1、 本科 毕业 设计 (论文 ) （二零 届） 模糊图像特征研究与提取研究 所在学院 专业班级 计算机科学与技术 学生姓名 学号 指导教师 职称 完成日期 年 月 摘要 ： 模糊图像特征提取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的属性，是数字图像研究领域的热点和难点。正确 提取图像的模糊特征对于图像清晰度质量评价有着至关重要的作用，为后期模糊图像的识别工作奠定坚实的基础。 本课题利用 MATLAB R2007a 为开发平台，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。论文主要工作如下：首先介绍了图像特征提取的相关背景及技术；其次，针对模糊类型对各种图像模
2、糊特征算法予以实现并进行分析；最后，对于实验结果，分析模糊特征提取的有效性并且给予总结。 关键词 ： 模糊图像；特征提取； MATLAB Character Extraction Research From Fuzzy Image Abstract： Blurred image feature extraction in digital information processing has a very important significance. The features of the image can be used as important attribute which is us
3、ually regarded as the hot issue and difficulty in digital image research field. The correct image of the fuzzy feature extraction for image sharpness has a vital role in quality assessment, but also recognition for the work of the late laying blurred image a solid foundation. The development platfor
4、m for the topic uses MATLAB R2007a, we usually extract fuzzy feature by writing a certain program of image feature extraction algorithms. Paper are as follows: first introduced the background and technology of image feature extraction; Secondly, the fuzzy images of various types of fuzzy features an
5、d analysis algorithms to be realized; Finally, according to the experimental results, check the effectiveness of fuzzy feature extraction and to give summary. Keywords: Fuzzy Image; Character Extraction; MATLAB 目 录 1 绪论 . 1 1.1 数字图像处理发展概况 . 1 1.2 数字图像处理的基本特点 . 1 1.3 数字图像特征提取技术的发展概况 . 1 1.4本文的主要研究工作
6、. 2 2 图像特征提取的相关知识 . 3 2.1 图像特征提取的概念 . 3 2.2当前图像特征提取的方法 . 3 2.2.1直方图特征提取 . 3 2.2.2梯度特征的提取 . 3 2.2.3边缘特征的提取 . 4 2.2.4纹理特征提取 . 4 2.2.5无参考结构相似度特征 . 5 2.3 MATLAB平台及其开发环境 . 6 2.3.1 MATLAB平台介绍 . 6 2.5.2 开发环境 . 6 3 针对模糊图像特征提取算法研究 . 7 3.1 特征提取算法描述以及实现 . 7 3.1.1 直方图统计 . 7 3.1.2基于 canny梯度算子的边缘提取算法 . 8 3.1.3无参考
7、的结构相似度 . 9 3.1.4 GLCM灰度共生矩阵纹理提取算法 . 13 3.1.5基于灰度梯度共生矩阵的纹理特征提取算法 . 15 3.2 针对模糊图像提取特征算法分析 . 20 3.2.1 颜色直方图特征提取算法分析 . 20 3.2.2 基于梯度算子的边缘提取算法分析 . 20 3.2.3无参考的结构相似度特征提取算法分析 . 21 3.2.4 基于灰度共生矩阵的纹理特征提取算法分析 . 21 3.3相关实验结果分析特征提取的有效性 . 22 3.4特征值效果对比 . 27 4 总结 . 30 4.1图 像特征提取算法的分析 . 30 4.2模糊图像特征提取的难点 . 30 致 谢
8、. 错误 !未定义书签。 参考文献 . 32 1 1 绪论 1.1 数字图像处理发展概况 数字图像处理（ Digital Image Processing）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。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 1。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 去除噪声、增强、复原、分割、提取特征 等 2。 20 世纪 70 年代后期到现在，各个领域对数字图像处理提出越来越高的要求，特别是在景物理解和计算 机视觉方面，图像处理已由二维处理发展到三维理解或解
9、释 3。近年来，数字图像处理已从一个专门的研究领域变成了科学研究和人机界面的一种普遍应用工具。 1.2 数字图像处理的基本特点 （ 1）处理信息量大 数字图像处理的信息大多是二维信息，处理信息量很大。如一幅 256256 低分辨率黑白图像，要求约 64kbit 的数据量；对高分辨率彩色 512512 图像，则要求 768kbit 数据量；如果要处理 30 帧 /秒的电视图像序列，则每秒要求 500kbit 22.5Mbit 数据量。 （ 2）占用频带较宽 数字图像处理占用的频带较 宽。与语言信息相比，占用的频带要大几个数量级。如电视图像的带宽约 5.6MHz，而语音带宽仅为 4kHz 左右 4
10、。 （ 3）各像素相关性大 数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数可达 0.9 以上，而相邻两帧之间的相关性比帧内相关性一般说还要大些。 （ 4）受人的因素影响较大 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。由于人的视觉系统很复杂，受环境条件、视觉性能、人的情绪爱好 以及知识状况影响很大，作为图像质量的评价还有待进一步深入的研究。 （ 5）再现性好 数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的
11、退化 5。 1.3 数字图像 特征提取技术 的发展概况 图像识别是近二十年来模式识别和图像处理研究的热点，作为其中的中心环节的图像特2 征提取却于更早开始。图像识别大致可分为三个部分：图像预处理，图像特征提取，图像识别。其中，图像特征提取是进行图像识别的关键性步骤，它的分析结果直接影响着识别效果和对图像的理解以及最终的判断和进 一步的处理策略 6。 图像特征大致可归为四类：（ 1）像素统计特征，（ 2）可视化特征，（ 3）代数特征，（ 4）变换系数特征或滤波器系数特征。颜色（灰度）直方图是最常用的像素统计特征 7。可视化特征包括纹理、边缘等视觉特征。纹理分析代表性的方法有共生矩阵法、 Tamu
12、ra 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 8。代表性的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抗噪声方面，明显优于其他的一阶微分边缘检测算子 9。 代数特征通常反应的是图像的内在属性，通常从图像矩阵中提取。奇异值分解（ SVD）是这种方法的典型代表，主成分分析（ PCA）、线性判据分析（ LDA）和独立成分分析（ ICA）也归类为代数特征提取方法 10。 对图像进行各种滤波变换（傅立叶变换、小波变换、小波包变
13、换等），可以将变换系数作为图像的一种特征。变换系数特征可以看作是二次提取的特征 11。 1.4 本文的主要研究工作 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。 论文共由五章组成： 第 1 章绪论，主要介绍 数字图像处理发展概况 、 数字图像处理的基本特点 、 数字图像 特征提取技术 的发展概况 ； 第 2 章图像特征提取的相关知识，主要介绍图像特征提取 的概念 、当前图像特征提取的方法、 MATLAB 平台及其开发环境 ； 第 3 章针对模
14、糊图像特征提取 算法研究 ，主要包括特征提取算法描述以及实现、相关实验系统界面、针对模糊图像提取特征算法分析、根据相关实验结果分析特征提取的 有效性； 第 4 章总结，主要是对图像特征提取算法 的分析 以及得出模糊图像特征提取的难点。 3 2 图像特征提取的相关知识 2.1 图像特征提取的概念 图像 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 12。 特征提取最重要的一个特性是“可重复性”， 即同一场景下的不同图像所提取的特征应该
15、是相同的。 图像特征提取作为在大多数自动图像模式识别和图像分 析理解问题中一个基本而重要的预备性步骤，起着非常重要的作用，它的结果直接影响着识别效果和对图像的理解程度。 2.2 当前图像特征提取的方法 2.2.1 直方图特征提取 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像素数。 从上述定义可以 看出，颜色直方图表现的是图像的一
16、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、平移以及缩放具有很好的不变性 13。 2.2.2 梯度特征的提取 梯度值就是图像灰度值显著变化的地方。图像锐化、图像的边缘检测都用得到它。不同的算子对应了不同的求梯度的方法。 可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导 。著名的梯度算子有 Roberts 梯度算子、 Prewitt 梯度算子、 Sobel 梯度算子、 Canny 梯度算子等等。 图像灰度梯度是一个向量，它指出了灰度变化的最快方向和度量 。灰度梯度的表达式、大小及方向，如下所示。 ),(yfxff 22 )()(yfxfT Tf )/
17、(tan 1 xf yf 4 2.2.3 边缘特征的提取 边缘是图像 的最重要的特征之一。边缘可定义为灰度、纹理、颜色等局部特性的不连续性，也可指图像点周闱像素灰度有阶跃变化或屋顶变化的那些像素的集合。 常见的图像边缘主要可分为三种：第一种是阶梯边缘 (Step edge)，即从一个灰度度级跳跃到比它高好多的另一个灰度度级；第二种是屋顶边缘 (Roof-edge)，它的灰度度级足慢慢增长到一定量级后再慢慢减小；最后一种是线性边缘 (Line-edge)，它的灰度度级从一个级别突然跳到另一个灰度级别后又迅速回落，三种边缘如图 3-4 所示： 图 2-1 常见的边缘种类 边缘特征提取主要研究内容为
18、图像中灰度变化的度量、检测并定位灰度剧烈变化的轨迹，其实质就足把一幅二维图像转化为一系列曲线集合，即宏观中物象的边缘。边缘检测在图像处理技术家族中具有很长的历史，目前已经存在很多种不同的边缘特征提取方法，同一种方法也有很多的改进分支，比如使用了性能更好的滤波算法等等 14。 目前主要的边缘特征提取方法有以下几类：基 于灰度梯度，即由边缘最原始的定义，由于边缘往往是图像中灰度变化剧烈的位置所在，而灰度梯度正是反映这种变化的最佳度量。另一种是参数模板匹配：参数模板匹配方法需要预先把不同的边缘类灰度变化等效为不同的特殊模板。模板匹配的实质是互相关运算，再进行阈值判决 15。 2.2.4 纹理特征提取
19、 纹理一般理解为图像灰度在空间上的变化和重复 ,或图像中反复出现的局部模式和它们的排列规则。有一个或几个子图像周期性重复出现的图像称为确定型或结构型纹理图像，如布料中的纹理、砖块组成的纹理等。而呈现某种随机结构的图像称为随机型纹理图 像，如指纹、木纹等。目前常用的特征提取算法有：离散余弦变换、小波变换、 Gabor 滤波器组等，这些方法都取得了不错的效果。灰度共生矩阵、灰度直方图等方法也在不同的条件下有很好的效果。本文主要采用的是灰度共生矩阵法以及基于梯度的灰度共生矩阵法 16。 借助共生矩阵提取纹理特征是一种有效的方法，因为图像中相距（ yx, )的两个灰5 度像素同时出现的联合频率分布可以
20、用灰度共生矩阵来表示。若将图像的灰度级定为 L 级，那么共生矩阵为 L*L 矩阵，可表示为 ),(),( khM yx ，其中位于（ h,k）的元素 hkm 的值表示一个灰度为 h 而另一个灰度为 k 的两个相距为 ( yx, )的像素对出现的次数。设 s 为目标区域 R 中具有特定空间联系的像素对的集合，则共生矩阵 P 可以定义为： S gyxfgyxfSyxyxggp # ),(&),(|),(), (#),( 222111221,121 上式等号右边的分子是具有某种空间关系，灰度值分别为 g1 和 g2 的像素对的个数，分母为像素对的总和个数 (#代表数量 )。基于这个灰度共生矩阵可定义
21、诸如二阶矩、对比度、相关和熵等纹理描述 17。 2.2.5 无参考结构相似度特征 客观图像质量评价方法可以分为三类 :全参考、部分参考和无参考。前两类方法需要原始图像或者原始图像某些特征的集合作为参考来与失真图像比较 ,但是在很多应用场合 ,原始图像是无法获取的 ,所以研究无参考的图像质量评价方法至关重要 18。 清晰的图像比模糊图像含有更丰富的细节信息 ,即高频分量 ,故可以通过衡量图像包含高频信息的多少来评价图像清晰度。基于无参考结构相似度的模糊图像的无参考质量评价方法对原始图像 (由于没有参考图像 ,原始图像本身即为待评价图像 )进行低通滤波得到一幅参考图像 ,计 算参考图像与待评价图像的结构相似度。显然 ,清晰图像由于包含大量高频信息 ,故经过低通滤波器之后损失成分多 ,得到的结构相似度就小 ,模糊图像刚好相反。 计算原始图像的无参考结构相似度 NRSS。先计算每个 xi 与 yi 的结构相似度 SSM ( xi, yi ) ,其中 SSM 计算方法如下所示： 12212),( Cuu Cuuyxlyxyx 22222),( CCyxcyxyx 33),( CCyxsyxxy ),(),(),(),( yxsyxcyxlyxS S M 其中 l(x,y),c(x,y),s(x,y)分别代表图像 x 和 y 的亮度比较，对比度比较，结构信息比较。
