[發(fā)明專利]基于灰度梯度序列的數(shù)字圖像特征提取方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201110227702.X
• 申請(qǐng)日: 2011-08-10
• 公開（公告）號(hào): CN102289669A
• 公開（公告）日: 2011-12-21
• 發(fā)明（設(shè)計(jì)）人: 劉艷
• 申請(qǐng)（專利權(quán)）人: 劉艷
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，特別涉及一種數(shù)字圖像特征提取方法。

背景技術(shù)

特征提取技術(shù)是數(shù)字圖像處理的基礎(chǔ)，其在國(guó)土資源管理、城市發(fā)展規(guī)劃、目標(biāo)識(shí)別與跟蹤、疾病分析診斷等方面起著關(guān)鍵的作用。本發(fā)明主要涉及數(shù)字圖像邊緣特征的提取方法。

邊緣是圖像的基本特征之一，其主要表現(xiàn)為圖像灰度變化劇烈的位置。而圖像灰度的本質(zhì)是像素所具有的能量水平。由數(shù)字圖像的基本特性可知，其能量分布是連續(xù)的，但其存在形式表現(xiàn)為像素坐標(biāo)和灰度級(jí)的離散化。現(xiàn)有特征提取方法針對(duì)不同的圖像數(shù)據(jù)和應(yīng)用問題，取得了較好的處理效果。但這些工作在對(duì)數(shù)字圖像進(jìn)行處理時(shí)，不是忽略了圖像能量連續(xù)分布的特點(diǎn)，就是忽略了其存在形式的離散性，方法往往缺少系統(tǒng)性和關(guān)聯(lián)性，存在普適性不夠、或計(jì)算量偏大、或缺乏精確數(shù)學(xué)意義上的理論支持等問題。根據(jù)本發(fā)明人的調(diào)查，現(xiàn)有特征提取方法大致可分為以下四類：(1)基于信息理論的灰度信息方法，如互信息方法、互熵方法等。(2)基于隨機(jī)場(chǎng)模型的方法，如Markov隨機(jī)場(chǎng)模型等。(3)基于數(shù)學(xué)變換的特征提取方法，如基于相位一致性的方法、采用多尺度分析的小波變換、Gabor變換和Laplace金字塔方法等。其中，小波變換是常用的特征提取方法，其具有典型的擬合、試探性質(zhì)，對(duì)同一待處理對(duì)象采用不同的基小波函數(shù)所得變換結(jié)果不唯一，這個(gè)特性直接導(dǎo)致了小波變換在某些應(yīng)用場(chǎng)合中的不適用性，這也直接反映了小波變換中的變換算子(基小波函數(shù))不具備普適性。(4)基于圖像向量或圖像矩陣的統(tǒng)計(jì)相關(guān)特征提取方法，如主成分分析(PCA，Principal?Component?Analysis)方法、獨(dú)立成分分析(ICA，Independent?Component?Analysis)方法、二維PCA方法、基于核函數(shù)的KPCA(Kernel?Principal?Component?Analysis)方法和KFD(Kernel?Fisher?Discriminant)方法等。這些方法大多采用的是基于數(shù)字圖像離散的向量或矩陣描述形式分析像素間的相關(guān)性，而忽略了圖像能量連續(xù)分布的特點(diǎn)。

因此，在研究數(shù)字圖像特征提取的時(shí)候，不宜對(duì)圖像單一地采用離散的處理方式或單一地采用連續(xù)的處理方式；而應(yīng)基于數(shù)字圖像的基本特性，即其存在形式是離散的，而圖像的實(shí)質(zhì)是連續(xù)的能量分布。

發(fā)明內(nèi)容

本發(fā)明的目的在手提供一種建立在既連續(xù)又離散基礎(chǔ)上的數(shù)字圖像特征提取方法，用像素灰度梯度反映像素灰度分布的離散性，用灰度梯度序列反映能量分布的連續(xù)性，提高數(shù)字圖像特征提取效率和特征提取方法應(yīng)用的普適性。

本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，包括以下步驟：

第一步，對(duì)待處理數(shù)字圖像I進(jìn)行預(yù)濾波處理，得到處理后的數(shù)字圖像A。

所述的對(duì)數(shù)字圖像I進(jìn)行預(yù)濾波處理，具體是：對(duì)圖像I進(jìn)行去噪或增強(qiáng)等濾波處理。

第二步，對(duì)數(shù)字圖像A，計(jì)算像素灰度梯度，基于此構(gòu)造灰度梯度序列；

所述的灰度梯度序列，具體是：

GSxm=(▿A(m,1),▿A(m,2),...,▿A(m,col-1)),]]>(1≤m≤row-1，1≤n≤col-1)