…………裝………………訂………………線………………課程設計報告設計題目：圖像特征提取方法概述__學院：電子工程學院專業：電子信息工程班級：學號：姓名：__電子郵件：日期：2023年9月_成績：指導教師：西安電子科技大學電子工程學院課程設計〔報告〕任務書學生姓名王宇指導教師白靜職稱副教授學生學號02099013專業電子信息工程題目圖像特征提取方法概述任務與要求查找閱讀文獻學習圖像特征的提取方法，了解圖像特征、提取方法的概念和分類，以及對具體提取方法的介紹和比擬，并對相關內容做總結和分析，在此根底上撰寫一份不少于3000字的科技文獻綜述報告。開始日期2023年8月27日完成日期2023年9月7日課程設計所在單位電子工程學院2023年9月圖像特征提取方法概述摘要隨著科技開展和圖像信息的大量產生和交流，目標圖像的自動識別和分類應用越來越廣泛，同時實際應用問題對目標識別技術的要求也越來越高，特征提取的方法顯得尤為重要。本文通過對圖像特征原理的介紹，對幾種典型的圖像特征方法進行了分析和比擬，并對其前景進行了展望。引言隨著信息化社會的到來，人們獲取的信息已經不是局限在數字、符號、文本等信息，而是越來越多的處理圖像信息。然而這些信息大多數或是具有很高的維數，或是獲得的圖像數量巨大。在大多數情況下，不能直接在這些測量空間中進行分類和識別。這一方面是因為測量空間的維數很高，不適宜分類器和識別方法的設計:更重要的是這樣一種描述并不能直接反映測量對象的本質，并且它隨攝像機位置、照度、運動等因素的變化而變化。為了進行分類器和識別方法的設計，需要把圖像從測量空間變換到維數大大減少的特征空間，被研究的圖像在這個特征空間中就由一個或幾個特征向量來表示。綜上所述，特征提取技術成為目標分類和識別中的關鍵技術。圖像特征提取的原理及分類(1〕圖像特征提取的原理在目標分類和識別過程中原始特征的數量可能很大，或者說樣本處于一個高維空間中，這會給分類器帶來沉重的計算負擔。因此，我們希望選擇或提取的特征應具有以下特點:簡約性:在用很少的特征標識目標的條件下，保持信息(或信息去失可以控制〕；可分性:來自同一類的不同模式的特征非常接近，而不同類的模式的特征相距甚遠。可靠性:提取具有魯棒性(robust)的特征，即對噪聲或其它干擾不敏感。獲取特征的方法有兩種:特征選擇和特征提取。它們的根本任務就是如何從許多特征中找出最有效的特征，這里的有效指的是能夠區分不同的類別。從一組特征中挑選出一些最有效的特征，以到達降低特征空間維數的目的，這個過程叫做特征選擇。通過映射(或變換)的方法可以用低維空間來表示圖像，映射后的特征稱為二次特征，它們是原始特征的某種變換(通常是線性變換或是非線性變換)，得出數目比原來少的綜合性特征，對原始特征進行變換得到的這些有利于分類、更本質、更少的新特征的過程稱為特征提取。(2)圖像特征提取的分類一般來說，圖像特征的分類有很多種，如按提取的區域大小可以分為圖像的局部特征以及全局特征;按特征在圖像上的表現形式分為點特征、線特征和面特征(區域特征);將用于目標圖像識別的特征歸納為如下四種:圖像的視覺特征:例如，圖像的邊緣、輪廓、形狀、紋理和區域等。它們的物理意義明確，提取比擬容易。圖像的統計特征:例如，灰度直方圖特征、矩特征，其中矩特征包括均值、方差、峰度及墑特征等，目前，墑特征作為圖像的特征得到了廣泛的應用。變換系數特征:對圖像進行各種數學變換，如傅立葉變換、離散余弦變換、小波變換等，可以將變換后的系數作為圖像的一種特征。代數特征:代數特征反映的是圖像的某種屬性。而從映射角度考慮，將能夠通過線性映射得到的特征稱為線形特征，經過非線性映射得到的特征稱為非線性特征。對應的映射稱為線性特征提取方法和非線性特征提取方法。3.圖像特征提取的方法及比擬〔1〕線性特征提取方法傳統的線性特征提取方法有主分量分析(PrincipleComponentAnalysis,PCA)、Fisher線性鑒別〔FLD〕,投影尋蹤(ProjectionPursuit,PP)等。下面將重點對PCA算法及Fisher算法進行介紹：<1>主成分分析方法(PCA)主成分分析的目的是將分散在一組變量上的信息集中到某幾個綜合變量(又稱為成分)上，這些新變量是原始變量的線性組合而且互不相關。由于對變量的綜合，將可能克服多重相關性造成的信息重疊。幾何上主成分分析可以認為是坐標軸的旋轉，將原始坐標系的坐標軸旋轉成一組新的正交坐標軸，并按他們占原始數據變差的數量排列這些新的坐標軸。主成分分析的對象是一幅圖像矩陣,它的工作目標是對X總的信息重新調整組合，從中提取m個綜合變量v1,...,vm(m<q)，使這m個綜合變量能最多的概括原始圖像X中的信息，即在力保數據信息損失最少大的原那么下，對高維變量空間進行降維處理。設X=[,...],經過標準化，標準化的目的是使樣本點集合重心與坐標原點重合。現求v1,...vm(m<q),，它們是,...,線性組合，即=X,||=1,因為帶有最多變異信息，所以要求，方差取最大值，即(1)記V是X的協方差矩陣，即求優化(2)稱為第一主軸，=X稱為第一主成分。第一主成分帶有的變異信息(3)類似以上步驟依次有.這m個主成分帶有的信息總和為(4)成分個數m的選擇:通用的方法是方差的百分比方法，即保存占方差近90%的特征值。另一種方法是保存那些特征值大于平均值的特征值。主分量分析反映了目標類別主要特征信息，在最小均方誤差意義下是一種最正確變換。但它卻沒有利用類別屬性及類別差異信息，因而從分類識別的角度看并不是一種最優變換。<2>Fisher線性鑒別分析方法(FLD)Fisher線性判別分析(FLD)的根本思想是尋找一個投影方向，使訓練樣本投影到該方向時盡可能具有最大類間距離和最小類內距離。后來，人們又將兩類問題的FLD方法推廣到多類情況，其根本原理是通過尋找一個投影矩陣使得訓練樣本經投影變換后盡可能具有最大類間散射和最小類內散射。它是在使用PCA方法進行降維的根底上，考慮到訓練樣本的類間信息。如果說主分量分析獲得的特征是原始樣本的最正確表示特征集，那么，線性判別分析獲得的特征是原始樣本的最正確判別特征集，該特征集更利于提取高可分性的特征。設模式類別有c個:w1,w2,...wc，每類有訓練樣本個，X為n個訓練樣本，…的集合。每一類的均值從及總體樣本的均值分別為(5)(6)樣本類內離散度矩陣為:(7)其中為第i類樣本的離散度矩陣:(8)樣本的類間離散度矩陣Sb為:(9)Fisher鑒別函數定義為:(10)其中w表示從原始樣本空間到Fisher空間變換向量。<3>線性特征提取方法的比擬PCA方法是一種最小均方意義上的最優變換，它的目標是去除輸入隨機向量之間的相關性，以突出原始數據中的隱含特性。其優勢在于數據壓縮以及對多維數據進行降維。但PCA方法在對數據的處理過程中是根據觀測數據的協方差矩陣進行計算的，只涉及到信號數據協方差矩陣，即二階統計特性，并未考慮到信號數據的高階統計特性，所以變換后的數據間仍有可能存在高階冗余信息，實際上數據的高階統計特性往往包含更重要的特征信息。Fisher線性鑒別是基于樣本類別進行整體特征提取的有效方法。它是在使用PCA方法進行降維的根底上，考慮樣本的類間信息。PCA的一個主要的缺乏之處在于樣本類間離散度增大的同時，會導致樣本類內離散度增大，而FLD在最大化類間距離的同時最小化類內距離。FLD的根本原理就是找到一個最適宜的投影軸，使各類樣本在該軸上投影之間的距離盡可能遠，而每一類內的樣本的投影盡可能緊湊，從而使分類效果到達最正確，它是進行圖像整體特征提取的有效方法，有著廣泛的應用。投影尋蹤(projectionpursuit,PP)是用來分析和處理高維觀測數據，尤其是處理來自非正態總體的高維數據的一種統計方法。PP的根本思想是把高維數據投影到1-3維子空間上，尋找出能夠反映原來高維數據的結構或特征的投影，以到達研究、分析高維數據的目的。PP方法的缺乏之處表達在計算量大和處理非線性能力弱。〔2〕非線性特征提取方法無論是前面介紹的主成分分析還是Fisher鑒別方法都是線性特征提取方法，它們一般只適用于線性可分的模式。但實際應用中，許多模式并非線性可分，因此，線性特征提取方法并不理想。為了解決非線性模式的有效特征提取問題，一種可行的方法是對一些線性方法進行相應的非線性擴展。近年來，隨著統計學習理論，特別是支持向量機SVM方法的問世，通過再生核理論對一些線性算法進行非線性擴展己成為研究非線性特征提取方法的一種非常重要的手段。下面將對核方法的原理進行介紹：從具體操作過程上看，核方法首先采用非線性映射將原始數據由數據空間映射到特征空間，進而在特征空間進行對應的線性操作。由于運用了非線性映射，且這種非線性映射往往是非常復雜的，從而大大增強了非線性數據處理的能力。核方法的缺點:各特征的物理意義很不明確，一般的線性方法僅是原有各特征的線性疊加，還可以勉強找出其含義，而核方法是不可能明確其物理意義的;求投影所需的計算相對要難得多;測試樣本在F空間向量上的投影太復雜。第一個缺乏從目前看是不可克服的，因為這一缺乏是由非線性變換引起的，而核方法必須經過非線性變換。后兩個缺乏實際上涉及的是同一個問題，即如何減少表達式中所使用的樣本數目。由此可見，如何從學習樣本集中選擇最具代表性的學習樣本是核方法的一個研究方向，或許主動學習(activelearning)是解決這兩個問題的一條有效途徑。目前，核方法中的核函數主要包括線性核、P階多項式核和徑向基函數(RBF)核等。不過，在實際應用中，到底選擇什么樣的核函數才能最好地變換或表達該問題，還是一個尚未解決的問題。隨著支持向量機理論的提出，基于核的學習方法己逐漸受到人們的重視。核學習己經遠遠超越SVM范疇，形成了一個相對獨立的研究方向，并走向更為廠-闊的舞臺。核方法的中心思想是，在進行分類等數據處理時，對于線性不可分打本，首先通過一個非線性映射將原空間樣本映射到高維特征空間(也稱核空間)中，使核空間中的樣本變得線性可分，或者近似線性可分，然后在核空間中用線性方法對其進行處理，從而實現相對于原空間進行非線性的處理，其效果相當好。研究者相繼提出了核主成份分析(KPCA)以及針對兩類的FLD問顆棵出了核Fisher判別分析(KFLD)等等。4.小結本文主要討論了目標識別中的特征提取問題，并著重研究了線性與非線性特征提取的方法。而現在由于圖像處理的數據量和數據維數的增大，研究圖像特征提取的更加優化的算法顯得更加重要。而研究人員也在本文中提到的相關算法上提出了優化的算法，如2DPCA及分塊2DPCA算法、分塊Fisher線性鑒別方法等。這些算法的提出使得圖像特征的提取能夠快速、準確，為其應用于實踐中起到了巨大的推進作用。由于楔形波逼近過程是自底向上的過程，不可防止計算時間較長，如何改良呢楔形波的逼近算法，使其計算時間縮短，還有待于做進一步深入研究，雖然基于楔形波變換域的邊緣檢測的方法效果比擬明顯，但是對微弱邊緣和細小邊緣的檢測效果仍然是不夠理想的，如何更好的對它們檢測這都是需要有待于做進一步深入研究。只要這些缺乏通過研究得到解決那么楔形波在圖像處理中表達出來的未來價值是顯而易見的。總而言之圖像特征的提取是圖像處理領域中很重要的內容，也有著廣泛的應用前景。參考文獻LinCH,ChenRT,ChanYK.Asmartcontent-basedimageretrievalsystembasedoncolorandtexturefeature[J].IMAGEAND