Blob特征提取介紹
Contents
原点矩、中心距、Hu矩
最早接触矩是在《概率论与数理统计》中,下面给出书中的对于矩的定义:
设
为随机变量, 为常数, 为正整数。则量 称为 关于 点的 阶矩。
有两种特殊的情况:
(1). 当
时, 称为 的 阶原点矩; (2). 当
时, 称为 的 阶中心矩。
明显,一阶原点矩为期望,一阶中心距
在统计学上,高于四阶的矩极少使用,三、四阶矩有些应用,但也不多。
在图像处理中,无论是原点矩还是中心矩,不能同时具备尺度、旋转和平移不变性,中心矩仅具备平移不变性,而归一化中心矩不仅具备平移不变性,还具有尺度不变性。而Hu矩是利用二阶和三阶归一化中心矩构造出的7个不变矩,在1962年,Hu.M.K证明了它们的旋转、尺寸和平移不变性。
下面给出图像中,各类矩的计算方式:
(p+q)阶原点矩定义为:
(p+q)阶中心距定义为:
(p+q)阶归一化原点矩定义为:
(p+q)阶归一化中心矩定义为:
Hu矩定义为:
区域特征
这里所谓的区域广义上指二值图像中的前景部分。
最简单的特征是区域的面积,可用零阶原点矩表示:
其中,
而要获得区域的重心位置,则需要使用到归一化原点矩:
值得注意的是,虽然重心计算过程都是使用像素精度的数据,但是它是一个亚像素精度的特征。
二阶中心矩的使用可以确定区域的方位和范围。例如区域的椭圆参数:长轴
通过椭圆特征可以推导出一个非常有用的特征——各向异性,它可用来描述区域细长程度:
与此相关的还有蓬松度(Bulkiness)和结构因子(Structure Factor):
另外,还有的区域特征如下:
-
凸性(convexity),区域面积和该区域凸包面积的比值,用于描述区域的紧凑程度,取值在
和 之间: -
轮廓长度(L), 区域轮廓线段的欧几里得距离和;
-
紧性(compactness),与凸性意义类似。所有圆形区域的紧性特征值都为1,其他区域紧性特征值更大。
-
圆度(circularity),描述区域近视于圆形的程度
其中, max_dist为轮廓上到中心的最远距离。这个特征值对于越小的区域近视误差越大。该特征对于大的凸起、孔及未连接区域的响应较大。
- 轮廓点到中心点平均距离及方差
其中,
通过这两个属性能推出以下特征:
另外,
(1). 数值越大,形状越趋于圆形;
(2). 从数字图像获得的值与连续图像中获得的值一致;
(3). 与方向和面积无关。
灰度值特征
有了区域R后,可以结合原始图像直接提取到区域R中的灰度信息;例如,最大灰度值和最小灰度值:
这两个值方便后续对每个单独区域进行归一化处理操作。
平均灰度值可以对区域内的亮度进行一个度量,结合灰度值方差,可以对区域内的灰度值进行变换:
这里
而灰度直方图和累计直方图也属于灰度值特征。基于直方图可计算出中值灰度值、熵和灰度各向异性:
与区域矩类似,灰度值矩同样能计算出灰度值面积、重心以及椭圆参数等;不同的在于,使用灰度值特征,可以将图像视作一个模糊集合,不必对每个像素是否属于某个物体做硬性判断,而是用模糊隶属关系值确定此像素属于此物体的百分比程度。模糊集理论可参考《数字图像处理》一书中的介绍。下面给出两个基于模糊集计算的特征:fuzzy_perimeter和fuzzy_entropy。
fuzzy_perimeter用于确定像素点与其相邻像素点隶属程度差异;
fuzzy_entropy用于度量与白色图像或者黑色图像近视程度。
其中:
轮廓特征
Blob除了使用行程编码的区域描述,还可以使用轮廓控制点进行描述。而基于轮廓控制点则可快速的获得凸包、最小外接圆和任意方向的最小外接矩形等。当然,利用轮廓控制点计算矩也是我们关心的问题,而其中最为关心的问题就是轮廓是否存在面积,显然面积必须是围绕一个区域的轮廓才存在这些矩特征,也就是说轮廓必须是闭合的且不能自相交。基于轮廓控制点计算矩的方式如下:
基于轮廓矩,同样可以获得轮廓面积、重心以及椭圆属性等其他特征。