模糊图像特征研究与提取研究【开题报告】.doc

1、 毕业设计开题报告 计算机科学与技术 模糊图像特征研究与提取研究 一、选题的背景、意义 1.选课的历史背景 人类自从主动地用自己的视觉去观察认识这个世界上的各种事物起，就已经开始了对图像识别以及图像特征的探索了。最典型的是象形文字以及画家对现实事物的临摹，或许这些事物本身并非具有艺术性和什么特别的地方，而通常是带有浓烈的宗教色彩。但是为什么人类能够创造出栩栩如生的象形文字以及各种图画呢。众所周知，徐悲鸿画笔下的马十分形象，充满了立体感。他为这几匹马创作了表现力极强的柔和轮廓线。如图 1.1 所示。 图 1.1 一个耐人寻味的问题就是绘画者，更准确地说是观察者究竟从他所观察到的场景中提取了哪些特

2、征来进行这副画的创作呢。 图 1.2 再看另外一个例子，如图 1.2 所示。我们将注意力放在车牌照上，明眼人都看得出左图相对比较模糊，右图识别度比较高。事实上左图是在美国曼哈顿郊区外犯罪分子驾车逃逸后丢弃的被当时摄像头所拍摄下来的场景。右图是经当时的计算机提取左图图像的模糊特征，通过对图像的识别还原而得到的。警方正是利用这个车牌号的线索成功抓捕了罪犯1。 由此可见，对图像进行特征提取在很早的时候就有了实际应用的意义了。随着科学技术技术的进步，人类已经完全迈入了数字化信息时代。图像作为信息的一种 重要载体，对其进行有效的研究和表示，在数字信息处理中有着非常重要的意义。图像特征作为图像中可用做标注

3、的属性，常常成为数字图像研究领域的热点和难点，正确提取图像的特征是图像分割、图像理解、模式识别和计算机视觉等领域的研究基础和关键前提。 着眼于自身发展状况，在计算机科学与技术这个专业的学习过程中，通过理论知识的学习及实践，一定程度上丰富了自己计算机学习和应用的能力。在此利用毕业设计之际，在导师的指导下，利用 Matlab为开发工具，通过编写一个确定图像特征算法的程序来提取相关的模糊图像特征，从而使自己更具有专业 技能水平竞争力。介于该课题的可行性分析以及相关技术路线的成熟度保证，从而确定毕业论文选课：模糊图像特征研究与提取研究。 2国内外研究现状 图像特征提取研究是许多与图像相关高层领域应用的

4、基础，而这些研究有着广泛的应用领域。 在国家公共安全、信息安全、人机交互、金融安全、计算机辅助医疗诊断等领域具有广阔的应用前景。另外，又因为图像特征提取研究跨越计算机视觉、模式识别、机器学习、图像处理、心理学等多个学科，所以，图像识别研究可促进这些学科的融合，丰富这些学科的理论体系 2。 由于我国是个以农业为基础 产业的农业大国，因此在农业方面应用相对突出。现代化的农业推广也倡导对农作物的高科技管理。培育者通过计算机的辅助，对每个单株农作物图像进行拍摄并进行相关特征提取，同时结合养殖或培育的经验知识来判定单体的生长状态，并为之选择相应的方案。 在医学方面， 由于医学图像通常具有数据量大的特点，

5、比如核磁共振成像，在分析这些数据的时候，仅靠医生的人力不但在工作量上不现实，也很容易由于工作失误而导致错误判断。因此通过计算机的帮助，从医学图像中提取相应的特征并传给成熟的计算机程序以做出初步诊断，再交由经验丰富的医生做进一 步诊断就成了非常有效的解决方法。 当然在别的领域也有相关应用，如通讯业，工业，军事，国防，体育，娱乐业等等都有涉及。但总体来看，还不够成熟，应用范围基本上只限于高端领域以及大宗项目。 在国外，尤其是发达国家，图像特征信息研究已经被广泛应用于各个行业领域，不仅仅在基础性支撑行业得到应用，并且在普通民众家庭也有涉及，技术也相对完善和成熟。在日本，已经尝试用机器人对来访客人进行

6、人脸识别，主要是基于神经网络技术的图像特征提取。 在美国，已经用该技术探访月球火星等提取相关标本。 从全球来看，近几年来， “反恐”活动已经成为了许多国家重点关注的国家大事，同时，我困也早已提出了“科技强军”的口号。图像的特征信息学习与研究可以被广泛地应用到军事作战的地形分析和敌友目标识别中，也可以被用到诸如嫌疑人识别、出入境管理、乃至安全驾驶 (在车内安装摄像头以在驾驶员疲劳驾驶时发出警报 )等多个方面。 3.发展趋势 随着中国综合国力的不断提升，更多的图像特征提取相关技术所涉及的方面也将得以民用化，普及化。另外，将图像特征提取与人工智能化技术结合将是将来的主要发展方向。解决当前各种算法之间

7、的融合度也是现在的难点，有待解决 。 二、相关研究的最新成果及动态 近几年来，模糊图像特征提取技术在众多领域又有了突破性的进展和成果。主要是在科技研发，大自然研究以及军事国防领域应用较多。 科技研发方面，日本已经尝试用机器人来“守家”，主要是将模糊技术与神经网络技术结合起来，提取机器人所接受图像的模糊特征，让其进行机器学习和神经网络训练，不断修正，从而可以识别外来客人等工作。该机器人可以将模糊的人脸图像得以还原，从而达到识别效果 3。 在大自然研究方面，我国利用遥感技术在海岸线变化监测质量上有了质的飞跃。由于海岸 线模糊特征提取过程受到研究方法的适用范围及效率等因素的制约，使得检测速度和提取精

8、度均有待提高。原来的海岸线经典边缘提取算法，包括阈值分割法、区域生长法以及图像边缘检测法等。但是上述算法均存在一定局限性。 4尤其是对噪声的干扰十分敏感，对噪声响应往往大于对图像边缘的响应，从而造成检测出的图像边缘模糊，甚至出现边界断点。提高阈值虽可抑制噪声，但同时也会抑制掉部分微弱边缘。我国正是利用小波分析方法实现了从高分辨率遥感影像中提取海岸线的可能性，解决了从“局部高频信号中区分噪声与边缘”这一关键问题。 在军事 国防领域，近几年来， 提出了一种 模糊 AdaBoost算法的多类别推广方法 ,并将推广后的算法应用于合成孔径雷达图像目标识别中。实验结果表明 ,该算法可有效应用于 SAR目标

9、 图像 识别。 三、课题的研究内容及拟采取的研究方法（技术路线）、难点及预期达到的目标 1.课题的研究内容 学习各种相关图像处理算法 ,进行图像的特征提取 ; 建立原型系统实现相关算法 ; 利用原型系统对大量不同图片进行特征提取 ,分析特征 ,提取出能较好代表模糊图像的特征 ,并确定采用的特征提取算法 . 2.研究方法（技术路线） （ 1）文献研究法 文献研究法主要指收集、鉴别、整理文献，并通过对文献的研究，形成对事实科学认识的方法。该方法主要用于前期工作。首先，阅读大量的相关特征提取算法，总结各种算法的优势与不足，对于该课题的可行性得以确定。 （ 2）人为观察法 首先，要说明人为观察法是一种

10、带有主观臆断的方法，是通过人的经验性知识对于大量图像进行定性模糊分类。确定图像究竟是模糊还是清晰。 （ 3）实验测试法 颜色特征： 颜色直方图法：图像内容的一种直观的表示方式是统计图像的各种颜色的出现次数，进而得到图像的颜色直方图 。 它反映的是图像 中颜色的组成，即各种颜色在图像中出现的频率 。颜色直方图描述如下：设一幅彩色图像包含 M 个像素，图像的颜色空间被量化为 N 个不同的颜色，则颜色直方图 H定义为 ，其中 hi为第 i 种颜色在整幅图像中具有的数 。 从上述定义可以看出，颜色直方图表现的是图像的一种全局特征，每一幅图像具有唯一的颜色直方图 。 并且颜色直方图对图像的旋转 、 平移

11、以及缩放具有很好的不变性 。 颜色矩法： Stricker 和 Orengo 基于概率论提出颜色矩（ Color Moments），数学基础是图像颜色分布可以由图 像像素的各阶中心矩来描述 。 由于颜色信息集中在图像颜色的低阶矩中，因此只需要对每种颜色分量的一阶（ Mean） 、 二阶（ Variance）和三阶矩（ Skewness）进行统计 。 所以，图像的颜色矩一共只需要九个分量，与其他的颜色特征相比较简洁。 模糊颜色直方图法：将模糊 C类均值聚类方法引入基于颜色特征的图像检索，建立了模糊颜色直方图（ Fuzzy Color Histogram， FCH）的方法 。 实验证明，该方法较传

12、统直方图方法（ ConversionalColor Histogram， CCH）更具有鲁棒性和高效 性 。 边缘特征： 图像边缘特征提取方法大多是架构在边缘检测理论之上的，这些方法大致可分为：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、模糊增强边缘检测方法等。代表性的一阶微分边缘检测算子包括： Roberts 算子、 Sobel 算子、 Prewitt算子、 Robinson 算子、 Canny 算子等。其中 Canny 算子无论在定位精度还是噪声方面，明显优于其他的一阶微分边缘检测算子。代表性的二阶微分边缘检测算子包括： Laplacian 算子和 LOG 算子。 LOG 算子

13、的性能优 Laplacian 算子。 多尺度边缘检测的思想最初是 Rosenfeld提出的 5。因为图像边缘就是二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于图像信号的奇异点，因此通过对原始图像作多尺度分解，通过检测这些模极大值点可以确定图像的边缘。由于图像边缘存在一定的不确定性，所以可以利用模糊增强技术使图像边缘两侧的像素灰度对比增强，把边缘的模糊性变为确定性。 纹理特征： 纹理分析代表性的方法有共生矩阵法、 Tamura 方法等。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、熵等七个特征。 Tamura 提 出了与人的视觉感受相关的六个纹理特征，分别是

14、粗糙度、对比度、方向性、线性相似性、规则性和粗略度。 能量特征： 能量特征提取事实上是将变换系数作为间接提取特征，主要有傅里叶变换法，小波变换，小波包变换等。 首先对目标图像作归一化处理，然后对归一化后的图像进行小波包变换，计算每个子段图像的小波能量特征，并降序排序这些特征，最后取前 几个能量特征作为目标图像的特征向量。 Sengur 等利用小波包变换作为特征提取子，从纹理图像的小波包变换系数中提取熵和能量特征。 3.研究难点 1.需要深刻领会各种图像特征提取算法， 这需要有较好的数学基础。 2.确定具有较好代表模糊图像的特征，确定相关实现算法。 3.在选取某种算法进行特征提取时，可能会破坏别

15、的特征，从而影响判断结果。因此，需要考虑图像间特征相关性的问题，否则容易过滤掉相关信息。 4.预期达到的目标 1.了解图像特征相关概念以及含义。 2.熟悉 MATLAB开发环境以及相关功能运用。 3.理解无参考图像质量评价原理与有参考质量评价区别。 4.重点掌握无参考评价体系。 5.学会各种图像相关特征提取算法，能够进行图像特征提取。 6.能够建立原型 系统实现相关算法。 7.分析特征，提取出能较好代表模糊图像的特征，并确定采用相 的提取算法。 四、论文详细工作进度和安排 第七学期第 10 周至第 18 周（ 2011 年 01 月 06 日前）：文献检索和资料收集，完成毕业论文（设计）文献综

16、述、开题报告和外文翻译； 第八学期 第 1 周 至第 3 周（ 2011 年 03 月 11 日前）：撰写论文提纲，完成毕业论文（设计）初稿、需求分析和概要设计； 第八学期 第 4 周 至第 12 周（ 2011 年 05 月 13 日前）：详细设计、系统调试、和毕业论文（设计）完成定稿； 第八学期第 13 周（ 2011 年 05 月 20 日前）：完成应用软件系统的设计和毕业论文（设计）送指导老师和评阅老师评阅，准备答辩； 第八学期第 14 周：参加毕业论文（设计）答辩。 五、主要参考文献 1 J. Barros， et. al. Indexing multispectral images

17、 for content base dretrieval J . SPIE， 1994， 2368： 25-36. 2 翟俊海 . 基于小波变换和模糊粗糙集技术的图像识别 D河北，河北大学， 2010. 3姚红革，杜亚勤，刘 洋 . 基于小波分析和 BP神经网络的图像特征提取 N 西安工业大学学报 ,2008,12. 4恽才兴海岸带及近海卫星遥感综合应用技术 M北京：海洋出版社， 2005， 1： 1-2 5 潘炜 . 基于边缘和角点的图像特征提取方法的研究及实现 D 北京：北京邮电大学，2008. 6龚声蓉 . 基于内容的图像检索方法研究 D . 北京：北京航空航天大学， 2001. 7 王

18、保平 .刘升虎 .张家田 一种基于模糊熵和 FKCN的边缘检测方法 J-计算机学报 2006(04) 8 费浦生 .王文波 基于 小波增强的改进多尺度形态梯度边缘检测算法 J-武汉大学学报（信息科学版） . 9 胡昌华 ,张军波 ,夏军等 .基于 MATLAB的系统分析与设计 小波分析 M.西安 :西安电子科学技术出版社 ,2000 10 Y. Tao, E. C. M. Lam, Y. Y. Tang. Feature extraction using wavelet and fractal J. PatternRecognition Letters, 2001, 22(3-4):271-2

19、87. 11 A. Sengur, I. Turkoglu, M. C. Ince. Wavelet packet neural networks for texture classification J.Expert Systems with Applications, 2007, 32(2):527-533. 12L Sobel， Camera Models鲫 d Machine PerceptionDissertation， PhD theses，Stanford University,Standford， CA， 1 970. 13Roberts L Q， Machine Percep

20、tion ofThree-dimension Solids， Optical and Electro-opticalinformation processing， Tippet， J T (ed )， MIT Press， Cambridge，Mass， 1 965. 14Prewitt J M S， 0bjget Enhancement and ExtractionJ， Picture Processing and psychopictorics， 1970， pp： 75-149 15Canny J， A Computational Approach for Edge DetectionJ， IEEE Trans Pattern Anal Machine Intell， 1 986， 8(6)： 679 698.