淺述計算機視覺中的圖像特征及提取方法

姜文澤

摘要：計算機視覺是人工智能領(lǐng)域中的一個重要分支，更是人工智能的基礎(chǔ)。人工智能領(lǐng)域中的信息多種多樣，其中圖片信息即視覺信息比其他信息如觸覺、聽覺信息要重要得多。該文將簡要概述計算機視覺領(lǐng)域中圖像操作所要進行的第一步——圖像特征提取時的圖像特征以及提取過程中所用到的方法。

關(guān)鍵詞：計算機視覺;圖像特征;特征提取方法

中圖分類號：TP3? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）16-0185-02

開放科學（資源服務(wù)）標識碼（OSID）：

1? 提取方法

1.1? 直方圖

直方圖（Histogram）作為一個統(tǒng)計手段，具有一定的統(tǒng)計作用，同時其不僅可以表示一般數(shù)據(jù)的分布，也可以對圖像的數(shù)據(jù)或特征進行統(tǒng)計，生成圖像特征分布的直方圖，譬如灰度、顏色、梯度（邊緣）、形狀、紋理、局部特征點等。

直方圖本質(zhì)上是對圖像的原始特征或數(shù)據(jù)進行降維，通過對其特征進行處理、對其數(shù)據(jù)分布進行建模，使數(shù)據(jù)具有一定的總結(jié)性，同時可以有效節(jié)省存儲空間、簡化運算量，更易于查看和分析，為進一步圖像處理或分析做準備。

1.2? 聚類

聚類（Clustering）是一種可以取代直方圖的特征提取方法，該方法可以通過基于數(shù)據(jù)的無監(jiān)督訓練得到更穩(wěn)定的值。其目標是找到混合樣本集中存在的內(nèi)在的群組關(guān)系，即對對象集合分割分塊或分組為不同的子集或類，使得類內(nèi)關(guān)聯(lián)性高，類間關(guān)聯(lián)性差。

常用的聚類方法有K-means聚類、均值漂移聚類、基于密度的聚類（DBSCAN）、基于高斯混合模型的最大期望聚類（EM）、凝聚層次聚類和圖團體檢測等方法。

2? 圖像特征

2.1? 顏色特征

顏色特征是圖像特征中的一種全局特征，它直觀地描述了圖像中物體的表面性質(zhì)。但顏色對圖像區(qū)域的方向、大小等變化不敏感，故顏色特征不能很好表述圖像中的局部特征。

顏色特征主要的提取方法有量化顏色直方圖和聚類顏色直方圖，兩種方法的適用顏色空間不同，前者適用于RGB和HSV等均勻顏色空間，后者適用于Lab等非均勻空間。

量化顏色直方圖的操作簡單，計算高效，但存在量化問題，如果顏色相對單調(diào)還容易產(chǎn)生分布稀疏的問題。

對于Lab等非均勻空間，使用K-means聚類算法對所有像素點的顏色向量進行聚類，直方圖的區(qū)間單元由聚類中心代表。

2.2? 幾何特征

常見的幾何特征有邊緣（Edge）、角點（Corner）以及斑點（Blob）。

邊緣是指梯度、亮度、顏色交界處以及面與面相交、線與線相交等像素有明顯變化的區(qū)域，即圖像中某一特性在某一方向上分布的不連續(xù)處。對于復雜圖片，可以先將彩色圖像轉(zhuǎn)化為灰度圖像，再對其某一方向的灰度值函數(shù)求一階導數(shù)，得到的一階導數(shù)的高于某個閾值的極值區(qū)域即邊緣區(qū)域。該閾值也是一個超參數(shù)，若閾值設(shè)置過低，邊緣提取不精確，導致得到的邊緣區(qū)域信息量過大，進而可能會導致計算量過大;若閾值設(shè)置過高，提取到的邊緣區(qū)域過少，則會導致信息質(zhì)量較低。邊緣提取時一階導數(shù)對噪聲極為敏感，故應先進行高斯去噪，再使用一階導數(shù)獲取極值。

角點是一種顯著點，即在某方面屬性特別突出的點。在本文中，角點區(qū)域被定義為在任何方向上移動某個框形區(qū)域（小觀察窗），導致大的像素變動的區(qū)域，可以簡單表示為以下數(shù)學模型：

對計算得到的角點響應值[E（u，v）]進行閾值化得到局部最大點。Harris角點響應值相對于邊緣提取是更高一層的特征值，它不受光照、平移、旋轉(zhuǎn)這些尺度的影響。

斑點（Blob）可以理解為圓斑，通常可以利用拉普拉斯梯度求極值來計算斑點。同樣的，斑點對噪聲極其敏感，需要先做高斯去噪再進行進一步計算。先進行高斯濾波再進行拉普拉斯濾波相當于直接對其進行二階高斯導數(shù)（LoG）濾波。公式表示為：

公式左側(cè)為先進行高斯濾波，再進行拉普拉斯濾波;公式右側(cè)為二階高斯導數(shù)濾波。

2.3? 紋理特征

紋理特征作為一種全局性的特征，具有可以反映物體表面的特性。紋理特征與角點類似，具有旋轉(zhuǎn)不變性;但又區(qū)別于角點，具有良好的抗噪性能，同時有可能會受到光照或反射的影響。紋理特征的常用提取方法有方向梯度直方圖（HOG）、局部二值模式（LBP）和Gabor濾波器組。

基于局部方格單元的方向梯度直方圖通常適用于圖像中的人體檢測，圖像中的幾何和光學的變化不會影響圖像提取的結(jié)果。該方法的優(yōu)點是簡單高效且不需要做高斯模糊。

局部二值模式一般應用于人臉特征的分析。它所計算出的二進制模型簡單直觀。只需將圖像中每個像素點與周圍的像素點進行比較閾值化即可得到LBP編碼。

以某個像素點為中心，畫出半徑為r的圓，在圓周上均勻采樣p個點，與中心像素點進行比較，將數(shù)值大小量化為0或1，當小于中心像素點時量化為0，反之量化為1，將得到的多位bit按照順（逆）時針組成一個數(shù)，該數(shù)即中心像素點的LBP編碼，同時該數(shù)值可以作為直方圖的一個bin，遍歷操作所有像素點，每有一個相同的bin，該區(qū)間上的數(shù)值增加1，最終可以得到一個描述圖像紋理特征的直方圖。如圖2-9所示，以中心像素點為圓心，繪制了一個半徑為2的圓，均勻采樣8個點，通過比較具體數(shù)值可以量化為圖2-10，從中心像素點正上方的像素點按照順時針進行編碼，得到二進制編碼00001101，即為其中心像素點的8bits的LBP編碼。

Gabor濾波器組在二維空間中本質(zhì)上是高斯核函數(shù)和正弦平面波的乘積，因此其具有高斯核的特性。與人類的視覺系統(tǒng)類似，可以用多個濾波器捕捉多尺度多方向多頻率的信息。

3? 總結(jié)

計算機視覺作為人工智能的基礎(chǔ)，特征提取更是當中的一個重要概念，即將圖像中具有不同特征的像素點劃分為不同的子集，使每個子集都具有不同的特性。隨著時代的發(fā)展和提取方法的改進與優(yōu)化，提取到的圖像特征也越發(fā)精細準確，為圖像處理的后續(xù)操作提供了更多的可能性。

參考文獻：

[1] 張錫英，車鑫.圖像顏色特征提取及其分類研究[J].安徽農(nóng)業(yè)科學，2014，42（07）：2196-2198.

[2] 李姍姍.彩色圖像邊緣檢測相關(guān)算法研究[D].西北大學，2018.

【通聯(lián)編輯：代影】