1.顏色特征提取

計(jì)算機(jī)視覺的特征提取算法研究至關(guān)重要。在一些算法中，一個(gè)高復(fù)雜度特征的提取可能能夠解決問題（進(jìn)行目標(biāo)檢測(cè)等目的），但這將以處理更多數(shù)據(jù)，需要更高的處理效果為代價(jià)。而顏色特征無需進(jìn)行大量計(jì)算。只需將數(shù)字圖像中的像素值進(jìn)行相應(yīng)轉(zhuǎn)換，表現(xiàn)為數(shù)值即可。因此顏色特征以其低復(fù)雜度成為了一個(gè)較好的特征。

在圖像處理中，我們可以將一個(gè)具體的像素點(diǎn)所呈現(xiàn)的顏色分多種方法分析，并提取出其顏色特征分量。比如通過手工標(biāo)記區(qū)域提取一個(gè)特定區(qū)域（region）的顏色特征，用該區(qū)域在一個(gè)顏色空間三個(gè)分量各自的平均值表示，或者可以建立三個(gè)顏色直方圖等方法。下面我們介紹一下顏色直方圖和顏色矩的概念。

（1）顏色直方圖：

顏色直方圖用以反映圖像顏色的組成分布，即各種顏色出現(xiàn)的概率。Swain和Ballard最先提出了應(yīng)用顏色直方圖進(jìn)行圖像特征提取的方法[40]，首先利用顏色空間三個(gè)分量的剝離得到顏色直方圖，之后通過觀察實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)將圖像進(jìn)行旋轉(zhuǎn)變換、縮放變換、模糊變換后圖像的顏色直方圖改變不大，即圖像直方圖對(duì)圖像的物理變換是不敏感的。因此常提取顏色特征并用顏色直方圖應(yīng)用于衡量和比較兩幅圖像的全局差。另外，如果圖像可以分為多個(gè)區(qū)域，并且前景與背景顏色分布具有明顯差異，則顏色直方圖呈現(xiàn)雙峰形。

顏色直方圖也有其缺點(diǎn)：由于顏色直方圖是全局顏色統(tǒng)計(jì)的結(jié)果，因此丟失了像素點(diǎn)間的位置特征?？赡苡袔追鶊D像具有相同或相近的顏色直方圖，但其圖像像素位置分布完全不同。因此，圖像與顏色直方圖得多對(duì)一關(guān)系使得顏色直方圖在識(shí)別前景物體上不能獲得很好的效果。

考慮到顏色直方圖的以上問題，主色調(diào)直方圖便產(chǎn)生了。所謂主色調(diào)直方圖基于假設(shè)少數(shù)幾個(gè)像素的值能夠表示圖像中的絕大部分像素，即出現(xiàn)頻率最高的幾個(gè)像素被選為主色，僅用主色構(gòu)成的主色調(diào)直方圖描述一幅圖像。這樣的描述子并不會(huì)降低通過顏色特征進(jìn)行匹配的效果，因?yàn)閺哪撤N角度將，頻度出現(xiàn)很小的像素點(diǎn)可以被視為噪聲。

（2）顏色矩：

顏色矩是一種有效的顏色特征，由Stricker和Orengo提出[41]，該方法利用線性代數(shù)中矩的概念，將圖像中的顏色分布用其矩表示。利用顏色一階矩（平均值A(chǔ)verage）、顏色二階矩（方差Variance）和顏色三階矩（偏斜度Skewness）來描述顏色分布。與顏色直方圖不同，利用顏色矩進(jìn)行圖像描述無需量化圖像特征。由于每個(gè)像素具有顏色空間的三個(gè)顏色通道，因此圖像的顏色矩有9個(gè)分量來描述。由于顏色矩的維度較少，因此常將顏色矩與其他圖像特征綜合使用。

（3）顏色集：

以上兩種方法通常用于兩幅圖像間全局或region之間的顏色比較、匹配等，而顏色集的方法致力于實(shí)現(xiàn)基于顏色實(shí)現(xiàn)對(duì)大規(guī)模圖像的檢索。顏色集的方法由Smith和Chang提出[42]，該方法將顏色轉(zhuǎn)化到HSV顏色空間后，將圖像根據(jù)其顏色信息進(jìn)行圖像分割成若干region，并將顏色分為多個(gè)bin，每個(gè)region進(jìn)行顏色空間量化建立顏色索引，進(jìn)而建立二進(jìn)制圖像顏色索引表。為加快查找速度，還可以構(gòu)造二分查找樹進(jìn)行特征檢索。

2.紋理特征提取

一幅圖像的紋理是在圖像計(jì)算中經(jīng)過量化的圖像特征。圖像紋理描述圖像或其中小塊區(qū)域的空間顏色分布和光強(qiáng)分布。紋理特征的提取分為基于結(jié)構(gòu)的方法和基于統(tǒng)計(jì)數(shù)據(jù)的方法。一個(gè)基于結(jié)構(gòu)的紋理特征提取方法是將所要檢測(cè)的紋理進(jìn)行建模，在圖像中搜索重復(fù)的模式。該方法對(duì)人工合成的紋理識(shí)別效果較好。但對(duì)于交通圖像中的紋理識(shí)別，基于統(tǒng)計(jì)數(shù)據(jù)的方法效果更好。

（1）LBP特征

LBP方法（Local binary patterns）是一個(gè)計(jì)算機(jī)視覺中用于圖像特征分類的一個(gè)方法。LBP方法在1994年首先由T. Ojala, M.Pietik?inen, 和 D. Harwood 提出[43][44]，用于紋理特征提取。后來LBP方法與HOG特征分類器聯(lián)合使用，改善了一些數(shù)據(jù)集[45]上的檢測(cè)效果。

對(duì)LBP特征向量進(jìn)行提取的步驟如下：

首先將檢測(cè)窗口劃分為16×16的小區(qū)域（cell），對(duì)于每個(gè)cell中的一個(gè)像素，將其環(huán)形鄰域內(nèi)的8個(gè)點(diǎn)（也可以是環(huán)形鄰域多個(gè)點(diǎn)，如圖 3?4. 應(yīng)用LBP算法的三個(gè)鄰域示例所示）進(jìn)行順時(shí)針或逆時(shí)針的比較，如果中心像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0，這樣每個(gè)點(diǎn)都會(huì)獲得一個(gè)8位二進(jìn)制數(shù)（通常轉(zhuǎn)換為十進(jìn)制數(shù)）。然后計(jì)算每個(gè)cell的直方圖，即每個(gè)數(shù)字（假定是十進(jìn)制數(shù)）出現(xiàn)的頻率（也就是一個(gè)關(guān)于每一個(gè)像素點(diǎn)是否比鄰域內(nèi)點(diǎn)大的一個(gè)二進(jìn)制序列進(jìn)行統(tǒng)計(jì)），然后對(duì)該直方圖進(jìn)行歸一化處理。最后將得到的每個(gè)cell的統(tǒng)計(jì)直方圖進(jìn)行連接，就得到了整幅圖的LBP紋理特征，然后便可利用SVM或者其他機(jī)器學(xué)習(xí)算法進(jìn)行分類了。

（2）灰度共生矩陣

灰度共生矩陣是另一種紋理特征提取方法，首先對(duì)于一幅圖像定義一個(gè)方向（orientation）和一個(gè)以pixel為單位的步長(zhǎng)(step)，灰度共生矩陣T（N×N），則定義M(i,j)為灰度級(jí)為i和j的像素同時(shí)出現(xiàn)在一個(gè)點(diǎn)和沿所定義的方向跨度步長(zhǎng)的點(diǎn)上的頻率。其中N是灰度級(jí)劃分?jǐn)?shù)目。由于共生矩陣有方向和步長(zhǎng)的組合定義，而決定頻率的一個(gè)因素是對(duì)矩陣有貢獻(xiàn)的像素?cái)?shù)目，而這個(gè)數(shù)目要比總共數(shù)目少，且隨著步長(zhǎng)的增加而減少。因此所得到的共生矩陣是一個(gè)稀疏矩陣，所以灰度級(jí)劃分N常常減少到8級(jí)。如在水平方向上計(jì)算左右方向上像素的共生矩陣，則為對(duì)稱共生矩陣。類似的，如果僅考慮當(dāng)前像素單方向（左或右）上的像素，則稱為非對(duì)稱共生矩陣。

3.邊緣特征提取

邊緣檢測(cè)是圖形圖像處理、計(jì)算機(jī)視覺和機(jī)器視覺中的一個(gè)基本工具，通常用于特征提取和特征檢測(cè)，旨在檢測(cè)一張數(shù)字圖像中有明顯變化的邊緣或者不連續(xù)的區(qū)域，在一維空間中，類似的操作被稱作步長(zhǎng)檢測(cè)（step detection）。邊緣是一幅圖像中不同屈原之間的邊界線，通常一個(gè)邊緣圖像是一個(gè)二值圖像。邊緣檢測(cè)的目的是捕捉亮度急劇變化的區(qū)域，而這些區(qū)域通常是我們關(guān)注的。在一幅圖像中兩度不連續(xù)的區(qū)域通常是以下幾項(xiàng)之一：

# 圖像深度不連續(xù)處

# 圖像（梯度）朝向不連續(xù)處

# 圖像光照（強(qiáng)度）不連續(xù)處

# 紋理變化處

理想情況下，對(duì)所給圖像應(yīng)用邊緣檢測(cè)器可以得到一系列連續(xù)的曲線，用于表示對(duì)象的邊界。因此應(yīng)用邊緣檢測(cè)算法所得到的結(jié)果將會(huì)大大減少圖像數(shù)據(jù)量，從而過濾掉很多我們不需要的信息，留下圖像的重要結(jié)構(gòu)，所要處理的工作即被大大簡(jiǎn)化。然而，從普通圖片上提取的邊緣往往被圖像的分割所破壞，也就是說，檢測(cè)到的曲線通常不是連續(xù)的，有一些邊緣曲線段開，就會(huì)丟失邊緣線段，而且會(huì)出現(xiàn)一些我們不感興趣的邊緣。這就需要邊緣檢測(cè)算法的準(zhǔn)確性。下面介紹兩個(gè)本文實(shí)現(xiàn)的邊緣檢測(cè)算法：canny算子和sobel算子進(jìn)行邊緣檢測(cè)。

（1）Canny算子邊緣檢測(cè)

Canny邊緣檢測(cè)算法基于一個(gè)多階邊緣算子，是由John F. Canny于1986年首先提出的[46]，他不但給出了邊緣檢測(cè)的方法，也提出了邊緣檢測(cè)的計(jì)算理論。

Canny邊緣檢測(cè)器使用一個(gè)基于高斯模型派生的檢測(cè)模型，因?yàn)槲刺幚韴D像可能含有噪聲，所以開始在原始圖像上應(yīng)用一個(gè)高斯濾波器，結(jié)果是一個(gè)輕度平滑的圖像，以至于不至于被單個(gè)噪聲像素干擾全局重要參數(shù)。

以一個(gè)5×5的高斯濾波模板為例（見公式3-7），對(duì)圖像A應(yīng)用高斯濾波可得B。下面對(duì)圖像的光強(qiáng)梯度統(tǒng)計(jì)都基于圖B。

一幅圖像中的邊緣可能在方向上各有所異，所以Canny算法用四個(gè)濾波器分別檢測(cè)圖像中的水平、垂直和對(duì)角線邊緣。邊緣檢測(cè)器（如 Roberts, Prewitt, Sobel）值返回一個(gè)水平方向分量Gx和豎直方向分量Gy，由此邊緣梯度和方向即可確定：

所有邊緣的角度都在上述選定的四個(gè)方向（0°，45°，90°，135°）周圍。下一步通過滯后性門限跟蹤邊緣線。

與小的光強(qiáng)梯度相比，數(shù)值較大的光強(qiáng)梯度更容易作為邊緣線。在大多數(shù)圖像中定義一個(gè)門限值來確定光強(qiáng)梯度取值多少適合作為邊緣線通常是不可行的，因此Canny算法使用滯后作用確定門限值。該方法使用兩個(gè)門限分別定義高低邊界。假設(shè)所有的邊緣應(yīng)該不受噪聲影響而且是連續(xù)的曲線。因此我們?cè)O(shè)置一個(gè)高門限用于判定確定是邊緣的曲線，再由此出發(fā)，利用方向信息跟蹤那些可追蹤的圖像邊緣。當(dāng)追蹤該邊緣時(shí)，應(yīng)用低門限可以讓我們追蹤那些含有邊緣的區(qū)域直到找到下一個(gè)曲線的起點(diǎn)。

如圖 3?5所示，(a)為原圖的灰度圖，(b)為高斯濾波平滑圖，(c)和(d)分別是手動(dòng)設(shè)置的高低門限值如圖所示的canny邊緣檢測(cè)結(jié)果。根據(jù)多組圖像數(shù)據(jù)測(cè)試發(fā)現(xiàn)，當(dāng)canny高低門限值分別設(shè)置為50,150時(shí)能夠保證大部分有效信息的保留且不會(huì)有過多冗余信息。因此后文中采用門限值[Thres1,Thres2]= 50，120 作為canny邊緣檢測(cè)參數(shù)。Opencv中以下代碼實(shí)現(xiàn)：

      cvCanny( dst,src, 50, 120, 3 );

（2）Sobel算子邊緣檢測(cè)

和Canny算子類似，Sobel算子[47]也是利用梯度信息對(duì)圖像進(jìn)行邊緣檢測(cè)的。對(duì)圖像進(jìn)行邊緣檢測(cè)時(shí)，計(jì)算每個(gè)像素的梯度并給出不同方向從明到暗的最大變化及其變化率。這個(gè)結(jié)果顯示出圖片在該點(diǎn)亮度變化為“急劇”還是“平滑”，由此可以判斷該區(qū)域成為邊緣的概率。在實(shí)際操作中，這個(gè)成為邊緣的可能性(稱為magnitude)計(jì)算比計(jì)算方向更為可靠，也更為便捷。在圖像中的每個(gè)像素點(diǎn)，梯度向量只想亮度增長(zhǎng)最大的方向，該梯度向量的長(zhǎng)度對(duì)應(yīng)于該方向的光強(qiáng)變化率。這就說明在同一像素圖像上一個(gè)區(qū)域的某點(diǎn)的sobel算子是一個(gè)零向量，而且在邊緣線上的點(diǎn)上有一組向量值為亮度梯度。

數(shù)學(xué)上在原圖像上應(yīng)用3×3的掩膜計(jì)算水平和垂直兩個(gè)方向的變化梯度近似值。如果我們定義A為源圖像，和分別作為一幅圖像的水平近似梯度和垂直近似梯度，計(jì)算方式如下：

公式3-9中，*表示二維卷積運(yùn)算。這里建立的坐標(biāo)系在x坐標(biāo)方向向右，y坐標(biāo)方向向下，在圖像中的每個(gè)點(diǎn)，用式3-8描述總梯度大小及方向。用Sobel算子進(jìn)行邊緣檢測(cè)結(jié)果見圖 3?6所示。

深圳市雙翌光電科技有限公司是專注于視覺系統(tǒng)及機(jī)器視覺部件研發(fā)、生產(chǎn)和營(yíng)銷的高科技企業(yè)，是專業(yè)的機(jī)器視覺核心部件及解決方案提供商。雙翌視覺堅(jiān)守“持續(xù)創(chuàng)新”的理念，目前已經(jīng)成功在消費(fèi)電子、新能源、半導(dǎo)體、汽車、物流、交通、醫(yī)藥、科研等行業(yè)為客戶提供優(yōu)質(zhì)的產(chǎn)品和定制化的視覺解決方案。