 , thetaH:对应的θ,实际上H的大小就是Rho×Theta
% Rho:H对应的ρ

peak=houghpeaks(H,1);                    %峰值提取
hold on  %保留当前的图和特定的坐标轴属性,以便后续的绘图命令添加到现有的图表。
lines=houghlines(f,theta,rho,peak);   %得到线段信息

figure(3);imshow(f,[]);
title('霍夫变换检测结果');
hold on  ;
for k=1:length(lines)     
       xy=[lines(k).point1;lines(k).point2];          
       plot(xy(:,1),xy(:,2),'LineWidth',4,'Color',[.6 .6 .6]);  
end  

机器视觉(八):图像特征提取文章来源地址https://www.toymoban.com/news/detail-491785.html

到了这里,关于机器视觉(八):图像特征提取的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【计算机视觉】图像分割与特征提取——基于Log、Canny的边缘检测

    个人简介:  📦个人主页:赵四司机 🏆学习方向:JAVA后端开发  ⏰往期文章:SpringBoot项目整合微信支付 🔔博主推荐网站:牛客网 刷题|面试|找工作神器 📣种一棵树最好的时间是十年前,其次是现在! 💖喜欢的话麻烦点点关注喔,你们的支持是我的最大动力。 前言:

    2024年02月03日
    浏览(41)
  • 机器学习图像特征提取—颜色(RGB、HSV、Lab)特征提取并绘制直方图

    目录 1 颜色特征 1.1 RGB色彩空间 1.2 HSV色彩空间 1.3 Lab色彩空间 2 使用opencv-python对图像颜色特征提取并绘制直方图 2.1 RGB颜色特征和直方图 2.2 HSV颜色特征和直方图 2.3 Lab颜色特征和直方图 RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以

    2024年02月08日
    浏览(56)
  • 【计算机视觉、关键点检测、特征提取和匹配】基于SIFT、PCA-SIFT和GLOH算法在不同图像之间建立特征对应关系,并实现点匹配算法和图像匹配(Matlab代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码、数据、文章

    2024年03月14日
    浏览(51)
  • 计算机视觉:特征提取与匹配

    目录 1. 特征提取和匹配 1.1 背景知识 1.2 特征匹配基本流程 1.3 局部特征描述子 2. Harris角点检测  2.1 角点(corner points) 2.2 HARRIS角点检测基本思想 2.3 HARRIS检测:数学表达 2.4 角点响应函数 2.5 编程实现 2.5.1 角点检测代码实现  2.5.2 角点检测数据测试 3.  SIFT特征匹配算法

    2024年02月06日
    浏览(40)
  • 深度学习之视觉特征提取器——VGG系列

    提出论文:1409.1556.pdf (arxiv.org) 引入 距离VGG网络的提出已经约十年,很难想象在深度学习高速发展的今天,一个模型能够历经十年而不衰。虽然如今已经有VGG的大量替代品,但是笔者研究的一些领域仍然有大量工作选择使用VGG。有人说VGG开创了基于一些基础结构(如Conv,Li

    2024年04月29日
    浏览(29)
  • 【机器学习】特征工程 - 字典特征提取

    「作者主页」: 士别三日wyx 「作者简介」: CSDN top100、阿里云博客专家、华为云享专家、网络安全领域优质创作者 「推荐专栏」: 对网络安全感兴趣的小伙伴可以关注专栏《网络安全入门到精通》 特征工程就是从 「原始数据」 中提取 「特征」 ,以供 「算法」 和 「模型

    2024年02月11日
    浏览(48)
  • 矩阵分析与计算机视觉:从特征提取到对象识别

    计算机视觉是人工智能领域的一个重要分支,它涉及到计算机对图像和视频等多媒体数据进行处理和理解的技术。矩阵分析是线性代数的一个重要分支,它涉及到矩阵的运算、分解、求解等方面。在计算机视觉中,矩阵分析起到了关键的支持作用,因为图像和视频数据都可以

    2024年01月19日
    浏览(40)
  • 计算机视觉:通过边缘检测探究卷积的特征提取功能

    在前面的课程中,我们学习了卷积核的运算,同时我们也学习了卷积核的含义,我们可以将卷积核理解为特征提取器,也就是说一个卷积核就是一个特征提取器,很多人对这种说法不了解,下面我们就通过一个边缘检测的例子来看一下卷积核是如何进行边缘特征的提取的。

    2024年02月13日
    浏览(41)
  • 计算机视觉的应用12-卷积神经网络中图像特征提取的可视化研究,让大家理解特征提取的全过程

    大家好,我是微学AI,今天给大家介绍一下计算机视觉的应用12-卷积神经网络中图像特征提取的可视化研究,让大家理解特征提取的全过程。 要理解卷积神经网络中图像特征提取的全过程,我们可以将其比喻为人脑对视觉信息的处理过程。就像我们看到一个物体时,大脑会通

    2024年02月10日
    浏览(44)
  • 图像哈希:全局+局部提取特征

    文章信息 作者:梁小平,唐振军 期刊:ACM Trans. Multimedia Comput. Commun. Appl(三区) 题目:Robust Hashing via Global and Local Invariant Features for Image Copy Detection 目的、实验步骤及结论 目的:通过全局和局部提取特征来生成最终图像的哈希值。 实验步骤: 数据预处理:双线性插值(5

    2024年04月27日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包