首页 理论教育线矩特征描述子:一种有效的图像特征提取方法

线矩特征描述子:一种有效的图像特征提取方法

【摘要】:如第2章2.3.3节所述,面矩作为一种全局信息,已经广泛用于完全分割后的目标识别,其具有前面所述的整体特征的优缺点。当对边缘曲线进行尺度变化时,尺度的变化导致曲线长度的变化,相应的变化因子是k。此时尺度变化后的中心矩成为μ′pq=μpq×kp+q+1。为此,对7个不变矩进行如下修正,以调整其取值范围:式中所进行的修正变换应综合考虑不变矩特征的大小及后续识别的结构特点。

如第2章2.3.3节所述,面矩作为一种全局信息,已经广泛用于完全分割后的目标识别,其具有前面所述的整体特征的优缺点。而针对图像边缘计算的不变矩,我们称之为线矩,作为一种局部特征,它主要利用目标图像的高频信息部分——边缘信息完成对图像的分析与理解[168]。由于通常目标边缘像素点的个数约为目标所有像素点的平方根,所以,用目标边缘像素来表示其形状要比用目标区域内所有的像素点少得多。

数字图像中的边缘曲线由N个离散点组成,即(xiyi),i=1,2,…,N,则p+q阶线矩的定义为

式中,978-7-111-38182-2-Chapter04-24.jpg

相应的p+q阶中心矩定义为

式中,978-7-111-38182-2-Chapter04-26.jpg978-7-111-38182-2-Chapter04-27.jpg,点(xy)即为边缘的质心位置。中心矩是与图像的平移无关的。

当对边缘曲线进行尺度变化时,尺度的变化导致曲线长度的变化,相应的变化因子是k。此时尺度变化后的中心矩成为μ′pq=μpq×kp+q+1

用零阶中心矩对其余各阶中心矩进行归一化,可以得到归一化的中心矩为

对曲线来说,要满足尺度不变性,从η′pq=ηpq可推出

γ=p+q+1 (4-22)

为了使矩描述子与平移、大小、旋转等因素无关,利用2阶和3阶归一化中心矩可以导出下面7个矩不变式:

由于φ25+φ27=φ3φ34,所以上面的7个矩不变式只有6个是独立的。

在不变矩的实际计算过程中,如医学图像,其不变矩数值分布范围非常大。而在识别过程中,如果不变矩特征值愈小,对识别结果的贡献就愈小;如果不变矩特征值愈大,对识别结果的贡献就愈大。为此,对7个不变矩进行如下修正,以调整其取值范围:

式中所进行的修正变换应综合考虑不变矩特征的大小及后续识别的结构特点。