龙源期刊网图像特征提取的研究进展作者:白明柱杨立森阿木古楞来源:《科技创新与应用》2013年第04期摘要:图像特征提取是图像处理的一个重要环节,是当代图像处理技术研究和应用的重要领域之一,本文围绕图像特征提取,简要论述了小波特征提取及其他特征提取的相关方法,并进一步论述了图像特征提取的发展趋势。关键词:特征提取;小波变换;不变矩算法;傅立叶变换引言科技发展带来了图像信息的大量交流与运用,图像的自动识别技术也得到了越来越广泛的应用,同时生活中的实际问题也使得对图像识别技术的要求越来越高。图像识别技术各个阶段的比较中,特征提取的内容和方法尤为重要。特征提取后的结果是分类器设计的依据,它直接决定了识别分类的效率和精度。图像的实际研究过程中,特征提取容易受到噪声、视角等的干扰。因此,在处理过程中提取出性能好且受噪声干扰小的特征参数,是图像应用研究的重要课题[1]。1小波特征提取方法及其相关方法的比较在对图像进行处理的过程中,不可避免的要对图像所包含的信息进行处理和分析,我们将不易受外界环境因素干扰的信息作为图像的特征提取出来,这便是图像的特征提取。特征提取简单的说就是去除冗余信息的过程,图像识别的精度也可以在图像提取的过程中得以解决,从而间接性提高了运算速度。利用特征提取技术可以把图像空间的高维特征变成特征空间的低维特征。为了更加形象生动地反映出图像的本质,我们在保持图像样本属性不变的条件下,要保证提取的样本属性能更好地反映出图像的本质。基于不同的图像特征属性和不同的特征提取方法会得到不同的特征描述参数。对于灰度图像而言,最简单特征参数无疑是特征点的灰度特征[2]。灰度特征易于受到周围环境影响和干扰,由于灰度特征维数低,因此计算简单。在近几年的图像处理研究中,图像不变性特征的研究受到各国图像科研人员的注视,也取得了明显的成绩。小波分析的理论基础是把一个信号分解成经过相关变换后的一系列小波,分解后的小波是小波变换的基本单位。通常基于小波特征提取的方法有小波降维、小波去噪,以及小波系数归一化。小波去噪法是将相关像素的图像经过多层小波变换,去掉第一层的小波系数,将剩余的小波系数作为输入。小波降维是将原图像做n层小波变换,保留原图抽样后的低频部分。小波系数归一化是将变换后的小波系数用系数的最大值去除,将系数归一化到(-1,1)之间。我们可以采用特征提取方法将图像作6层分解,然后对小波系数取绝对值,绝对值使小波系数的分布空间变为原来的一半,增加了系数的聚类程度。龙源期刊网在小波的低频部分,可以实现对大部分信息的保留,小波降维也正是利用这一特点进行操作的。但是,小波降维该方法仅仅是对图像实现了降维,换句话说,仅仅是对图像实施再次采样,所以低频部分会受到灰度变化带来的影响,最终导致该方法不稳定,处理效果不理想。小波去噪是在处理过程中去掉了第一层的小波系数,处理后的图像还保留了大部分的高频信息。因为系数的分布范围比较广,该方法最终没有形成明显特征的聚类,导致分类效果比较差。小波系数的归一化方法使小波系数的分布更加集中,但是小波系数的聚类程度没有被改变,所以和小波去噪没有明显的差别。综上,我们可以通过对系数进行绝对值处理使系数的分布更加集中,同时对系数进行过滤排除小特征特性的影响。最终,该方法使小波系数形成明显的聚类,突出了主要特征,比其他方法有更高的识别率和更低的误识别率。2图像不变矩法作为图像的一种区域性的描述,有些特征在平移和旋转的过程中,会表现出一些特定不变的性质,这对于形状的特征分析来说是非常实用的,所以这种能力在图像的处理和特定目标识别中的使用较为广泛。在对图像目标的描述中,形状是重要的描述项目。在我们研究的图像对象中,不变矩的特征属于统计特征,它在平移和旋转情况下能保持性质不变。不变矩很好地反映了从一个函数到一些特定基本函数的映射关系,从而确保了由一定数量的不变矩描述图像的可能性和可靠性。根据几何不变量理论引进了几何矩的概念,图像的几何矩是图像函数在空间区域内的积分。在图像研究的过程中,通常情况下,都是认为图像空间是有限的,同时各种积分操作都是在有限的空间内实行。图像的n阶几何矩、中心矩、以及归一化中心矩,用它们的线性组合构造了具有平移、旋转和比例不变的7个经典不变矩,为图像矩理论奠定了基石。其中高阶几何矩易受噪声影响,并且具有信息抑制、冗余等现象。图像函数并不正交,存在相关性,因此很难利用几何矩恢复图像。这样一来,很难对几何矩的图像的描述质量进行评价。大量的研究表明,正交矩的独立性好、具有很强的抗噪能力、也不会出现信息的冗余现象、具有良好的抽样特性,非常适用于对多畸变不变图形的描述以及识别。用正交矩进行图像分析、图像处理、以及图像识别的研究项目很多。这表明不变矩理论在图像信息处理与识别中的应用技术具有很好的发展前景和应用商机。3图像特征提取技术呈现的发展趋势图像提取技术利用原始的灰度特征以及其他的相关特征,实现图像像素的全面表现。采用多种特征融合的提取技术,可以获得更好的提取结果。在多种特征融合的基础下,以进一步发展了多种提取方法的结合。之所以需要进行提取方法的结合,主要原因在于图像目标具有多样性,在成像上也存在不确定性。在提取复杂图像的过程中,单一方法无法达到想要的结果,必须实施多种技术的融合,灵活的发挥各种技术各自的优点,使得最后得到的图像达到想要的效果。由于图像的多样性和各种社会需求的需要,我们在进行图像处理的同时还要与图像的相关分割方法相适。另外,还应该进一步考虑到与分割技术的相互结合。在对特定图形进行处理时,应该选择合适的提取方法,达到效果。在考虑图像特征提取的多样性和复杂性的基础上,还要考虑处理的过程中与多种图像分割技术相对应,现有的理论和方法离实际复杂图像的处理还有一定的距离,一些根本的问题还有待进一步深入研究。龙源期刊网当下,对于特征提取技术来说,还没有实现统一有效的模式,其理论也在不断发展。不同的提取算法会产生不一样的图像处理速度,我们要注重算法的研究,要善于总结出最优秀的算法,提高处理速度。在算法的研究过程中,我们还要考虑算法的通用性,准确率以及自动化程度[3]。4结束语本文简要分析了小波特征提取与其他相关特征提取方法,介绍了图像特征提取的发展趋势。在图像的处理过程中,要注意方法的合理使用。基于小波变换的特征提取及方法的选择可以提高图像目标的识别效果。采用小波系数的过滤,可以排除小特征的影响,突出目标特征。通过取绝对值等方法可以减少样本在特征空间的分布范围,使特征参数分布更加集中。总之,对于图像特征提取技术的研究需要学者们更多的付出,更多的努力。参考文献[1]雷英杰,张善文,李继武,等.MATLAB遗传算法工具箱及应用[M].西安:西安电子科技大学出版社,2008.[2]李柏年.模糊数学及其运用[M].合肥:合肥工业大学出版社,2007.[3]熊焰,周伟国等.模糊神经网络在燃气风险评价的应用[J].燃气与热力,2006,26(6).