人工智能论文

人工智能选修课,选题为“图像特征提取的常用分类及匹配方法”。

图像特征提取的常用分类及匹配方法

摘要：

图像特征提取是将图像固有的、本质的重要特征或属性进行量测并将结果数值化。本文将重点描述图像特征提取的常用分类及其匹配方法，。对于不同分类，分别探讨其特点，然后从识别精度、运算量、运算速度等指标简析其优缺点。

关键词：

图像特征 分类 特征提取 模式识别

正文：

图像作为一种直观性很强信息表达形式，在生活中应用广泛。即使是同一幅图像，特定领域的相关人员所要从中获取的信息也不一样，这就涉及到对图像进行处理和分类标识，采用的方法就是图像特征提取。

对图像进行分类，首先需要研究图像的原始特征或属性，对其进行量测并将结果数值化。这种特质可以是自然特征，比如区域亮度、边缘轮廓等，也可以是人为特征，比如频谱、直方图等。原则上，图像的特征应当是不易受随机因素干扰的信息。其次，还要根据特征分类研究提取方法，以去掉冗余信息。

以下将从分类的角度，简述各类提取方法及其应用。

分类一 颜色特征

颜色特征是描述图像或图像区域所对应的景物的表面性质的全局特征，常基于像素点的特征。

表达颜色特征的方法之一是颜色直方图，也是最常用的。它十分适用于描述难以自动分割的图像和无需考虑物体空间位置的图像，但无法描述图像中的具体对象或物体。提取颜色直方图特征，可使用的匹配方法有：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。其它提取方法有颜色集法、颜色矩法等，在此不详细探讨。运用颜色特征提取的缺陷在于，颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征对于对象的局部特征不能很好地提取。而且，如果仅使用颜色特征查询，那么很可能由于数据库的大容量而检索出许多原本并不需要的图像。

基于以上优缺点，颜色特征提取更适合于不太注重颜色空间分布的信息，而对图像旋转和平移变化以及图像尺度变化不影响图像处理这一要求更关注的行业。

分类二 纹理特征

纹理特征描述图像或图像区域所对应景物的表面性质，也是一种全局特征。

由于需要在包含多个像素点的区域中进行统计计算，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功，而且具有旋转不变性，并对噪声有较强的抵抗能力。关于缺点，纹理只是物体表面特性，并不能完全反映物体的本质属性，所以单一利用纹理特征无法获得高层次图像内容。其次，图像分辨率变化会引起计算结果有较大偏差。再次，受光照、反射情况的影响，2-D图像反映的纹理不一定是3-D物体表面真实的纹理。 纹理特征的提取方法大致分为四类：（1）统计方法统计方法（2）几何法（3）模型法（4）信号处理法。有效应用于检索具有粗细、疏密等方面较大差别的纹理图像。 分类三 形状特征

直观上，基于形状特征的检索方法更容易理解，即利用图像中感兴趣的特定形状的目标来进行检索。