CN102289669B - 基于灰度梯度序列的数字图像特征提取方法 - Google Patents

Abstract

针对数字图像处理技术领域中现有图像特征提取方法存在的普适性不够、计算量偏大等问题，本发明提出了一种基于灰度梯度序列的数字图像特征提取方法，包括步骤为：对待处理数字图像进行预滤波处理；对滤波处理后的数字图像，沿某一方向计算像素灰度梯度，基于此构造若干灰度梯度序列；计算灰度梯度序列的局部极值点，将其坐标位置作为边缘特征位置。本发明不引入任何算子设计，在处理中具有较高的普适性；将二维图像特征提取问题转化为对一维灰度梯度序列的分析，有效提高了数字图像特征提取的效率。

Description

基于灰度梯度序列的数字图像特征提取方法

技术领域

本发明涉及数字图像处理技术领域，特别涉及一种数字图像特征提取方法。

背景技术

特征提取技术是数字图像处理的基础，其在国土资源管理、城市发展规划、目标识别与跟踪、疾病分析诊断等方面起着关键的作用。本发明主要涉及数字图像边缘特征的提取方法。

边缘是图像的基本特征之一，其主要表现为图像灰度变化剧烈的位置。而图像灰度的本质是像素所具有的能量水平。由数字图像的基本特性可知，其能量分布是连续的，但其存在形式表现为像素坐标和灰度级的离散化。现有特征提取方法针对不同的图像数据和应用问题，取得了较好的处理效果。但这些工作在对数字图像进行处理时，不是忽略了图像能量连续分布的特点，就是忽略了其存在形式的离散性，方法往往缺少系统性和关联性，存在普适性不够、或计算量偏大、或缺乏精确数学意义上的理论支持等问题。根据本发明人的调查，现有特征提取方法大致可分为以下四类：(1)基于信息理论的灰度信息方法，如互信息方法、互熵方法等。(2)基于随机场模型的方法，如Markov随机场模型等。(3)基于数学变换的特征提取方法，如基于相位一致性的方法、采用多尺度分析的小波变换、Gabor变换和Laplace金字塔方法等。其中，小波变换是常用的特征提取方法，其具有典型的拟合、试探性质，对同一待处理对象采用不同的基小波函数所得变换结果不唯一，这个特性直接导致了小波变换在某些应用场合中的不适用性，这也直接反映了小波变换中的变换算子(基小波函数)不具备普适性。(4)基于图像向量或图像矩阵的统计相关特征提取方法，如主成分分析(PCA，Principal Component Analysis)方法、独立成分分析(ICA，Independent Component Analysis)方法、二维PCA方法、基于核函数的KPCA(Kernel Principal Component Analysis)方法和KFD(Kernel Fisher Discriminant)方法等。这些方法大多采用的是基于数字图像离散的向量或矩阵描述形式分析像素间的相关性，而忽略了图像能量连续分布的特点。

因此，在研究数字图像特征提取的时候，不宜对图像单一地采用离散的处理方式或单一地采用连续的处理方式；而应基于数字图像的基本特性，即其存在形式是离散的，而图像的实质是连续的能量分布。

发明内容

本发明的目的在于提供一种建立在既连续又离散基础上的数字图像特征提取方法，用像素灰度梯度反映像素灰度分布的离散性，用灰度梯度序列反映能量分布的连续性，提高数字图像特征提取效率和特征提取方法应用的普适性。

本发明是通过以下技术方案实现的，包括以下步骤：

第一步，对待处理数字图像I进行预滤波处理，得到处理后的数字图像A。

所述的对数字图像I进行预滤波处理，具体是：对图像I进行去噪或增强等滤波处理。

第二步，对数字图像A，计算像素灰度梯度，基于此构造灰度梯度序列；

所述的灰度梯度序列，具体是：

$\begin{array}{c}{\mathrm{GS}}_{x_m}=(\▿A(m,1),\▿A(m,2),...,\▿A(m,\mathrm{col}-1))\\ {\mathrm{GS}}_{y_n}=(\▿A(1,n),\▿A(2,n),...,\▿A(\mathrm{row}-1,n))\end{array},(1\≤m\≤\mathrm{row}-\mathrm{1,1}\≤n\≤\mathrm{col}-1)$

其中，是图像A中沿水平方向第m行的灰度梯度序列，是图像A中沿竖直方向第n列的灰度梯度序列；row是图像A的行数，即图像A在竖直方向上的像素个数；col是图像A的列数，即图像A在水平方向上的像素个数；是图像A的灰度梯度，具体是：

$\▿A(i,j)=\sqrt{G_{x_{i,j}}^2+G_{y_{i,j}}^2},(1\≤i\≤\mathrm{row}-\mathrm{1,1}\≤j\≤\mathrm{col}-1)$

其中，是图像A中沿水平方向相邻像素点间的灰度差，是图像A中沿竖直方向相邻像素点间的灰度差，具体可表示为：

$\begin{array}{c}{G}_{x_{i,j}}=A(i,j+1)-A(i,j)\\ G_{y_{i,j}}=A(i+1,j)-A(i,j)\end{array}.$

第三步，计算所述灰度梯度序列的局部极值点，将其坐标位置作为边缘特征位置。

所述的计算灰度梯度序列的局部极值点，具体是：根据提取特征需求，设定灰度梯度序列中相邻点间的幅度变化值，将其作为局部极值点选取的阈值。

与现有技术相比，本发明的有益效果是：以数字图像为直接处理对象，强调了数字图像既离散又连续的基本特性，运用了最直接简单的代数运算，不引入任何变换算子，在处理中具有较高的普适性；将二维图像特征提取问题转化为对一维灰度梯度序列的分析，方法运算简洁，可并行实现，有效提高了数字图像特征提取的效率。所有这些是现有特征提取方法不能同时具备的。

附图说明

图1为本发明数字图像特征提取方法的流程图

图2为本实施例中待处理的图像

图3为本实施例中待处理图像第23行的灰度梯度序列

图4为对实施例进行特征提取的结果

图4中，(a)为采用本发明方法的特征提取结果，(b)为采用Canny算子的特征提取结果，(c)为采用Log算子的特征提取结果，(d)为采用Prewit算子的特征提取结果，(e)为采用Sobel算子的特征提取结果，(f)为采用Roberts算子的特征提取结果。

具体实施方式：

下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明数字图像特征提取方法实施例的流程如下：

第一步，对图2所示待处理图像I，采用高斯滤波进行去噪，得到处理后的数字图像A。

第二步，对数字图像A，沿水平和竖直方向分别计算像素灰度梯度，基于此构造灰度梯度序列(如图3所示)。

所述的灰度梯度序列具体是：

$\begin{array}{c}{\mathrm{GS}}_{x_m}=(\▿A(m,1),\▿A(m,2),...,\▿A(m,179))\\ {\mathrm{GS}}_{y_n}=(\▿A(1,n),\▿A(2,n),...,\▿A(115,n))\end{array},(1\≤m\≤115,1\≤n\≤179)$

其中，是图像A的灰度梯度，具体是：

$\▿A(i,j)=\sqrt{G_{x_{i,j}}^2+G_{y_{i,j}}^2}$

其中，图像A(i,j)的大小为116×180，(1≤i≤115,1≤j≤179)；和分别是图像A中沿水平和竖直方向相邻像素点间的灰度差，具体可表示为：

$\begin{array}{c}{G}_{x_{i,j}}=A(i,j+1)-A(i,j)\\ G_{y_{i,j}}=A(i+1,j)-A(i,j)\end{array}$

第三步，计算所述灰度梯度序列的局部极值点，将其坐标位置作为边缘特征位置。

所述的局部极值点计算方法具体是：根据提取特征需求，设定灰度梯度序列中相邻点间的幅度变化值，将其作为局部极值点选取的阈值T。例如，对图3所示灰度梯度序列，选取 $\&dtri;A(m,n)-\&dtri;A(m,n-1)>T$ 且 $\&dtri;A(m,n+1)-\&dtri;A(m,n)<0,$ 或 $\&dtri;A(m,n)-\&dtri;A(m,n-1)<-T$ 且的坐标位置(m,n)作为满足需求的水平方向边缘特征位置；同理，提取满足需求的竖直方向边缘特征。在本实施例中，水平和竖直方向的阈值T均选为15。具体应用中，阈值T还可根据应用背景对待提取特征细致程度的需求进行选择。

本实施例特征提取结果采用二值图像的形式进行显示，提取的边缘特征位置对应像素灰度用白色显示。本实施例特征提取结果如图4(a)所示，与图4(b，c，d，e，f)现有方法特征提取结果相比可见，本发明方法用于数字图像特征提取时，可以更有效的提取图像边缘特征，提取出的边缘特征更加清楚、连续。

上述说明已经充分介绍了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应的，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。

Claims (2)

1.一种基于灰度梯度序列的数字图像特征提取方法，其特征在于，包括以下步骤：

第一步，对待处理数字图像I进行预滤波处理，得到处理后的数字图像A；

第二步，对数字图像A，计算像素灰度梯度，基于此构造灰度梯度序列；

第三步，计算所述灰度梯度序列的局部极值点，将其坐标位置作为边缘特征位置；

第二步所述的灰度梯度序列，具体是：

$\begin{array}{c}{\mathrm{GS}}_{x_m}=(\&dtri;A(m,1),\&dtri;A(m,2),...,\&dtri;A(m,\mathrm{col}-1))\\ {\mathrm{GS}}_{y_n}=(\&dtri;A(1,n),\&dtri;A(2,n),...,\&dtri;A(\mathrm{row}-1,n))\end{array},(1\&le;m\&le;\mathrm{row}-\mathrm{1,1}\&le;n\&le;\mathrm{col}-1)$

其中，A是对待处理图像I经过预滤波处理后的数字图像；是图像A中沿水平方向第m行的灰度梯度序列；是图像A中沿竖直方向第n列的灰度梯度序列；row是图像A的行数，即图像A在竖直方向上的像素个数；col是图像A的列数，即图像A在水平方向上的像素个数；是图像A的灰度梯度，具体是：

$\&dtri;A(i,j)=\sqrt{G_{x_{i,j}}^2+G_{y_{i,j}}^2},(1\&le;i\&le;\mathrm{row}-1,1\&le;j\&le;\mathrm{col}-1);$

其中，是图像A中沿水平方向相邻像素点间的灰度差，是图像A中沿竖直方向相邻像素点间的灰度差，具体可表示为：

$\begin{array}{c}{G}_{x_{i,j}}=A(i,j+1)-A(i,j)\\ G_{y_{i,j}}=A(i+1,j)-A(i,j)\end{array};$

第三步所述的计算灰度梯度序列的局部极值点，具体是：根据提取特征需求，设定灰度梯度序列中相邻点间的幅度变化值，将其作为局部极值点选取的阈值。

2.根据权利要求1所述的数字图像特征提取方法，其特征是，第一步所述的对待处理数字图像I进行预滤波处理，具体是：对图像I进行去噪或增强等滤波处理。