淺述計算機(jī)視覺中的圖像特征及提取方法

姜文澤

摘要：計算機(jī)視覺是人工智能領(lǐng)域中的一個重要分支，更是人工智能的基礎(chǔ)。人工智能領(lǐng)域中的信息多種多樣，其中圖片信息即視覺信息比其他信息如觸覺、聽覺信息要重要得多。該文將簡要概述計算機(jī)視覺領(lǐng)域中圖像操作所要進(jìn)行的第一步——圖像特征提取時的圖像特征以及提取過程中所用到的方法。

關(guān)鍵詞：計算機(jī)視覺;圖像特征;特征提取方法

中圖分類號：TP3? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）16-0185-02

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

1? 提取方法

1.1? 直方圖

直方圖（Histogram）作為一個統(tǒng)計手段，具有一定的統(tǒng)計作用，同時其不僅可以表示一般數(shù)據(jù)的分布，也可以對圖像的數(shù)據(jù)或特征進(jìn)行統(tǒng)計，生成圖像特征分布的直方圖，譬如灰度、顏色、梯度（邊緣）、形狀、紋理、局部特征點(diǎn)等。

直方圖本質(zhì)上是對圖像的原始特征或數(shù)據(jù)進(jìn)行降維，通過對其特征進(jìn)行處理、對其數(shù)據(jù)分布進(jìn)行建模，使數(shù)據(jù)具有一定的總結(jié)性，同時可以有效節(jié)省存儲空間、簡化運(yùn)算量，更易于查看和分析，為進(jìn)一步圖像處理或分析做準(zhǔn)備。

1.2? 聚類

聚類（Clustering）是一種可以取代直方圖的特征提取方法，該方法可以通過基于數(shù)據(jù)的無監(jiān)督訓(xùn)練得到更穩(wěn)定的值。其目標(biāo)是找到混合樣本集中存在的內(nèi)在的群組關(guān)系，即對對象集合分割分塊或分組為不同的子集或類，使得類內(nèi)關(guān)聯(lián)性高，類間關(guān)聯(lián)性差。

常用的聚類方法有K-means聚類、均值漂移聚類、基于密度的聚類（DBSCAN）、基于高斯混合模型的最大期望聚類（EM）、凝聚層次聚類和圖團(tuán)體檢測等方法。

2? 圖像特征

2.1? 顏色特征

顏色特征是圖像特征中的一種全局特征，它直觀地描述了圖像中物體的表面性質(zhì)。但顏色對圖像區(qū)域的方向、大小等變化不敏感，故顏色特征不能很好表述圖像中的局部特征。

顏色特征主要的提取方法有量化顏色直方圖和聚類顏色直方圖，兩種方法的適用顏色空間不同，前者適用于RGB和HSV等均勻顏色空間，后者適用于Lab等非均勻空間。

量化顏色直方圖的操作簡單，計算高效，但存在量化問題，如果顏色相對單調(diào)還容易產(chǎn)生分布稀疏的問題。

對于Lab等非均勻空間，使用K-means聚類算法對所有像素點(diǎn)的顏色向量進(jìn)行聚類，直方圖的區(qū)間單元由聚類中心代表。

2.2? 幾何特征

常見的幾何特征有邊緣（Edge）、角點(diǎn)（Corner）以及斑點(diǎn)（Blob）。

邊緣是指梯度、亮度、顏色交界處以及面與面相交、線與線相交等像素有明顯變化的區(qū)域，即圖像中某一特性在某一方向上分布的不連續(xù)處。對于復(fù)雜圖片，可以先將彩色圖像轉(zhuǎn)化為灰度圖像，再對其某一方向的灰度值函數(shù)求一階導(dǎo)數(shù)，得到的一階導(dǎo)數(shù)的高于某個閾值的極值區(qū)域即邊緣區(qū)域。該閾值也是一個超參數(shù)，若閾值設(shè)置過低，邊緣提取不精確，導(dǎo)致得到的邊緣區(qū)域信息量過大，進(jìn)而可能會導(dǎo)致計算量過大;若閾值設(shè)置過高，提取到的邊緣區(qū)域過少，則會導(dǎo)致信息質(zhì)量較低。邊緣提取時一階導(dǎo)數(shù)對噪聲極為敏感，故應(yīng)先進(jìn)行高斯去噪，再使用一階導(dǎo)數(shù)獲取極值。

角點(diǎn)是一種顯著點(diǎn)，即在某方面屬性特別突出的點(diǎn)。在本文中，角點(diǎn)區(qū)域被定義為在任何方向上移動某個框形區(qū)域（小觀察窗），導(dǎo)致大的像素變動的區(qū)域，可以簡單表示為以下數(shù)學(xué)模型：

對計算得到的角點(diǎn)響應(yīng)值[E（u，v）]進(jìn)行閾值化得到局部最大點(diǎn)。Harris角點(diǎn)響應(yīng)值相對于邊緣提取是更高一層的特征值，它不受光照、平移、旋轉(zhuǎn)這些尺度的影響。

斑點(diǎn)（Blob）可以理解為圓斑，通?？梢岳美绽固荻惹髽O值來計算斑點(diǎn)。同樣的，斑點(diǎn)對噪聲極其敏感，需要先做高斯去噪再進(jìn)行進(jìn)一步計算。先進(jìn)行高斯濾波再進(jìn)行拉普拉斯濾波相當(dāng)于直接對其進(jìn)行二階高斯導(dǎo)數(shù)（LoG）濾波。公式表示為：

公式左側(cè)為先進(jìn)行高斯濾波，再進(jìn)行拉普拉斯濾波;公式右側(cè)為二階高斯導(dǎo)數(shù)濾波。

2.3? 紋理特征

紋理特征作為一種全局性的特征，具有可以反映物體表面的特性。紋理特征與角點(diǎn)類似，具有旋轉(zhuǎn)不變性;但又區(qū)別于角點(diǎn)，具有良好的抗噪性能，同時有可能會受到光照或反射的影響。紋理特征的常用提取方法有方向梯度直方圖（HOG）、局部二值模式（LBP）和Gabor濾波器組。

基于局部方格單元的方向梯度直方圖通常適用于圖像中的人體檢測，圖像中的幾何和光學(xué)的變化不會影響圖像提取的結(jié)果。該方法的優(yōu)點(diǎn)是簡單高效且不需要做高斯模糊。

局部二值模式一般應(yīng)用于人臉特征的分析。它所計算出的二進(jìn)制模型簡單直觀。只需將圖像中每個像素點(diǎn)與周圍的像素點(diǎn)進(jìn)行比較閾值化即可得到LBP編碼。

以某個像素點(diǎn)為中心，畫出半徑為r的圓，在圓周上均勻采樣p個點(diǎn)，與中心像素點(diǎn)進(jìn)行比較，將數(shù)值大小量化為0或1，當(dāng)小于中心像素點(diǎn)時量化為0，反之量化為1，將得到的多位bit按照順（逆）時針組成一個數(shù)，該數(shù)即中心像素點(diǎn)的LBP編碼，同時該數(shù)值可以作為直方圖的一個bin，遍歷操作所有像素點(diǎn)，每有一個相同的bin，該區(qū)間上的數(shù)值增加1，最終可以得到一個描述圖像紋理特征的直方圖。如圖2-9所示，以中心像素點(diǎn)為圓心，繪制了一個半徑為2的圓，均勻采樣8個點(diǎn)，通過比較具體數(shù)值可以量化為圖2-10，從中心像素點(diǎn)正上方的像素點(diǎn)按照順時針進(jìn)行編碼，得到二進(jìn)制編碼00001101，即為其中心像素點(diǎn)的8bits的LBP編碼。

Gabor濾波器組在二維空間中本質(zhì)上是高斯核函數(shù)和正弦平面波的乘積，因此其具有高斯核的特性。與人類的視覺系統(tǒng)類似，可以用多個濾波器捕捉多尺度多方向多頻率的信息。

3? 總結(jié)

計算機(jī)視覺作為人工智能的基礎(chǔ)，特征提取更是當(dāng)中的一個重要概念，即將圖像中具有不同特征的像素點(diǎn)劃分為不同的子集，使每個子集都具有不同的特性。隨著時代的發(fā)展和提取方法的改進(jìn)與優(yōu)化，提取到的圖像特征也越發(fā)精細(xì)準(zhǔn)確，為圖像處理的后續(xù)操作提供了更多的可能性。

參考文獻(xiàn)：

[1] 張錫英，車鑫.圖像顏色特征提取及其分類研究[J].安徽農(nóng)業(yè)科學(xué)，2014，42（07）：2196-2198.

[2] 李姍姍.彩色圖像邊緣檢測相關(guān)算法研究[D].西北大學(xué)，2018.

【通聯(lián)編輯：代影】