圖像處理中特征提取的應用及增強算法研究

翁和王，葉球孫

(武夷學院 數學與計算機學院， 武夷山　354300)

?

圖像處理中特征提取的應用及增強算法研究

翁和王，葉球孫

(武夷學院 數學與計算機學院， 武夷山354300)

摘要：圖像增強和圖像特征提取是圖像識別的兩個重要環節，圖像增強是提高圖像質量的有效手段，是進行圖像特征提取并實現圖像識別目標的重要條件。就圖像處理中特征提取的應用及圖像增強算法進行了探討。

關鍵詞：圖像增強；特征提取；增強算法

隨著科學技術的快速發展，圖像識別技術開始被廣泛應用于軍事、計算機科學、醫療影像技術等多個領域，并發揮了重要作用。圖像預處理和圖像特征提取是提高識別率的重要前提，所以圖像預處理和圖像特征提取技術以及相關算法有著廣泛的應用前景[1-6]。

1　圖像增強算法研究

圖像增強是根據特定要求對圖像進行加工、完善，提高圖像質量，以便處理后的圖像接近人的視覺特性或者更容易被機器識別，實現提高圖像實用價值的目標[7-12]。圖像增強是進行圖像處理的一種基本技術，是圖像處理領域中的一個研究熱點。常用的圖像增強方法有多種，按照處理空間的不同可以分為基于圖像域的和基于變換域的。按照處理對象的不同可分為基于像素的和基于模板的?；谀０宓膱D像增強一般都是處理該圖像的一部分，而在對圖像像素處理過程中，對單個像素的增強是不受其他像素影響的。

1.1空域增強算法

直接對圖像像素的增強處理方法稱為空域圖像增強算法，該算法可用公式表示為：

(1)

式中：f(x,y)表示原始圖像；EH表示進行圖像增強；g(x,y)表示增強處理后的圖像。

如果EH是點操作，則EH是定義在每個(x,y)上的；如果EH是模板操作，則EH是在(x,y)鄰域上操作。如果鄰域為正方形，則增強操作較簡單，此時正方形可精確到單個像素進行點操作，此情況下(x,y)上的f(x,y)值將決定g(x,y)值。如果將(x,y)上f(x,y)和g(x,y)的灰度值用s，t表示，則式(1)可表示為

(2)

在實際操作中，像素的鄰域通常都大于這個像素，其除了本身外還包括其他像素，此時(x,y)上f(x,y)值以及f(x,y)在以(x,y)為中心的鄰域內所有像素值將共同決定(x,y)上的g(x,y)值，如果f(x,y)在(x,y)附近的灰度值為n(s)，則式(1)可表示為

(3)

式中t為關于s和n(s)的函數，是s的泛函。

圖像增強以圖像卷積和模板的形式完成。圖像增強對灰度的變換是將圖像的像素灰度通過特定函數的變換后形成新的圖像灰度，常用的方法有灰度線性變換、灰度非線性變換，以及修正直方圖等。直方圖是對圖像灰值度分布情況進行統計、分析的重要方法，通過修正直方圖的方法可以增強圖像的對比度。在圖像的增強處理過程中，為了更快達到處理效果，往往需要變換圖像空間，圖像處理后再回到原來的圖像空間，此時多采用頻域空間，可表示為

(4)

1.2頻域增強算法

頻域增強方法以卷積理論為理論基礎，假設g(x,y) 是函數f(x,y)和線性不變算子h(x,y)卷積的結果，那么根據卷積定理可得出：

(5)

式中：G(u,v)，H(u,v)，F(u,v)分別表示為g(x,y)，h(x,y)，f(x,y)的傅里葉變換。

在對圖像進行頻域增強處理過程中，f(x,y)的值是已知的，可以通過公式變換得出F(u,v)的值，另外還需要確定H(u,v)的值，可通過G(u,v)得到g(x,y)的值：

(6)

常用的頻域增強方法有多種，例如高通濾波、低通濾波、同態濾波、帶通濾波以及帶阻濾波等。

2　圖像特征提取算法研究

在計算機視覺以及模式識別中，對象的具體表示狀態是非常重要的，直接影響著識別過程和識別效果。圖像的模式識別是近年來興起的一項新技術，主要內容是圖像特征的識別和分類，通過對計算機技術和信息處理技術的應用來實現人的認識和理解過程。圖像特征提取是圖像識別的關鍵步驟，主要包括：① 圖像顏色或灰度特征的提?。虎?邊緣紋理特征的提??；③ 代數特征的提取；④ 變換系數和濾波器系數特征的提取。

2.1圖像顏色或灰度特征的提取算法

(7)

用n表示每個特征取值的個數，圖像P的該特征直方圖可表示為

(8)

即圖像P某特征的概率分布。

2.2邊緣、紋理特征的提取算法

除了顏色外，紋理特征是圖像的另一個重要視覺特征。圖像紋理是紋理基元按照某種特定規律排列組成的，可以反映出圖像亮度的空間變化情況，并且整體和局部具有相似性。圖像紋理特征與紋理基元的空間大小有關。如果紋理基元的尺寸較大，則圖像表現出較粗的紋理，如果紋理基元的尺寸較小，則圖像表現出較細的紋理。紋理的粗糙程度可以用空間自相關函數來描述。除了空間自相關法，圖像紋理的分析方法還有Tamura法、共生矩陣法等。Tamura提出與人視覺相關的紋理特征有6種，包括對比度、規則性、方向性、粗糙度、粗略度、規則度。

灰度共生矩陣法產生于20世紀70年代，利用灰度共生矩陣法可以得到紋理特征(包括對比度、能量以及熵等特征)的統計量。假設圖像上任一點為(x,y)，其擾動點為(x+a,y+b)，兩點形成一個對點，(x,y)點的灰度為i，(x+a,y+b)點上的灰度為j，它們形成的灰度值即為(i,j)。在a,b點固定的情況下，在圖像上移動(x,y)點可得到各種(i,j)，如果用L表示圖像的灰度級，則i,j組合可形成L2種。然后統計出圖像上每種(i,j)值出現的次數，并進行回歸處理，可得到概率P(i,j)，圖像的灰度共生矩陣即為[P(i,j)]。

圖像邊緣是圖像的一種基層特征，通常是由圖像中景物物理特性發生的變化引起。圖像灰度發生空間突變，或者圖像梯度方向發生突變的像素集合即為圖像邊緣。圖像邊緣特征的提取方法有模糊增強邊緣檢測、經典微分邊緣檢測、多尺度邊緣檢測等。模糊增強邊緣檢測主要是用于解決圖像邊緣的模糊性問題，通過對圖像邊緣灰度對比度的增強處理，把邊緣的不確定性變為確定性。經典微分邊緣檢測有兩種：1階和2階微分邊緣檢測，并且2種方法都包括多種算子。其中，在1階微分邊緣檢測中，Canny算子在定位的精準度和抗噪音方面表現出極大優勢，而在2階微分邊緣檢測中，LOG算子的應用較為廣泛。多尺度邊緣檢測是通過圖像的多尺度分解來進一步確定圖像的邊緣。

2.3圖像代數特征的提取

圖像的代數特征是從圖像矩陣中提取出來的特征，反映的是圖像的內在屬性。當圖像以矩陣形式表示時，可用2階矩陣表示灰度圖像，彩色圖像可用3階矩陣表示。圖像代數特征的提取是基于矩陣理論的一種圖像特征提取方法，需要以存儲圖像數據的數據結構為前提條件。這種圖像特征提取方法的典型代表有SVD(奇異值分解)、PCA(主成分分析)、ICA(獨立成分分析)，以及LDA(線性判據分析)。

PCA不僅應用于圖像處理，還廣泛應用于模式識別和數據壓縮等領域。有研究人員提出，PCA可用于表示人臉圖像，并且圖像重構誤差較小，但該方法在其他方面表現出一定局限性。相對于PCA，LDA用于提取人臉特征則表現出很大優勢，但不論是PCA方法還是LDA方法，其處理的對象數據必須是向量數據，而不能對圖像的矩陣數據直接處理，只有將矩陣數據轉換為向量數據后才能進行圖像特征的提取。鑒于這個缺點，之后分別提出了2DPCA和2DLDA。2DPCA和2DLDA是一維PCA和LDA的推廣，不需要進行圖像數據格式的轉換，很大程度上降低了計算復雜度。PCA適用于全局特征的圖像特征提取操作，但要進行局部特征提取就需要采用ICA方法。ICA相對于PCA具有多種優點：圖像局部特征表示能力較強，提取到的圖像特征穩定性好，具有高階去相關特性等。

2.4圖像變換系數特征的提取

圖像經過一系列濾波變換(小波變換、傅里葉變換等)后可以將各種變換系數作為圖像的一種特征。可通過圖像變換系數對圖像進行二次特征提取。并不是所有的變換系數都可以用于圖像的識別特征，而是需要從多個變換系數中提取部分表示能力較強的系數，或者是由函數構成的組合形式，例如小波能量的提取以及主成分的提取等。小波分析方法自20世紀80年代提出，發展到現在，其功能不斷得到完善，是目前一種廣泛應用的尺度信號處理工具，尤其在圖像處理中發揮了重要作用，將成為未來的研究熱點。通過小波變換進行圖像特征提取的流程如圖1所示。

圖1　通過小波變換進行圖像特征提取的流程

3　結束語

圖像增強和圖像特征提取是圖像識別的重要環節，直接影響著圖像識別的效果。本文主要介紹了圖像增強操作中空域增強算法以及頻域增強算法，并對4種圖像特征提取的常用方法以及相關算法進行了探討。隨著科學技術的發展，圖像識別技術開始廣泛應用于各個領域，而作為圖像識別中的關鍵步驟，人們開始對圖像增強和圖像特征提取技術進行更深入研究。因為在實際操作中各項技術都存在不同程度局限性，所以相關圖像處理技術還需要不斷完善。

參考文獻：

[1]王凱.基于圖像紋理特征提取算法的研究及應用[D].成都：西南交通大學,2013.

[2]樊春玲,鄒麗君,江婷婷，等.數字圖像處理技術在邊緣特征提取中的應用[J].山西電子技術,2008(2):34-35.

[3]SCHIFFMANN D A,DIKOVSKAYA D,APPLETON P L，et al.Open microscopy environment and findspots:integrating image informatics with quantitative multidimensional image analysis[J].BioTechniques,2006,41(2)：199-208.

[4]韓濤.指紋圖像預處理與特征提取算法研究[D].武漢：華中科技大學,2005.

[5]張正言,戴曉強,張冰，等.指紋圖像預處理和特征提取[J].微電子學與計算機,2008,25(7):134-136,141.

[6]薛金龍.基于角點的圖像特征提取與匹配算法研究[D].大連：大連理工大學,2014.

[7]古良玲，王玉菡.基于模擬退火遺傳算法的圖像增強[J].激光雜志，2015(2)：19-22.

[8]李竹林,王明芳,呼建雪，等.醫學圖像增強算法與特征提取算法研究與實現[J].計算機技術與發展,2015(1):115-118.

[9]海潔,吳海燕,羅中劍.高斯變鄰域差分的灰度圖像增強算法[J].激光雜志，2015(1)：57-61.

[10]王高明.霧霾環境下圖像增強算法研究及其應用[D].南京：南京理工大學,2012.

[11]張德發,肜麗.多光源圖像細化和細節增強的協同圖像處理算法研究[J].重慶郵電大學學報(自然科學版),2014(2):260-264.

[12]李錦.圖像增強算法的研究及其應用[D].西安：西安電子科技大學,2013.

(責任編輯楊文青)

收稿日期：2016-02-27

基金項目：福建省自然科學基金資助項目(2012J01018)

作者簡介：翁和王(1983—)，男，福建建陽人，碩士研究生，主要從事智能圖像技術研究。

doi:10.3969/j.issn.1674-8425(z).2016.07.020

中圖分類號：TP93

文獻標識碼：A

文章編號：1674-8425(2016)07-0119-04

Applications of Feature Extraction and Enhancement Algorithm in Image Processing

WENG He-wang, YE Qiu-sun

(College of Mathmatics and Computer, Wuyi University, Wuyishan 354300, China)

Abstract:Image enhancement and image feature extraction are two important links of image recognition. Image enhancement is the effective measure to improve the quality of image and it is a primary requirement for image feature extraction and image recognition purposes. The applications of the feature extraction and image enhancement algorithm inimage processing were discussed.

Key words:image enhancement; feature extraction; enhancement algorithm

引用格式：翁和王，葉球孫.圖像處理中特征提取的應用及增強算法研究[J].重慶理工大學學報(自然科學)，2016(7):119-122.

Citation format：WENG He-wang, YE Qiu-sun.Applications of Feature Extraction and Enhancement Algorithm in Image Processing[J].Journal of Chongqing University of Technology(Natural Science)，2016(7):119-122.