图像处理基本算法形状特征

形状特征

（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。

（二）常用的特征提取与匹配方法

Ⅰ几种典型的形状特征描述方法

通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。

几种典型的形状特征描述方法：

（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。

（2）傅里叶形状描述符法

傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。

由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。

（3）几何参数法

形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。

需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。

（4）形状不变矩法

利用目标所占区域的矩作为形状描述参数。

（5）其它方法

近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

实际上，只是提取物体的形状，这并不难，最难的是这些特征该怎么用！

特征嘛，自然是讲此物区分彼物的特点。

那么假如，给出了一系列不同形状物体的轮廓该如何识别出他们呢？正方形，圆形，矩形，椭圆，不规则图形，再进一步，这些图形由于受到信号的干扰，有噪声存在时，该如何去识别他们呢？

那就可以使用形状的特征了，我们定义一些参数，来描述这些形状。

1 矩形度：R = A0/A; A0为区域面积，A为区域最小外接矩形面积。

那么R = 1 时，为矩形的概率很大，R = PI/4时为圆的可能性最大

2 体态比 T = a/b;

a b 分别为区域最小外接矩形的长和宽。

T = 1 为正方形或者圆形，

T>1 为细长图形

3 球状性 S = Ri/Rc

Ri Rc分别为内切圆和外接圆半径，圆心都在中心上

4 球状性 C = Ur/Pr

Ur 为区域重心到轮廓点的平均距离

Pr 为区域重心到轮廓点的均方差

5 中心矩

这一特征，使用颇为频繁，OpenCV有专门的函数求解（p，q）次矩

6 长轴短轴

最小外接矩形的长轴和短轴

7面积

一般会作为阈值使用，判定某个区域的面积在两个阈值之间才判定有效

下面给出各个形状特征的求法：

[cpp] view plaincopy

//图像的形状特征分析
#include <cv.h>
#include <cxcore.h>
#include <highgui.h>
#include <iostream>
using namespace std;
int main()
{
IplImage *src = cvLoadImage("E:\\image\\mapleleaf.tif",0);
IplImage *image = cvCreateImage(cvGetSize(src),8,3);
image = cvCloneImage(src);
cvNamedWindow("src",1);
cvNamedWindow("dst",1);
cvShowImage("src",src);
CvMemStorage *storage = cvCreateMemStorage(0);
CvSeq * seq = cvCreateSeq(CV_SEQ_ELTYPE_POINT, sizeof(CvSeq), sizeof(CvPoint), storage);
CvSeq * tempSeq = cvCreateSeq(CV_SEQ_ELTYPE_POINT, sizeof(CvSeq), sizeof(CvPoint), storage);
//新图，将轮廓绘制到dst
IplImage *dst = cvCreateImage(cvGetSize(src),8,3);
cvZero(dst);//赋值为0
double length,area;
//获取轮廓
int cnt = cvFindContours(src,storage,&seq);//返回轮廓的数目
cout<<"number of contours "<<cnt<<endl;
//计算边界序列的参数长度面积矩形最小矩形
//并输出每个边界的参数
CvRect rect;
CvBox2D box;
double axislong,axisShort;//长轴和短轴
double temp1= 0.0,temp2 = 0.0;
double Rectangle_degree;//矩形度
double long2short;//体态比
double x0,y0;
long sumX = 0 ,sumY = 0;
double sum =0.0;
int i,j,m,n;
unsigned char* ptr;
double UR;//区域重心到轮廓的平均距离
double PR;//区域重心到轮廓点的均方差
CvPoint * contourPoint;
int count = 0;
double CDegree;//圆形性
CvPoint *A,*B,*C;
double AB,BC,AC;
double cosA,sinA;
double tempR,inscribedR;
for (tempSeq = seq;tempSeq != NULL; tempSeq = tempSeq->h_next)
{
//tempSeq = seq->h_next;
length = cvArcLength(tempSeq);
area = cvContourArea(tempSeq);
cout<<"Length = "<<length<<endl;
cout<<"Area = "<<area<<endl;
cout<<"num of point "<<tempSeq->total<<endl;
//外接矩形
rect = cvBoundingRect(tempSeq,1);
//绘制轮廓和外接矩形
cvDrawContours(dst,tempSeq,CV_RGB(255,0,0),CV_RGB(255,0,0),0);
cvRectangleR(dst,rect,CV_RGB(0,255,0));
cvShowImage("dst",dst);
//cvWaitKey();
//绘制轮廓的最小外接圆
CvPoint2D32f center;//亚像素精度因此需要使用浮点数
float radius;
cvMinEnclosingCircle(tempSeq,¢er,&radius);
cvCircle(dst,cvPointFrom32f(center),cvRound(radius),CV_RGB(100,100,100));
cvShowImage("dst",dst);
//cvWaitKey();
//寻找近似的拟合椭圆可以使斜椭圆
CvBox2D ellipse = cvFitEllipse2(tempSeq);
cvEllipseBox(dst,ellipse,CV_RGB(255,255,0));
cvShowImage("dst",dst);
//cvWaitKey();
//绘制外接最小矩形
CvPoint2D32f pt[4];
box = cvMinAreaRect2(tempSeq,0);
cvBoxPoints(box,pt);
for(int i = 0;i<4;++i){
cvLine(dst,cvPointFrom32f(pt[i]),cvPointFrom32f(pt[((i+1)%4)?(i+1):0]),CV_RGB(0,0,255));
}
cvShowImage("dst",dst);
//cvWaitKey();
//下面开始分析图形的形状特征
//长轴短轴
temp1 = sqrt(pow(pt[1].x -pt[0].x,2) + pow(pt[1].y -pt[0].y,2));
temp2 = sqrt(pow(pt[2].x -pt[1].x,2) + pow(pt[2].y -pt[1].y,2));
if (temp1 > temp2)
{
axislong = temp1;
axisShort=temp2;
}
else
{
axislong = temp2;
axisShort=temp1;
}
cout<<"long axis： "<<axislong<<endl;
cout<<"short axis: "<<axisShort<<endl;
//矩形度轮廓面积和最小外接矩形面积（可以是斜矩形）之比
Rectangle_degree = (double)area/(axisShort*axislong);
cout<<"Rectangle degree :"<<Rectangle_degree<<endl;
//体态比or长宽比最下外接矩形的长轴和短轴的比值
long2short = axislong/axisShort;
cout<<"ratio of long axis to short axis: "<<long2short<<endl;
//球状性由于轮廓的内切圆暂时无法求出先搁置
//先求内切圆半径枚举任意轮廓上的三个点，半径最小的就是内切圆的半径
//以下的最大内切圆半径求法有误待改进
/*
for (int i = 0 ; i< tempSeq->total -2;i++)
{
for (int j= i+1; j<tempSeq->total-1;j++)
{
for (int m = j+1; m< tempSeq->total; m++)
{
//已知圆上三点，求半径
A = (CvPoint*)cvGetSeqElem(tempSeq ,i);
B = (CvPoint*)cvGetSeqElem(tempSeq ,j);
C = (CvPoint*)cvGetSeqElem(tempSeq,m);
AB = sqrt(pow((double)A->x - B->x,2)+ pow((double)A->y - B->y,2));
AC =sqrt(pow((double)A->x - C->x,2) + pow((double)A->y - C->y,2));
BC = sqrt(pow((double)B->x - C->x,2)+ pow((double)B->y - C->y,2));
cosA = ((B->x - A->x)*(C->x - A->x) + (B->y - A->y)*(C->y - A->y))/(AB*AC);
sinA = sqrt(1 - pow(cosA,2));
tempR = BC/(2*sinA);
if (m == 2)
{
inscribedR = tempR;
}
else
{
if (tempR < inscribedR)
{
inscribedR = tempR;
}
}
}
}
}
//输出最大内切圆半径
cout<<"radius of max inscribed circle "<<inscribedR<<endl;
*/
//圆形性假设轮廓内是实心的
//球区域中心x0 y0
sumX = 0;
sumY = 0;
src = cvCloneImage(image);
for (int i = 0 ; i< src->height;i++)
{
for (int j = 0; j< src->width;j++)
{
ptr = (unsigned char *)src->imageData + i*src->widthStep + j;
if ((*ptr) > 128)
{
sumX += (long)j;
sumY += (long)i;
}
}
}
x0 = sumX/area;
y0 = sumY/area;
cout<<"center of gravity "<<x0<<" "<<y0<<endl;
//求区域到重心的平均距离
sum = 0;
count = 0;
for (m = 0 ; m< tempSeq->total;m++)
{
contourPoint = (CvPoint*)cvGetSeqElem(tempSeq,m);
sum += sqrt(pow(contourPoint->x - x0,2)+ pow(contourPoint->y - y0,2));
count++;
}
UR = sum/count;
cout<<"mean distance to center of gravity"<<UR<<endl;
//求区域重心到轮廓点的均方差
sum = 0;
for (m = 0 ; m< tempSeq->total;m++)
{
contourPoint = (CvPoint*)cvGetSeqElem(tempSeq,m);
temp1 = sqrt(pow(contourPoint->x - x0,2)+ pow(contourPoint->y - y0,2));
sum += pow(temp1 - UR,2);
}
PR = sum/count;
cout<<"mean square error of distance to center of gravity"<<PR<<endl;
//圆形性
CDegree= UR/PR;
cout<<"degree of circle "<<CDegree<<endl;
//中心距
cvWaitKey(0);
}
cvReleaseImage(&src);
cvReleaseImage(&dst);
cvReleaseMemStorage(&storage);
return 0;
}

图像处理基本算法形状特征相关推荐

图像处理基本算法车牌识别与定位
图像处理基本算法车牌识别与定位标签: 图像处理 2013-02-20 22:35 4416人阅读评论(1) 收藏举报分类: opencv(27) 版权声明:本文为博主原创文章, ...
三种常见的图像处理双三次插值算法
三种常见的图像处理双三次插值算法双立方插值计算涉及16像素,间(i', j')像中的包括小数部分的像素坐标.dx表示X方向的小数坐标.dy表示Y方向的小数坐标. 详细能够看下图: 依据上述图示与 ...
视频教程-数字图像处理实战-算法基础
数字图像处理实战河海大学计算机硕士毕业,现就职于南京华为研究所,从事嵌入式软件开发工作.热爱模式识别及机器学习算法. 金圣韬 ¥70.00 立即订阅扫码下载「CSDN程序员学院APP」,1000+ ...
图像处理:分水岭算法（图像分割）
图像处理:分水岭算法(图像分割) 分水岭算法分水岭算法是一种图像区域分割法,分割的过程中将图片转化为灰度图,然后我会将灰度值看作是海拔,然后向较低点注水,这种基于地形学的解释,我们着重考虑三种点: ...
Python实现数字图像处理经典算法之256色转灰度图
算法介绍 256色转灰度图是数字图像处理经典算法中最简单的算法之一 1.彩色数字图像中的颜色有红.绿.蓝三种颜色混合而成,对应的像素颜色通道就是RGB(R,G,B),R.G.B数值共有256个数值,也 ...
PACS/RIS医学影像管理系统源码提供先进图像处理和算法
PACS(医学影像存档与通信系统)主要应用于医学影像的存储.传输和显示.它可以使医生突破胶片的局限,对病人的影像进行全方位的处理和观察,以便得出更准确的诊断.同时,PACS可以节省大量的胶片,降低成本 ...
图像处理基本算法-形态学
形态学一般是使用二值图像,进行边界提取,骨架提取,孔洞填充,角点提取,图像重建. 基本的算法:膨胀腐蚀,开操作,闭操作,击中击不中变换几种算法进行组合,就可以实现一些非常复杂的功能,而且逻辑严密. ...
什么叫做形态学图像处理_图像处理基本算法-形态学
形态学一般是使用二值图像,进行边界提取,骨架提取,孔洞填充,角点提取,图像重建. 基本的算法:膨胀腐蚀,开操作,闭操作,击中击不中变换几种算法进行组合,就可以实现一些非常复杂的功能,而且逻辑严密. ...
智能车图像处理-阳光算法
阳光算法见仁见智,多阈值OSTU和模糊OSTU是我参考论文进行改进的,整篇内容都放进了我的本科毕业论文中. 感谢大家的留言和指正,首先,这个算法经过实践,确实存在问题,因为当时毕业比较忙,我在智能车上 ...

图像处理基本算法形状特征

图像处理基本算法形状特征相关推荐

最新文章

热门文章

图像处理基本算法 形状特征

图像处理基本算法 形状特征相关推荐

最新文章

热门文章

图像处理基本算法形状特征

图像处理基本算法形状特征相关推荐