CN103942526A - 一种离散数据点集的线特征提取方法 - Google Patents

Abstract

本发明公开了一种离散数据点集的线特征提取方法，其根据获得的均值、方差及主轴方向，基于聚类分析，以坐标均值为初始的聚类中心、以方差和主轴方向为约束值设定有效区域，进而调用步骤（4）和步骤（5）进一步计算有效区域内数据点坐标的均值和方差，得出新的聚类中心，如此迭代，直到当前和上一次计算得到的聚类中心之间的距离小于设定阈值，则以当前得到的主轴方向为斜率过坐标均值确定的线特征为提取的线特征。依据本发明速度快、准确率高且误检率低。

Description

一种离散数据点集的线特征提取方法

技术领域

本发明涉及一种离散数据点集的线特征提取方法。 

背景技术

特征检测在模式识别和数字图像处理领域发挥着重要作用，是模式识别过程的关键步骤。图像特征主要分为自然特征和人工特征两类。人工特征是指人为构造产生的图像特征，如直方图、频谱图、链码等；自然特征是指图像本身所固有的特征，是可以通过人类视觉感知系统直接获得的，如图像的边缘、纹理、形状、点、线等。研究发现，人类视觉系统能够快速准确的识别目标物体，主要在于人眼能够直接提取目标物体的线和面等高维特征。而线特征的提取一直以来都是特征提取领域的研究热点。 

一般目标物体的线特征描述形式可以分为连续曲线数据描述和离散点集数据描述两类。针对这两种不同的目标数据描述形式，可以采用不同的线特征提取方法。一般具有连续曲线数据描述形式的线特征通常对应目标物体的轮廓线或者边界线，常用的线特征提取方法主要有空域微分算子方法和基于变换的方法两大类。而对于离散点集数据描述形式的线特征通常对应于大量离散数据点的某种直线近似或拟合，常采用基于变换的特征提取方法。 

基于变换的线特征提取方法主要是Hough变换。1972年Duda和Hart提出利用Hough变换提取直线。Hough变换在检测直线时受噪声影响小、鲁棒性好，故应用很广泛。但传统的Hough变换在用于检测直线时，存在不能确定直线端点、会检测出虚假直线以及对称地额外画出直线等问题。另外，研究者提出了用全局阈值与局部阈值结合去除虚假直线、利用动态分组原则确定端点的方法，但是该方法的阈值确定较困难，算法也比较复杂。（Duda R.O.,Hart P.E.Use of t he HT t o detect lines and curves in picture.Com m[C].ACM,1972,15:11-15;韩秋蕾,朱明,姚志军.基于改进Hough变换的图像线段特征提取[J].仪器仪表学报,2004,25:436-439.） 

线性特征提取所依赖算法：聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类是一种发现这种内在结构的技术，属 于无监督学习。聚类分析己经广泛地应用在许多领域，包括模式识别、数据分析、图象处理、以及市场研究等。通过聚类，人能够识别密集的和稀疏的区域，因而发现全局的分布模式以及数据属性之间有趣的相互关系。聚类分析可分为：静态聚类和动态聚类两大类，其中静态聚类主要是指非迭代的分级聚类算法，动态聚类一般可分为C均值聚类和ISODATA算法两种（边肇祺,张学工.模式识别[M].北京,清华大学出版社,2000年）。 

K-L变换是将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法，也是数学上用来降维的一种方法，在模式识别和图像处理中用于特征的抽取。基于K-L变换的特征提取及其与该变换先关的改进算法，在模式识别技术的发展历程中产生了深远的影响。 

发明内容

本发明的目的在于提供一种速度快、准确率高且误检率低的基于离散数据点集合的线性特征提取方法。 

本发明采用以下技术方案： 

一种离散数据点集的线特征提取方法，包括以下步骤： 

（1）读取原始离散数据点集合图像； 

（2）对原始离散数据点集合图像进行灰度化处理； 

（3）对灰度化处理得到的离散数据点集合图像进行二值化处理； 

（4）在初始给定的坐标系内计算二值化后所有数据点坐标的均值和方差； 

（5）基于K-L变换计算数据点分布的主轴方向； 

（6）根据获得的均值、方差及主轴方向，基于聚类分析，以坐标均值为初始的聚类中心、以方差和主轴方向为约束值设定有效区域，进而调用步骤（4）和步骤（5）进一步计算有效区域内数据点坐标的均值和方差，得出新的聚类中心，如此迭代，直到当前和上一次计算得到的聚类中心之间的距离小于设定阈值，则以当前得到的主轴方向为斜率过坐标均值确定的线特征为提取的线特征。 

依据本发明的上述方法，针对原始离散数据点集合图像进行灰度化和二值化处理，在一定程度上去除了图像中的干扰数据点，计算量降低，速度提高；进而通过K-L变换和聚类分析，尤其是通过有效区域的方式，可以减少边缘的干扰数据，不仅降低了计算量，也提高了计算的准确性，并 且干扰信息的减少，也有利于减少迭代次数，进一步提高计算速度。 

再进一步改进的方案中，上述离散数据点集的线特征提取方法，步骤（6）中有效区域的确定方法是： 

a）以当前获得的主轴方向为斜率过当前获得的聚类中心确定一条直线； 

b）以步骤a）确定的直线为基准，向其两侧集合图像边缘内侧平行地设置两条扩增直线，所获得的两条扩增直线内的区域为有效区域； 

其中，步骤b）中集合图像为首次扩增的约束系，进一步确定有效区域时，以上次获得的有效区域为约束系。 

两条扩增直线确定的有效区域可以更加有效地滤除边缘干扰数据点信息，且相对而言，扩增直线与基准直线之间的距离相对也比较容易设定，降低了难度。 

进一步地，扩增直线与确定的用作基准的直线的初始距离为： 

$d_{\mathrm{\δ}}=\frac{1}{2}(\sqrt{{\mathrm{\δ}}_x}+\sqrt{{\mathrm{\δ}}_y})$

其中，δ_x和δ_y分别步骤（4）得到的方法在x和y轴方向的方差；在进一步的迭代计算中δ_x和δ_y分别为当前方差在x和y轴上的分量。 

使用方差在离散点分布中的特性，能够加以区分的消除边缘数据点。 

上述离散数据点集的线特征提取方法，为了减少计算量，在步骤（6）中聚类分析前，以得到的均值为原点构造新的坐标系。 

上述离散数据点集的线特征提取方法，步骤（2）的灰度化处理对像素点不同的通道采用不同的权重，人眼敏感性高的通道占有较大的权重，相反，人眼敏感度低的通道占有较低的权重，从而使像素点凸显，也有助于减少干扰像素点。 

优选地，由于人眼对绿色的敏感性最好，绿色通道的权重至少为50%，且不能大于60%，在于某些像素点绿色通道或许为0或者偏小，如果绿色通道所占的权重过大，会使得一些正常的像素点被过滤掉。 

进一步地，在凸显像素点，并避免正常的像素点被过滤掉的一个较佳的平衡点如下：步骤（2）得到的灰度图像为： 

f(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y) 

其中，f(x,y)表示灰度化后灰度图像的像素值，R(x,y)、G(x,y)、B(x,y)为原始数据点集合图像的R、G、B三个分量。 

上述离散数据点集的线特征提取方法，步骤（3）二值化处理的计算公式为： 

$f(x,y)=\left\{\begin{array}{cc}1& \mathrm{iff}(x,y)>T\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，T为二值化分割阈值，通过分割阈值可以减少整体的计算量，也消除一些人眼敏感性不高的像素点，或者说像素点亮度偏小的点。 

优选地，二值化分割阈值T优选为110，。 

上述离散数据点集的线特征提取方法，当前和上一次计算得到的聚类中心之间的距离所对应的设定阈值为2，在此条件下，迭代次数一般不大于5，通常情况下在2～3次，整体的计算量不会太大。 

附图说明

图1为离散数据点集的线特征提取方法流程图。 

图2为不具有分布规律的离散数据点集图像。 

图3为呈现明显分布规律的离散数据点集图像。 

图4为灰度化后的离散数据点集图像。 

图5为二值化后的离散数据点集图像。 

图6为首次提取的线特征及其平行区域示意图。 

图7为最终的提取出的线特征。 

图8为采用Hough提取出的线特征。 

其中，图2～图8都包含多幅附图，为了清楚对比，使用二级标号，如（a）、（b）等进行直接的标识。 

具体实施方式

下面结合附图对本发明作进一步描述： 

依据本发明，提供一种线特征提取方法，首先针对原始图像进行灰度化和二值化处理；其次，计算二值化后所有数据点坐标的均值和方差，并将坐标的均值向量作为初始聚类中心；然后，基于K-L变换计算离散数据点分布的主轴方向，并主轴方向作为提取直线的斜率；最后，基于求得的聚类中心和斜率，确定出一条直线，并以该直线为基准做出一平行区域，将该平行区域内的数据点进一步执行坐标均值的计算，并前后两次坐标均值间的距离，判断是否最终获得提取的线特征。 

依据本发明的线特征提取方法主要包括以下步骤： 

（1）读取原始离散数据点集合图像。 

（2）对原始离散数据点集合图像进行灰度化处理。 

（3）对灰度化处理得到的离散数据点集合图像进行二值化处理。 

（4）计算二值化后所有数据点坐标的均值和方差。 

（5）基于K-L变换计算数据点分布的主轴方向。 

（6）计算得出数据点坐标的均值和数据点分布的主轴方向后，采用聚类分析的方法不断校正有效区域及有效区域内数据点坐标的均值，最终得到提取的线特征。 

下面对上述步骤进行详述： 

1、读取原始离散数据点集图像： 

结合图2和图3，为充分说明结合聚类分析和K-L变换的离散数据点集中线特征提取方法的有效性，本发明分别使用了不具有明显分布规律的离散数据点集图像和具有明显分布规律的离散数据点集图像。 

图2中（a）、（b）所示的图像不具有分布规律的离散数据点集合图像，数据点分布无规律可循。 

图3所示的四幅图像（a～d）中的离散数据点呈现比较明显的分布规律。 

2、对原始离散数据点集合图像进行灰度化处理： 

假设原始数据点集合图像的R、G、B三个分量分别为R(x,y)、G(x,y)、B(x,y)，由于人眼对绿色的敏感度最高，对蓝色敏感度最低，因此，应当以不同的权值对三个分量进行加权平均得到较合理的灰度图像： 

f(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y) 

其中，f(x,y)表示灰度化后灰度图像的像素值。 

关于图像像素点各个通道的亮度选择，以上述内容为原则，如绿色，权重指标最好不要超过0.60，毕竟绿色未必为某个像素点主要的分量，如果太大，就消减了其他通道或者说其他分量对像素点的影响。 

通常，绿色的权重指标不小于50%，这样能够更好地方便肉眼辨认。 

结合图4给出了实验效果图，注意图2和图3为彩色图像在word工具条件下自动灰度化的效果，图4所示的实验效果图离散点更加清晰。 

3、对灰度化处理得到的离散数据点集合图像进行二值化处理。 

灰度图像的像素分布为[0,255]，二值化计算公式描述如下： 

$f(x,y)=\left\{\begin{array}{cc}1& \mathrm{iff}(x,y)>T\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，T为二值化分割阈值，分割阈值可以是开放性的，根据对象不同进行设置，也可以是固定的。 

对于不同的应用，可以根据人工检验的方式进行分割阈值的调整，为了减少这种调整两，可以给定一个初始分割阈值。 

经过大量的试验，初始分割阈值定为110会减少后续的调整，并且对于很多应用，分割阈值110时具有最佳的提取效果。 

结合图5给出了二值化实验结果图。 

4、计算二值化后所有数据点坐标的均值和方差。 

假设N个数据点的坐标为：(x_i,y_i)^T，i＝1,2,…N，则N个数据点坐标的均值和方差计算公式为： 

$\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{c}\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\\ \frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i\end{array}\right]$

$\left[\begin{array}{c}{\mathrm{\δ}}_x\\ {\mathrm{\δ}}_y\end{array}\right]=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left[\begin{array}{c}{(x_i-\hat{x})}^2\\ {(y_i-\hat{y})}^2\end{array}\right]=\left[\begin{array}{c}\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\hat{x})}^2\\ \frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-\hat{y})}^2\end{array}\right]$

其中，数据点坐标的均值为 $\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right],$ 数据点坐标的方差为 $\left[\begin{array}{c}{\mathrm{\δ}}_x\\ {\mathrm{\δ}}_y\end{array}\right].$

5、基于K-L变换计算数据点分布的主轴方向。 

假设所有的数据点坐标为z_i＝(x_i,y_i)^T，i＝1,2,…N。 

计算数据点坐标的均值： 

$\hat{z}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{z}_i=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left[\begin{array}{c}{x}_i\\ y_i\end{array}\right]=\left[\begin{array}{c}\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\\ \frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i\end{array}\right]$

其中为数据点坐标的均值向量，以该均值向量为新坐标系中的坐标原点，将数据点坐标变换到新坐标系中，即样本标准化： 

$z_{\mathrm{inew}}=z_i-\hat{z}$

其中，z_inew为数据点在新坐标系中的坐标，构造样本偏差矩阵Z=[z_0new，z_1new，...z_Nnew]。 

计算标准化后数据点坐标的自相关矩阵C＝E[ZZ^T]： 

$C=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{z}_{\mathrm{inew}}{z}_{\mathrm{inew}}^T$

计算自相关矩阵C的特征值λ_i及其对应的特征向量φ_i。由于数据点坐标向量z_i＝(x_i,y_i)^T是2*1的列向量，所以计算得到的自相关矩阵C∈R^2×2。 

将特征值λ_i从大到小进行排序，取最大特征值λ₁对应的特征向量φ₁，则φ₁即为要确定的主轴方向。 

K-L变换（Karhunen-Loeve Transform）是建立在统计特性基础上的一种变换，有的文献也称为霍特林（Hotelling）变换，因他在1933年最先给出将离散信号变换成一串不相关系数的方法。K-L变换的突出优点是相关性好，是均方误差（MSE，Mean Square Error）意义下的最佳变换，它在数据压缩技术中占有重要地位。 

假定一幅N×N的数字图像通过某一信号通道传输M次，由于受随机噪音干扰和环境条件影响，接收到的图像实际上是一个受干扰的数字图像集合对第i次获得的图像fi(x,y)，可用一个含N2个元素的向量Xi表示，即该向量的第一组分量（N个元素）由图像fi(x,y)的第一行像素组成，向量的第二组分量由图像fi(x,y)的第二行像素组成，依此类推。也可以按列的方式形成这种向量，方法类似。 

X向量的协方差矩阵定义为： 

m f定义为：C f和m f的表达式中，“E”是求期望。 

对于M幅数字图像，平均值向量m f和协方差矩阵C f可由下述方法近似求得： 

可以看出，m f是N2个元素的向量，C f是N2x N2的方阵。 

根据线性代数理论，可以求出协方差矩阵的N2个特征向量和对应的特征值。假定是按递减顺序排列的特征值，对应的特征向量。 

由中心化图像向量X-mx与变换矩阵A相乘即得到变换后的图像向量Y。Y的组成方式与向量X相同。 

K-L变换虽然具有MSE意义下的最佳性能，但需要先知道信源的协方差矩阵并求出特征值。求特征值与特征向量并不是一件容易的事，维数较高时甚至求不出来。即使能借助计算机求解，也很难满足实时处理的要求，而且从编码应用看还需要将这些信息传输给接收端。这些因素造成了K-L变换在工程实践中不能广泛使用。人们一方面继续寻求解特征值与特征向量的快速算法，另一方面则寻找一些虽不是“最佳”、但也有较好的去相关与能量集中的性能且容易实现的一些变换方法。而K-L变换就常常作为对这些变换性能的评价标准。 

6、采用聚类分析策略迭代提取线特征： 

计算得出数据点坐标的均值和数据点分布的主轴方向后，采用聚类分析的方法不断校正有效区域及有效区域内数据点坐标的均值，最终得到提取的线特征。 

首先，利用计算得到的坐标的均值向量初始化聚类中心o，即

其次，将求得的初始主轴方向φ₁作为斜率，可确定出一条直线，该直线即为首次提取出的线特征； 

然后，以该直线为基准，分别向直线两侧扩增一定距离，在该直线两侧确定两条平行直线，构造出一个平行区域，该区域作为下一步聚类的有效区域。其中，扩增的距离计算公式如下： 

$d_{\mathrm{\δ}}=\frac{1}{2}(\sqrt{{\mathrm{\δ}}_x}+\sqrt{{\mathrm{\δ}}_y})$

其中，δ_x和δ_y分别为步骤4中计算得出的x和y轴方向的方差。结合图6，给出了首次提取出的线特征和平行区域示意图。 

最后，计算该平行区域内数据点坐标的均值和方差，并判断当前计算 得出的坐标均值和上次的坐标均值间的距离。当前后两次坐标均值间的距离小于一定的阈值α时，聚类过程结束，将当前提取到的直线作为最终的线特征；当前后坐标均值距离大于阈值时，则对该平行区域内的数据点再次执行K-L变换，确定出一条新的直线，进一步确定新的平行区域，这样不断迭代此过程，直到最终前后两次获得的坐标均值间的距离小于阈值，最终获得线特征。其中，本发明中两个坐标均值间的距离计算公式为： 

$d=\sqrt{{({\hat{x}}_k-{\hat{x}}_{k+1})}^2+{({\hat{y}}_k-{\hat{y}}_{k+1})}^2}$

其中，和分别为前后两次获得的坐标均值，阈值α取为2。 

结合图7，给出了经过多次迭代最终获取的离散数据点集图像的线特征图。 

结合图8，给出了采用Hough变换进行线特征提取得到的结果。图7和图8的线特征提取结果充分说明了本发明提出的方法提取线特征的准确度要优于Hough变换的提取结果。 

以上述内容的高效准确的针对的离散数据点集的线特征提取方法： 

首先，针对原始离散数据点集图像进行灰度化和二值化处理，在一定程度上去除了图像中的干扰数据点；然后，计算二值化后所有数据点坐标的均值和方差，并将坐标的均值向量作为聚类分析的初始聚类中心；基于K-L变换计算离散数据点分布的主轴方向，并将计算得出的主轴方向作为所要提取直线的斜率；基于求得的聚类中心和斜率，可以确定出一条直线，以该直线为基准分别向两次扩增一定距离获取一平行区域；最后，将该平行区域内的数据点作为进一步执行线特征提取的有效数据点，计算这些数据点的坐标均值，直到前后两次计算得到的坐标均值间的距离小于阈值，则最终获得要提取的线特征。 

该方法通过平行区域的划分能够有效的去除很多边缘的干扰数据点信息，保留下位于主轴线两侧的主要数据点，在一定程度上提高了线特征提取的准确性。而K-L变换过程中只需要求解一个4*4相关矩阵的特征值和特征向量，由于方阵维数非常小，所以求解速度非常快，使得该方法具有了很好的实时性。 

另外，由于该方法能够较好的去除边缘干扰信息，保留用于确定直线 的最有效数据点，所以一般经过2到3次的迭代就能够获得最终需要的线特征。实验中，与Hough变换的线特征提取方法进行比较，充分说明了本发明的方法能够较为准确的提取离散数据点集中的线特征。 

Claims (10)

1.一种离散数据点集的线特征提取方法，其特征在于，包括以下步骤：

（1）读取原始离散数据点集合图像；

（2）对原始离散数据点集合图像进行灰度化处理；

（3）对灰度化处理得到的离散数据点集合图像进行二值化处理；

（4）在初始给定的坐标系内计算二值化后所有数据点坐标的均值和方差；

（5）基于K-L变换计算数据点分布的主轴方向；

（6）根据获得的均值、方差及主轴方向，基于聚类分析，以坐标均值为初始的聚类中心、以方差和主轴方向为约束值设定有效区域，进而调用步骤（4）和步骤（5）进一步计算有效区域内数据点坐标的均值和方差，得出新的聚类中心，如此迭代，直到当前和上一次计算得到的聚类中心之间的距离小于设定阈值，则以当前得到的主轴方向为斜率过坐标均值确定的线特征为提取的线特征。

2.根据权利要求1所述的离散数据点集的线特征提取方法，其特征在于，步骤（6）中有效区域的确定方法是：

a）以当前获得的主轴方向为斜率过当前获得的聚类中心确定一条直线；

b）以步骤a）确定的直线为基准，向其两侧集合图像边缘内侧平行地设置两条扩增直线，所获得的两条扩增直线内的区域为有效区域；

其中，步骤b）中集合图像为首次扩增的约束系，进一步确定有效区域时，以上次获得的有效区域为约束系。

3.根据权利要求2所述的离散数据点集的线特征提取方法，其特征在于，扩增直线与确定的用作基准的直线的初始距离为： 

其中，δ_x和δ_y分别步骤(4)得到的方法在x和y轴方向的方差； 在进一步的迭代计算中δ_x和δ_y分别为当前方差在x和y轴上的分量。 

4.根据权利要求1至3任一所述的离散数据点集的线特征提取方法，其特征在于，在步骤（6）中聚类分析前，以得到的均值为原点构造新的坐标系。

5.根据权利要求1所述的离散数据点集的线特征提取方法，其特征在于，步骤（2）的灰度化处理对像素点不同的通道采用不同的权重，人眼敏感性高的通道占有较大的权重，相反，人眼敏感度低的通道占有较低的权重。

6.根据权利要求5所述的离散数据点集的线特征提取方法，其特征在于，绿色通道的权重至少为50%，且不能大于60%。

7.根据权利要求6所述的离散数据点集的线特征提取方法，其特征在于，步骤(2)得到的灰度图像为： 

f(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y) 

其中，f(x,y)表示灰度化后灰度图像的像素值，R(x,y)、G(x,y)、B(x,y)为原始数据点集合图像的R、G、B三个分量。 

8.根据权利要求1、5-7任一所述的离散数据点集的线特征提取方法，其特征在于，步骤(3)二值化处理的计算公式为： 

其中，T为二值化分割阈值。 

9.根据权利要求8所述的离散数据点集的线特征提取方法，其特征在于，二值化分割阈值T为110。

10.根据权利要求1所述的离散数据点集的线特征提取方法，其特征在于，当前和上一次计算得到的聚类中心之间的距离所对应的设定阈值为2。