特征提取在圖像處理中的應用

馬金定

【摘 要】特征在圖像處理中起著非常重要的作用。利用特征提取技術來提取圖像的特性，通過這些特征可以快速的對字符圖像進行分類和識別。我們通過對不同類型的特征和特征提取技術分析，研究在不同的特征類型中哪些特征提取技術最適合的，整個分析研究以字符識別為基礎來進行。

【關鍵詞】特征提取；字符識別；模式識別

特征是描述了一幅圖像中關于形狀的信息，通過對圖像的特征提取和處理，使得對圖像的分類很容易實現(xiàn)。在模式識別和圖像處理中，特征提取是一種特殊的降維處理，主要目的是從原始數(shù)據(jù)的低維度空間信息表達方式中獲得相關的信息。對數(shù)據(jù)處理算法來說，輸入數(shù)據(jù)處理時間太長，我們認為是數(shù)據(jù)是冗余的，為了提高處理速度，將著輸入數(shù)據(jù)將轉化為精簡的一系列特征表達方式（如特征向量），這個過程稱為特征提取。常用的特征提取方法有模板匹配、圖像轉換、圖形描述、直方圖、幾何不變矩、Zernike矩、樣條曲線逼近、傅里葉描述、梯度特征和Gabor特性[1]。文中以字符識別為基礎進行特征與特征提取技術的研究。

1 特征提取

特征提取盡可能判別和獲得特征，而對于特征選擇，對原有的特征集的一個子集選擇，特征提取重要的一步是分類器的建設，旨在提取每一類特征的相關信息，在這一過程中相關特征從對象、字母中提取出來構成特征向量。然后使用這些特征向量分類器識別輸入單元和目標輸出單位。特征提取的過程是從原始數(shù)據(jù)檢索最重要的數(shù)據(jù)，找到特定的一系列參數(shù)，這些參數(shù)對一個字符來書來說是精確描述并且是獨一無二的形狀特性的。在特征提取階段，字符是由特征向量表示。特征提取的主要目標是提取一組特征，實現(xiàn)用最少的特征實現(xiàn)最大化的識別率和對各種各樣的相同的符號實例生成類似的特征集。

2 特征選擇

特征選擇的主要思想是：通過刪除弱或無預測信息的特征來選擇輸入變量的一個子集同時保持分類精度，約翰等人描述了強和弱相關特征的關聯(lián)性，強相關特征意味著在不損失分類精度情況下是不能被刪除。弱相關的特征意味著對分類精度影響不大[2]。

選擇最有意義的特性集合是在分類問題處理過程中的至關重要的一步，良好的特征集包含可以從其他對象區(qū)分出特定對象的識別信息。特征可分為局部特征和全局特征，局部特征通常是幾何特性（凹、凸部分，端點數(shù)量、分支、節(jié)點等）。全局特征，全局特征，通常拓撲特性（連通性、投影特性等）或統(tǒng)計特性（不變矩等）。

筆跡識別包括宏觀和微觀兩個類型的筆跡特性。宏觀特性主要有：基于灰度值的宏觀特性（閾值，黑色像素），基于輪廓的宏觀特性（內(nèi)部和外部輪廓），基于斜率的宏觀特性（水平，積極的，垂直的），筆劃寬度、傾斜度和高度。字符的凹凸特性通過捕捉主要的拓撲和幾何特征。微觀特性發(fā)現(xiàn)不同的作家的筆跡，微觀特征有：縱橫比，終點數(shù)，節(jié)點數(shù)，形狀大小和圈數(shù)，寬度和高度的分布，傾斜，形狀，平均曲率和梯度特征。

3 特征提取方法的研究

3.1 傅里葉描述

傅里葉變換廣泛應用于形狀分析，傅里葉變換的系數(shù)構成圖形的傅立葉描述，這些描述是在頻域中表示圖形的特征，描述符包含的低頻信息表示圖形的一般特征，而高頻率信息表示圖形細節(jié)部分。雖然傅里葉變換的系數(shù)的數(shù)目往往很大，但是該系數(shù)的一個子集足以捕捉圖形的整體特征。

假設一個特定圖形的邊界有K個像素，編號從0到K-1，沿著圖形輪廓的第K個像素的位置為（xk，yk）。因此，我們可以用兩參數(shù)方程來描述的圖形：

x（k）= xk，y（k）= yk，我們認為，（x，y）的坐標點不在直角坐標系，而是在復平面，表達方式如下：

3.2 主成分分析（PCA）

主成分分析是一種數(shù)學方法，采用一個正交變換將一組可能相關的變量轉換為一組不相關變量，這些不相關的變量叫做主成分，他們是數(shù)據(jù)的中心X，計算的協(xié)方差矩陣C，獲得特征向量和協(xié)方差矩陣的特征值U，P，在特征空間的原始數(shù)據(jù)P=UT·X。

主成分個數(shù)小于或等于原始變量的數(shù)目，這種轉變的方式為，第一主成分盡可能多地具有較高的方差（也就是說，占據(jù)盡可能多的數(shù)據(jù)變化），主成分的數(shù)量小于或等于原始變量的數(shù)量。這種轉變中定義，第一主成分盡可能高方差（即占盡可能多的數(shù)據(jù)的變化），并且每一個成功的成分又有盡可能高的方差，在與前面計算出的數(shù)據(jù)正交（不相關的）的約束情況下，步驟計算出PCA變換的數(shù)據(jù)矩陣X。只有當數(shù)據(jù)是滿足正態(tài)分布時，主成分的保證是獨立的。

3.3 Gabor濾波器

在空間域和頻域中伽柏濾波器具有最佳的定位特性，依據(jù)給定的系數(shù)矩陣Gabor濾波器提出了一種多分辨率分析的方法[3]，在這種方法中，用一個二維Gabor濾波器進行特征提取。Gabor濾波器在空間域是正弦信號調制高斯函數(shù)，在頻域中是高斯頻移。Gabor濾波器可表示為：

Gabor過濾器的性能通過調節(jié)參數(shù)？姿，？酌，和？茲來改變。x和y是圖像坐標。？姿是余弦方程的波長，？酌是高斯函數(shù)形狀的特征，當γ= 1時，形狀是圓的。當γ<1時，形狀為橢圓形。？茲指定了Gabor函數(shù)并行條紋的方向，它的取值為0到360度。

3.4 扇形特征提取

扇形特征提取的識別率完全取決于從字符中提取特征的效率。這些特征可以是拓撲，幾何和結構（角度，距離）等等[4]。對于機打字符，這些字符的形狀變化不大，拓撲和結構的特征提取效果很好。然而，對于手寫字體，由于寫作習慣的不同，同一個字符的形狀也不同，相應的拓撲和結構特性不適用于手寫字體的特征。

在扇形提取中，我們使用特征矩陣的中心作為固定點，字符圖像尺寸統(tǒng)一變?yōu)?2×32像素，從圖像的中心選擇一個角把圖像分割成一個固定數(shù)量的扇區(qū)。字符“E”細分為12部分，如圖1所示。第一部分是從0度到30度；第二部分是從30到60度等等，每個部分用于特征提取。

3.5 距離和角度的特征提取

Nk表示在第K個子塊中的像素值為1的像素數(shù)量，k=1，2，…，12，歸一化向量距離為每個字塊中的像素為1的數(shù)量和除以整個字符圖像中像素為1總數(shù)量，在字符圖像中（xi，yi）是字塊中像素為1的坐標，（xM，yN）是字符圖像的中心坐標。

向量距離DK作為一組特征，角度AK作為另一組特征。從12個子塊中提取了距離向量和角度向量共24個特征，這些特征繪制出一個原字符的近似形狀如圖2所示。

3.6 Zernike矩

Zernike矩已被用于對二值化字符的識別，Zernike矩可以提取旋轉變化和旋轉不變特征，很明顯不變特征對灰度圖像是非常有用[5]。當使用傅里葉描述符，矩不變量，或Zernike矩等這些技術時，由于我們不使用高階項，相應的可以去除離散誤差和其它高頻噪聲。分區(qū)的方法采用低通濾波的方法，抗高頻噪聲干擾的能力很強。在單一的圖像變換，K-L變換是均方誤差意義下數(shù)據(jù)壓縮的最佳變換。然而，由于特征僅僅是輸入字符圖像像素的線性組合，我們不能指望他們能夠提取高層次特征，因此，一個大的特征訓練數(shù)據(jù)集是必要的，同時特征與像素位置相對應，我們不能期望得到的類描述適用于參數(shù)統(tǒng)計分類器，然而，非參數(shù)的分類，如最近鄰分類器在K-L變換的特征方面表現(xiàn)出色。

4 結論

本文對字符的特征類別進行了詳細分析，在此基礎上根據(jù)特征的類別找出相對應的特征提取技術，同時對已有的特征提取技術的優(yōu)缺點進行了分析。字符的宏觀特征主要針對于字符的識別和分類，而對于筆跡識別更側重于微觀特征來識別。隨著字符圖像類型的復雜程度越來越高（如，灰度圖像，彩色圖像），特征提取技術的改進和新的特征選取將快速提高處理速度和識別效率。

【參考文獻】

[1]王巖.離線手寫體漢字鑒別及其算法研究[M].河北工業(yè)大學，2013.

[2]Khaled Mohammed bin Abdl，Siti Zaiton Mohd，Azad Kamilah Muda，“Feature Extraction and Selection forHandwriting Identification： A Review”，375-381[M].

[3]陳蓉，鄧洪波，金連文.一種基于局部Gabor濾波器組的手寫體漢字識別方法[J].計算機應用，2007，27（5）：1222-1224.

[4]曾子銘，韓中華，等.基于扇形特征和BP神經(jīng)網(wǎng)絡算法的字符識別[J].沈陽建筑大學學報，2010，26（3）：604-608.

[5]簡麗瓊.基于Hu矩和Zernike矩的文字識別，科技信息[J].2009，17：460-461.

[責任編輯：鄧麗麗]