特征提取在圖像處理中的應用

凌軍

（宿州學院　信息工程學院，安徽　宿州　234000）

特征提取在圖像處理中的應用

凌軍

（宿州學院信息工程學院，安徽宿州234000）

特征提取可以提高圖像質量.光照條件的多變性及物體間相互遮擋導致圖像質量難以控制.把光照圖和反射物體圖進行分離，可改善圖像質量，但亮度圖像重建計算量較大.提出一種特征提取方法，實驗證明可有效減少圖像處理時間，提高圖像質量，改善圖像特征點提取.

特征提取；圖像處理；圖像增強

1　引言

圖像的形成與入射光和物體的反射有關.焦距不同的圖像常難以拼接.特征提取可提高圖像拼接、增強的質量，實現圖像的有效縮放和旋轉，體現圖像的局部不變性［1］.

在特征提取應用中，采用了多種點特征提取算子［2］.基于特征點的增強，首先對圖像進行預處理，然后運用特征提取算法，實現圖像的增強，.文章對特征提取在圖像增強中的應用進行了研究和分析.

2　圖像預處理和特征提取算法

2.1圖像預處理

圖像處理中的預處理主要是對圖像進行預先處理，減少干擾，從而保證特征提取的準確、快速，減少圖像的失真.在小波分解中，如圖1，提取出低頻分量，減少高頻噪聲干擾，有效還原圖像信息，處理速度比傳統方法得到提高［3］.

圖1　小波分解低頻圖像

2.2特征提取算法

特征提取算法提取出圖像的尺度不變特征，利用圖像序列特征點，進一步克服輸入圖像的噪聲干擾［4］.尺度不變特征的提取過程中，通過檢測尺度空間的極值，提取出特征點的位置，然后計算出特征點信息，將其作為特征描述符.

特征提取需結合一定的模型，如人類視覺系統，采用層次化和串行化的思想，實現視覺模型的功能［5］.特征參數須正確描述圖像特征，具有較強的抗噪性、仿射不變性、相對穩定性和泛化能力.

3　模型構建和應用

3.1可變框架模型

結合Retinex算法的可變框架模型假設光照圖存在空間平滑的特性，同時反射物體r在［0，1］區間單調.光照亮度圖像中存在較大的值.對于入射分量l而言，盡可能地和輸出圖像s接近［6］.圖像中的入射光光滑性為常數.對式（1）進行最小化.

圖像用Ω表示，光照亮度圖像用l表示，輸出圖像用s表示，n表示區間，圖像的邊緣，用?Ω表示，α和β是非負系數.圖像空間的平滑度，用|▽l|2表示.條件（1-s）2表示入射亮度圖像和輸出圖像接近程度，差值即是反射物體的圖像［7］.

當方程有最小值的時候，對式（1）進行求導，如式（2）所示.

求出數值解，得出亮度圖像，實現Retinex圖像增強算法.模型中存在一定的缺陷.就光暈的存在而言，往往是一種人為的假象，在這種平滑性假設的前提下，當光照強烈的區域存在時，難以降低黑暗區域內部光照值.在邊緣附近的一些黑暗區中，一旦黑暗區域被移除，將會伴有一定的光暈效應.運用迭代法對模型進行求解時，往往具有較高的算法復雜性［8］.

目前，有不少的企業沒有建立起完善的績效考核體系，或者績效考核體系較為落后，無法充分的發揮薪酬管理的激勵功能。這些企業無論是在考核內容，還是考核方法的選擇方面都較為落后，績效考核體系對于企業員工工作態度與工作效率的改善并不十分理想，反而在績效考核中暴露了許多問題，諸如考核的定位不清、考核指標的設計不夠科學性等，這些問題反而嚴重阻礙了員工積極性與創造性的提高。

3.2模型改進和加速迭代求解

改進模型中對于|▽l|2，提高光照圖的空間光滑性.結合限制條件|▽（l-s）|，保證r有著一定的平滑性，并結合限制條件，選擇好自由參數β.對于（1-s），要使得s逐漸地和l接近，并保證r有著盡可能小的值［9］.

首先使得β的值為0，在光暈效果的作用下，r處于光滑的狀態，越過物體的邊界，設置恰當的光滑狀態，將光暈效應有效地去除，結合反射圖的邊界變化情況，及時捕捉圖像特征點.

其次對于α，在趨向于0的過程中，要保證α有著越來越小的取值，但要盡可能地控制好與l以及s的接近程度.在新的假設中，方程如式（3）所示.

基于梯度下降法，對方程求解中，迭代方程如式（4）所示.

G是F［l］的梯度，如式（5）所示.

在實際使用時內積定義如式（6）所示.

這種新的迭代方式不僅計算較為簡便，而且能對光暈現象進行有效地抑制.

3.3加速卷積速度

圖2　圖像增強的流程圖

通過結合卷積和多尺度，建立起新的卷積方程，降低卷積函數算法復雜度，流程圖如圖2.

S表示初始亮度圖像，對多尺度亮度圖像結合低解析度圖像，通過卷積函數的尺度變換，實現了Laplacian濾波變換.算法中變換提升了圖像增強的處理速度.

4　結果分析

原始圖像和增強后圖像的對比，如圖3.

圖像增強后，灰度級得到提高，增加了物體邊界對比度，提取出更多的有效Susan特征點.實驗表明，本算法對視頻圖像的增強具有良好的實時性.對于512×384的圖像，算法的實際處理時間僅為17ms，對于每秒30幀的視頻圖像，具有良好的實時性.

圖3　原始圖像和增強后圖像的對比

5　結語

運用結合特征點的圖像增強算法對圖像有著明顯的增強效果，提高了增強后圖像的有效特征點個數，增強過程自動執行，無需人為設置參數，算法具有較好的實時性.

〔1〕Sang Hyun Park，Soochahn Lee，Il Dong Yun，Sang Uk Lee.Hierarchical MRF of globally consistent localized classifiers for 3D medical image segmentation［J］.Pattern Recognition，2013，01（15）：73-75.

〔2〕Hakime Vojodi，Ali Fakhari，Amir Masoud Eftekhari Moghadam.A new evaluation measure for color image segmentation based on genetic programming approach［J］.Image and Vision Computing，2014，35（9）：3156-3162.

〔3〕Chao Gao，Dongguo Zhou，Yongcai Guo.An Iterative Thresholding Segmentation ModelUsing aModified Pulse Coupled Neural Network［J］.Neural Processing Letters，2011，24（6）：33-35.

〔4〕AshirbaniSaha，Gaurav Bhatnagar，Q.M.Jonathan Wu.Mutual spectral residual approach for multifocus image fusion［J］.Digital Signal Processing，2012，11（1）：92-92.

〔5〕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.

〔6〕Silvia P.Gennari，Maryellen C.MacDonald，Bradley R.Postle，Mark S.Seidenberg.Context-dependent interpretation of words：Evidence for interactive neural processes［J］.Neuroimage，2014，35（9）：3156-3162.

〔7〕Ying Liu，Dengsheng Zhang，Guojun Lu，Wei-Ying Ma.A survey of content-based image retrieval with high-level semantics［J］.Pattern Recognition，2013，28（5）：597-601.

〔8〕Stephen D.Van Hooser，Arani Roy，Heather J.Rhodes，Julie H.Culp，David Fitzpatrick.Transformation of Receptive Field Properties from Lateral Geniculate Nucleus to Superficial V1 in the Tree Shrew［J］.Journal of Neuroscience，2013，24（6）：33-35.

〔9〕Christopher Madden，Eric Dahai Cheng，Massimo Piccardi.Tracking people across disjoint camera views by an illumination-tolerant appearance representation［J］.Machine Vision and Applications，2007，04（6）：43-35.

TP391

A

1673-260X（2015）11-0035-02