CN110599510A - 一种图片特征提取方法 - Google Patents

Abstract

本发明公开了一种图像特征提取方法，包括：获取样品图像，对样品图像进行平滑滤波，得到平滑样品图像；对平滑样品图像进行锐化，得到锐化样品图像；通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，获得纹理特征；通过Prewitt边缘检测算子对锐化样品图像进行边缘轮廓检测。本发明通过对样品图像进行平滑滤波，去除噪声后在进行图像锐化，有效降低噪声对后续纹理特征提取和边缘轮廓提取的影响，提高精确度，通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，有效全方位提取纹理特征。

Description

一种图片特征提取方法

技术领域

本发明涉及图像处理技术领域，更具体地说涉及一种图像特征提取方法。

背景技术

图像的特征提取是基于特征的图像处理和计算机视觉的基础环节，特征检测算子的检测性能和描述算子的表针性能直接决定了图像处理的效率和精度。现有的特征提取方法一般都是针对整个图像比较明显的特征进行判断和提取，对于部分纹理和边缘特征提取的准确度不够高，因为在实际问题中图像的特征提取可能受到噪声、背景的干扰影响特征提取的准确度。如何选择合理的图像特征计算法方法，在保持特征检测的速度的同时保证特征检测的准确度，成为亟待解决的问题。

发明内容

本发明型要解决的技术问题是：对图像的特征提取不够准确。

本发明解决其技术问题的解决方案是：

一种图像特征提取方法，包括：

获取样品图像，对样品图像进行平滑滤波，得到平滑样品图像；

对平滑样品图像进行锐化，得到锐化样品图像；

通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，获得纹理特征；

通过Prewitt边缘检测算子对锐化样品图像进行边缘轮廓检测。

作为上述技术方案的进一步改进，所述对样品图像进行平滑滤波，得到平滑样品图像的过程包括：

对样品图像进行平滑滤波的模板为加权平均模板，所述加权平均模板为：

作为上述技术方案的进一步改进，所述对平滑样品图像进行锐化，得到锐化样品图像的过程包括：

所述平滑样品图像为f(x,y)，点(x,y)处的梯度矢量为：

点(x,y)梯度值为：

其中平滑样品图像中像素点(i,j)处在x方向和y方向上的一阶差分为：

Δ_xf(i,j)＝f(i,j)-f(i+1,j) (1-3)

Δ_yf(i,j)＝f(i,j)-f(i,j+1) (1-4)

根据(1-1)、(1-3)和(1-4)可得到：

预设阈值N，对平滑样品图像进行锐化的具体公式为：

其中T为常数。

作为上述技术方案的进一步改进，所述预设阈值N为所述平滑样品图像中所有梯度值的中位数。

作为上述技术方案的进一步改进，所述通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，获得纹理特征的过程包括：

对锐化样品图像的像素坐标求均值，计算出所述锐化样品图像的中心；

所述极坐标系以所述锐化样品图像的中心为极点，水平向右方向为0度，逆时针方向为正，所述灰度共生矩阵中第i行第j列的元素值P(i,j)为：

其中P_θ为符合预定条件的点对的数目，所述预定条件为：所述点对的两点之间的距离为d，方向为θ，θ为所述极坐标系的角度坐标；

对比度特征的提取方式为：

I＝∑_i∑_j(i-j)²P(i，j)

其中，I代表对比度，用于反映图像的清晰程度；

能量特征的提取方式为：

I＝∑_i∑_j[P(i,j)]²

其中，E代表能量，用于反映图像中灰度分布的均匀性；

同质性特征的提取方式为：

其中，C代表同质性特征，用于衡量灰度共生矩阵的元素在行方向或列方向上的相似程度；μ_x、μ_y是均值，为方差。

作为上述技术方案的进一步改进，所述通过Prewitt边缘检测算子对锐化样品图像进行边缘轮廓检测的过程包括：

所述Prewitt边缘检测算子利用两个方向模板与锐化样品图像进行邻域卷积，所述两个方向模板分别为水平边缘模板和垂直边缘模板，其中水平边缘模板为垂直边缘模板为

本发明的有益效果是：本发明通过对样品图像进行平滑滤波，去除噪声后在进行图像锐化，有效降低噪声对后续纹理特征提取和边缘轮廓提取的影响，提高精确度，通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，有效全方位提取纹理特征。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。

图1是本发明方法的流程示意图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少连接辅件，来组成更优的连接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。

实施例1，参照图1，一种图像特征提取方法，包括：

获取样品图像，对样品图像进行灰度化，对灰度化后的样品图像进行平滑滤波，得到平滑样品图像；

对平滑样品图像进行锐化，得到锐化样品图像；

通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，获得纹理特征；

通过Prewitt边缘检测算子对锐化样品图像进行边缘轮廓检测。

作为上述技术方案的进一步改进，所述对样品图像进行平滑滤波，得到平滑样品图像的过程包括：

对样品图像进行平滑滤波的模板为加权平均模板，所述加权平均模板为：

首先对样品图像进行平滑滤波，消除样品图像的噪声，让信号的低频部分通过，阻隔属于高频部分的噪音信号。

作为上述技术方案的进一步改进，所述对平滑样品图像进行锐化，得到锐化样品图像的过程包括：

所述平滑样品图像为f(x,y)，点(x,y)处的梯度矢量为：

点(x,y)梯度值为：

其中平滑样品图像中像素点(i,j)处在x方向和y方向上的一阶差分为：

Δ_xf(i,j)＝f(i,j)-f(i+1,j) (1-3)

Δ_yf(i,j)＝f(i,j)-f(i,j+1) (1-4)

根据(1-1)、(1-3)和(1-4)可得到：

预设阈值N，对平滑样品图像进行锐化的具体公式为：

其中T为常数。

所述常数T可以根据实际需求进行设置大小。

作为上述技术方案的进一步改进，所述预设阈值N为所述平滑样品图像中所有梯度值的中位数。

对平滑后模糊化的边缘和纹理进行锐化，灰度变化较大的地方一般集中在图像的边缘和纹理特征，当G[f(i,j)]超过所述平滑样品图像中所有梯度值的中位数时，则认为该像素点为图像的纹理或边缘，对结果加上常数T，使得图像边缘和纹理变亮，便于后续步骤对纹理和边缘的提取。

传统的灰度共生矩阵对于图像的噪声非常敏感，当图像噪声较多时影响传统的灰度共生矩阵对纹理特征的提取效果。通过先对图像进行平滑滤波和锐化去噪，有效提高灰度共生矩阵的纹理特征提取的准确性。

作为上述技术方案的进一步改进，所述通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，获得纹理特征的过程包括：

对锐化样品图像的像素坐标求均值，计算出所述锐化样品图像的中心；

所述极坐标系以所述锐化样品图像的中心为极点，水平向右方向为0度，逆时针方向为正，所述灰度共生矩阵中第i行第j列的元素值P(i,j)为：

其中P_θ为符合预定条件的点对的数目，所述预定条件为：所述点对的两点之间的距离为d，方向为θ，θ为所述极坐标系的角度坐标；

然而传统的灰度共生矩阵具有方向性，仅仅统计确定方向θ上的点对，反应单一方向上的纹理变化。对于部分放射性的纹理，直角坐标系下的任一方向都不能很好得反应其纹理变化，因此本实施例提出了以锐化样品图像为极点的极坐标系下的灰度共生矩阵。

与传统的灰度共生矩阵一样，极坐标下的灰度共生矩阵也是一个n*n的矩阵，其中n是被量化后的图像灰度级数目，量化方法和传统灰度共生矩阵相同，但是其元素取值方式与传统灰度共生矩阵有所不同：从给定的极坐标系的极点出发，对角度坐标为θ的像素进行采样，符合下列条件的点对的数目P_θ：该点对的二点的距离为d，其量化的灰度级分别为i和j。

对比度特征的提取方式为：

I＝∑_i∑_j(i-j)²P(i，j)

其中，I代表对比度，用于反映图像的清晰程度；，也反映纹理清晰程度。对比度越大，图像越清晰，图像中的纹理越深。

能量特征的提取方式为：

I＝∑_i∑_j[P(i,j)]²

其中，E代表能量，用于反映图像中灰度分布的均匀性；当共生矩阵的元素在主对角线上比较集中时，说明图像灰度的分布比较均匀。直观的，当图像具有较粗的纹理时，能量较大；当图像纹理比较细微时，能量较小。

同质性特征的提取方式为：

其中，C代表同质性，用于衡量灰度共生矩阵的元素在行方向或列方向上的相似程度；μ_x、μ_y是均值，为方差。

本实施例提出极坐标下的灰度共生矩阵，以锐化样品图像的中心为极点，可以反映360°的纹理变化，从而更适应于复杂的检查区域提取特征，从而解决仅反映单一方向上纹理变化的传统灰度共生矩阵不适应360度环形的问题，提取纹理特征的准确度高。

作为上述技术方案的进一步改进，所述通过Prewitt边缘检测算子对锐化样品图像进行边缘轮廓检测的过程包括：

所述Prewitt边缘检测算子利用两个方向模板与锐化样品图像进行邻域卷积，所述两个方向模板分别为水平边缘模板和垂直边缘模板，其中水平边缘模板为垂直边缘模板为

通过Prewitt边缘检测算子对锐化样品图像的边缘轮廓进行提取，得到锐化样品图像的边缘轮廓特征。

本实施例可以有效提高图像纹理和边缘特征提取的精确度。

以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种图像特征提取方法，其特征在于，包括：

获取样品图像，对样品图像进行平滑滤波，得到平滑样品图像；

对平滑样品图像进行锐化，得到锐化样品图像；

通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，获得纹理特征；

通过Prewitt边缘检测算子对锐化样品图像进行边缘轮廓检测。

2.根据权利要求1所述的一种图像特征提取方法，其特征在于：所述对样品图像进行平滑滤波，得到平滑样品图像的过程包括：

对样品图像进行平滑滤波的模板为加权平均模板，所述加权平均模板为：

3.根据权利要求1所述的一种图像特征提取方法，其特征在于：所述对平滑样品图像进行锐化，得到锐化样品图像的过程包括：

所述平滑样品图像为f(x，y)，点(x，y)处的梯度矢量为：

点(x，y)的梯度值为：

其中平滑样品图像中像素点(i，j)处在x方向和y方向上的一阶差分为：

Δ_xf(i，j)＝f(i，j)-f(i+1，j) (1-3)

Δ_yf(i，j)＝f(i，j)-f(i，j+1) (1-4)

根据(1-1)、(1-3)和(1-4)可得到：

预设阈值N，对平滑样品图像进行锐化的具体公式为：

其中T为常数。

4.根据权利要求3所述的一种图像特征提取方法，其特征在于，所述预设阈值N为所述平滑样品图像中所有梯度值的中位数。

5.根据权利要求1所述的一种图像特征提取方法，其特征在于，所述通过极坐标系下的灰度共生矩阵对所述锐化样品图像进行特征提取，获得纹理特征的过程包括：

对锐化样品图像的像素坐标求均值，计算出所述锐化样品图像的中心；

所述极坐标系以所述锐化样品图像的中心为极点，水平向右方向为0度，逆时针方向为正，所述灰度共生矩阵中第i行第j列的元素值P(i,j)为：

其中P_θ为符合预定条件的点对的数目，所述预定条件为：所述点对的两点之间的距离为d，方向为θ，θ为所述极坐标系的角度坐标；

对比度特征的提取方式为：

I＝∑_i∑_j(i-j)²P(i，j)

其中，I代表对比度，用于反映图像的清晰程度；

能量特征的提取方式为：

I＝∑_i∑_j[P(i，j)]²

其中，E代表能量，用于反映图像中灰度分布的均匀性；

同质性特征的提取方式为：

其中，C代表同质性，用于衡量灰度共生矩阵的元素在行方向或列方向上的相似程度；μ_x、μ_y是均值，为方差。

6.根据权利要求1所述的一种图像特征提取方法，其特征在于，所述通过Prewitt边缘检测算子对锐化样品图像进行边缘轮廓检测的过程包括：

所述Prewitt边缘检测算子利用两个方向模板与锐化样品图像进行邻域卷积，所述两个方向模板分别为水平边缘模板和垂直边缘模板，其中水平边缘模板为垂直边缘模板为