image characteristics extraction
目录
一.概述
图像领域的许多应用中，人们总是希望从分割出的区域中分辨出地物类别，例如分辨农田、森林、湖泊、沙滩等；或是希望从分割出的区域中识别出某种物体(目标)，例如在河流中识别舰船；在飞机跑道上识别飞机等。进行地物分类和物体识别的第一步就是物体特征的提取和检测，然后才能根据检测和提取的图像特征对图像中可能的物体进行识别。
图像特征是用于区分一个图像内部特征的最基本的属性。图像特征可分成自然特征和人工特征两大类。
人工特征是指人们为了便于对图像进行处理和分析而人为认定的图像特征，比如图像直方图、图像频谱和图像的各种统计特征(图像的均值、图像的方差、图像的标准差、图像的熵)等。
自然特征是指图像固有的特征，比如图像中的边缘、角点、纹理、形状和颜色等。
二.图像的边缘特征及其检测方法
1.图像的边缘特征
图像边缘具有方向和幅度两个特征。沿边缘走向，像素的灰度值变化比较平缓，而沿垂直于边缘的走向，像素的灰度值则变化比较剧烈。这种剧烈的变化或者呈阶跃状(step edge)，或者呈屋顶状(roof edge)，分别称为阶跃状边缘和屋顶状边缘。
一般常用一阶和二阶导数来描述和检测边缘。
（白：255）
图10.1 图像边缘及其导数曲线规律示例
图像中的边缘可以通过对它们求导数来确定，而导数可利用微分算子来计算。对于数字图像来说，通常是利用差分来近似微分。
2.梯度边缘检测
（1）原理
从梯度原理出发，已经发展了许多边缘检测算子，下面是三种最典型的边缘检测算子。
（2）Roberts算子
利用Roberts边缘检测算子进行边缘检测的方法是：分别利用上述两个模板对图像进行逐像素卷积，将2 个卷积结果值相加，然后判别该相加结果是否大于或等于某个阈值，如果满足条件，则将其作为结果图像中对应于模板(i,j)位置的像素值；如果不满足条件，则给结果图像中对应于模板(i,j)位置的像素赋0 值。
由于Roberts边缘检测算子是利用图像的两个对角线方向的相邻像素之差进行梯度幅值的检测，所以求得的是在差分点(i+1/2，j+1/2)处梯度幅值的近似值，而不是所预期的点(i,j)处的近似值，为了避免引起混淆，可采用3×3邻域计算梯度值。
（3）Sobel算子
利用Sobel边缘检测算子进行边缘检测的方法是：分别利用上述两个模板对图像进行逐像素卷积，将2个卷积结果值相加，然后判别该相加结果是否大于或等于某个阈值，如果满足条件，则将其作为结果图像中对应于模板中心位置(i,j)处的像素值；如果不满足条件，则给结果图像中对应于模板中心位置(i,j)处的像素赋0 值。
Sobel边缘检测算子在较好地获得边缘效果的同时，并对噪声具有一定的平滑作用，减小了对噪声的敏感性。但Sobel边缘检测算子检测的边缘比较粗，也即会检测出一些伪边缘，所以边缘检测精度比较低。
（4）Prewitt算子
Prewitt算子的计算显然比Sobel算子更为简单，但在噪声抑止方面Sobel算子比Prewitt算子略胜一筹。
需要强调的是，从总体上来说，梯度算子对噪声都有一定的敏感性，所以比较适用于图像边缘灰度值比较尖锐，且图像中噪声比较小的情况下应用。
3.二阶微分边缘检测
一阶导数的边缘检测算子边缘检测时，有时会出现因检测到的边缘点过多而导致边缘(线)过粗的情况。
通过去除一阶导数中的非局部最大值就可以检测出更细的边缘，而一阶导数的局部最大值对应着二阶导数的零交叉点。
所以通过找图像的二阶导数的零交叉点就能找到精确的边缘点。
图10.3 Laplacian二阶边缘检测算子的边缘检测示例
4.Marr边缘检测算法
为了克服了一般微分运算对噪声敏感的缺点， Marr边缘检测算法利用能够反映人眼视觉特性的LOG算子对图像进行检测，并结合二阶导数零交叉的性质对边缘进行定位，在图像边缘检测方面得到了较好应用。
在实际应用中，LOG算子一般取5×5的模板。
三.图像的点与角点特征及其检测方法
1.概念
对图像中的点特征的提取最基本的方法是模板匹配方法，常用的点特征提取与检测模板如图10.7所示。
图10.7 图像的点特征提取模板
角点检测方法大体可以分为三类：
1)基于模板的角点检测算法；
2)基于边缘的角点检测算法；
3)基于图像灰度变化的角点检测算法(应用最广泛)