圖像特征提取的研究進展

摘 要：圖像特征提取是圖像處理的一個重要環節，是當代圖像處理技術研究和應用的重要領域之一，本文圍繞圖像特征提取，簡要論述了小波特征提取及其他特征提取的相關方法，并進一步論述了圖像特征提取的發展趨勢。

關鍵詞：特征提取；小波變換；不變矩算法；傅立葉變換

引言

科技發展帶來了圖像信息的大量交流與運用，圖像的自動識別技術也得到了越來越廣泛的應用，同時生活中的實際問題也使得對圖像識別技術的要求越來越高。圖像識別技術各個階段的比較中，特征提取的內容和方法尤為重要。特征提取后的結果是分類器設計的依據，它直接決定了識別分類的效率和精度。圖像的實際研究過程中，特征提取容易受到噪聲、視角等的干擾。因此，在處理過程中提取出性能好且受噪聲干擾小的特征參數，是圖像應用研究的重要課題[1]。

1 小波特征提取方法及其相關方法的比較

在對圖像進行處理的過程中，不可避免的要對圖像所包含的信息進行處理和分析，我們將不易受外界環境因素干擾的信息作為圖像的特征提取出來，這便是圖像的特征提取。特征提取簡單的說就是去除冗余信息的過程，圖像識別的精度也可以在圖像提取的過程中得以解決，從而間接性提高了運算速度。利用特征提取技術可以把圖像空間的高維特征變成特征空間的低維特征。為了更加形象生動地反映出圖像的本質，我們在保持圖像樣本屬性不變的條件下，要保證提取的樣本屬性能更好地反映出圖像的本質。基于不同的圖像特征屬性和不同的特征提取方法會得到不同的特征描述參數。對于灰度圖像而言，最簡單特征參數無疑是特征點的灰度特征[2]。灰度特征易于受到周圍環境影響和干擾，由于灰度特征維數低，因此計算簡單。在近幾年的圖像處理研究中，圖像不變性特征的研究受到各國圖像科研人員的注視，也取得了明顯的成績。

小波分析的理論基礎是把一個信號分解成經過相關變換后的一系列小波，分解后的小波是小波變換的基本單位。通常基于小波特征提取的方法有小波降維、小波去噪，以及小波系數歸一化。小波去噪法是將相關像素的圖像經過多層小波變換，去掉第一層的小波系數，將剩余的小波系數作為輸入。小波降維是將原圖像做n層小波變換，保留原圖抽樣后的低頻部分。小波系數歸一化是將變換后的小波系數用系數的最大值去除，將系數歸一化到（-1，1）之間。我們可以采用特征提取方法將圖像作6層分解，然后對小波系數取絕對值，絕對值使小波系數的分布空間變為原來的一半，增加了系數的聚類程度。

在小波的低頻部分，可以實現對大部分信息的保留，小波降維也正是利用這一特點進行操作的。但是，小波降維該方法僅僅是對圖像實現了降維，換句話說，僅僅是對圖像實施再次采樣，所以低頻部分會受到灰度變化帶來的影響，最終導致該方法不穩定，處理效果不理想。小波去噪是在處理過程中去掉了第一層的小波系數，處理后的圖像還保留了大部分的高頻信息。因為系數的分布范圍比較廣，該方法最終沒有形成明顯特征的聚類，導致分類效果比較差。小波系數的歸一化方法使小波系數的分布更加集中，但是小波系數的聚類程度沒有被改變，所以和小波去噪沒有明顯的差別。綜上，我們可以通過對系數進行絕對值處理使系數的分布更加集中，同時對系數進行過濾排除小特征特性的影響。最終，該方法使小波系數形成明顯的聚類，突出了主要特征，比其他方法有更高的識別率和更低的誤識別率。

2 圖像不變矩法

作為圖像的一種區域性的描述，有些特征在平移和旋轉的過程中，會表現出一些特定不變的性質，這對于形狀的特征分析來說是非常實用的，所以這種能力在圖像的處理和特定目標識別中的使用較為廣泛。在對圖像目標的描述中，形狀是重要的描述項目。在我們研究的圖像對象中，不變矩的特征屬于統計特征，它在平移和旋轉情況下能保持性質不變。不變矩很好地反映了從一個函數到一些特定基本函數的映射關系，從而確保了由一定數量的不變矩描述圖像的可能性和可靠性。根據幾何不變量理論引進了幾何矩的概念，圖像的幾何矩是圖像函數在空間區域內的積分。在圖像研究的過程中，通常情況下，都是認為圖像空間是有限的，同時各種積分操作都是在有限的空間內實行。圖像的n階幾何矩、中心矩、以及歸一化中心矩，用它們的線性組合構造了具有平移、旋轉和比例不變的7個經典不變矩，為圖像矩理論奠定了基石。其中高階幾何矩易受噪聲影響，并且具有信息抑制、冗余等現象。圖像函數并不正交，存在相關性，因此很難利用幾何矩恢復圖像。這樣一來，很難對幾何矩的圖像的描述質量進行評價。大量的研究表明，正交矩的獨立性好、具有很強的抗噪能力、也不會出現信息的冗余現象、具有良好的抽樣特性，非常適用于對多畸變不變圖形的描述以及識別。用正交矩進行圖像分析、圖像處理、以及圖像識別的研究項目很多。這表明不變矩理論在圖像信息處理與識別中的應用技術具有很好的發展前景和應用商機。

3 圖像特征提取技術呈現的發展趨勢

圖像提取技術利用原始的灰度特征以及其他的相關特征，實現圖像像素的全面表現。采用多種特征融合的提取技術，可以獲得更好的提取結果。在多種特征融合的基礎下，以進一步發展了多種提取方法的結合。之所以需要進行提取方法的結合，主要原因在于圖像目標具有多樣性，在成像上也存在不確定性。在提取復雜圖像的過程中，單一方法無法達到想要的結果，必須實施多種技術的融合，靈活的發揮各種技術各自的優點，使得最后得到的圖像達到想要的效果。由于圖像的多樣性和各種社會需求的需要，我們在進行圖像處理的同時還要與圖像的相關分割方法相適。另外，還應該進一步考慮到與分割技術的相互結合。在對特定圖形進行處理時，應該選擇合適的提取方法，達到效果。在考慮圖像特征提取的多樣性和復雜性的基礎上，還要考慮處理的過程中與多種圖像分割技術相對應，現有的理論和方法離實際復雜圖像的處理還有一定的距離，一些根本的問題還有待進一步深入研究。

當下，對于特征提取技術來說，還沒有實現統一有效的模式，其理論也在不斷發展。不同的提取算法會產生不一樣的圖像處理速度，我們要注重算法的研究，要善于總結出最優秀的算法，提高處理速度。在算法的研究過程中，我們還要考慮算法的通用性，準確率以及自動化程度[3]。

4 結束語

本文簡要分析了小波特征提取與其他相關特征提取方法，介紹了圖像特征提取的發展趨勢。在圖像的處理過程中，要注意方法的合理使用。基于小波變換的特征提取及方法的選擇可以提高圖像目標的識別效果。采用小波系數的過濾，可以排除小特征的影響，突出目標特征。通過取絕對值等方法可以減少樣本在特征空間的分布范圍，使特征參數分布更加集中。總之，對于圖像特征提取技術的研究需要學者們更多的付出，更多的努力。

參考文獻

[1]雷英杰，張善文，李繼武，等.MATLAB遺傳算法工具箱及應用[M].西安：西安電子科技大學出版社，2008.

[2]李柏年.模糊數學及其運用[M].合肥：合肥工業大學出版社，2007.

[3]熊焰，周偉國等.模糊神經網絡在燃氣風險評價的應用[J].燃氣與熱力，2006，26（6）.