圖像特徵提取方法的研究

㈥ 遙感影像信息的提取技術方法研究進展

遙感的對地觀測系統是一個信息流交換的過程：電磁波與地表物體相互作用形成地表信息交流。而遙感影像信息提取技術就是最大限度地從遙感圖像上的光譜信息反演出目標地物本身的屬性特徵信息。進而可對地球表層資源與環境進行探測、分析，並揭示其要素的空間分布特徵與時空變化規律。遙感影像信息的提取技術是建立在對地物規律有充分的了解的基礎之上的，其綜合物理手段、數學方法和地物狀態識別等認識，通過對影像的處理與分析，獲得能反映區域內地物的分布規律和變化過程的有效信息的技術方法。

遙感地物識別主要依賴於地物的光譜和空間特徵的差異。多光譜由於光譜解析度低，地物的光譜特徵表現不充分，地物識別主要依賴地物的空間特徵，包括灰度、顏色、紋理、形態和空間關系。信息處理和信息提取主要是應用圖像增強、圖像變換和圖像分析方法，增強圖像的色調、顏色以及紋理的差異，達到最大限度地區分地物的目的。隨著成像光譜儀研製成功以及其產業化的發展，遙感地物信息提取也隨之進入了一個嶄新的時代。成像光譜對地物的識別主要是依賴於地物的光譜特徵，是直接利用岩石礦物的光譜特徵進行地物識別，定量分析地物信息。下面從多光譜和高光譜遙感信息處理兩方面來加以論述。

1.多光譜方法研究進展

多光譜的信息提取主要集中於：色調信息提取，紋理信息提取，信息融合。

（1）色調信息提取

對於色調信息提取，主要是採用一些增強處理，擴大圖像中地物間的灰度差別，以突出目標信息或改善圖像效果，提高解譯標志的判別能力，如反差擴展、彩色增強、運算增強、變換增強等，這些傳統的圖像處理方法在一定程度上滿足了應用的需要。近年來發展了一系列的以主成分變換為主的信息提取技術，在岩礦信息提取中發揮了重要的作用。如張滿郎（1996）提出修正的直接主成分分析提取鐵氧化物信息。OF 變換（Maxium Noise Fraction Transformation）（Kruse，1996，Creen，et al.，1988），NAPC（Noise-adjust Principal Components Transform）（Lee，et al.，1990）、分塊主成分變換（Jia，et al.，1999）、基於主成分的對應分析（Carr，et al.，1999），以及基於主成分分析的空間自相關特徵提取（Warner，et al.，1997）、子空K投影（Harsanyl，et al.，1997）和高維數據二階特徵分析（Lee，et al.，1993；Haertel，et al.，1999）等，也是基於主成分分析進行信息特徵選擇與特徵提取。同時，根據模式識別的原理，提出並設計出監督分類與非監督分類方法：以及利用決策樹進行分類識別（Wrbka，et al.，1999；Friedl，et al.，1999；Hansen et al.，1996），這些技術與方法是建立在圖像灰度特徵之上，利用數理統計的知識進行地物分類與信息提取。

（2）紋理信息提取

遙感影像的邊緣和紋理信息對線環構造的識別具有一定作用，但卻似乎無助於岩性的識別。邊緣信息提取通常採用濾波運算元或銳化的方法進行（Gross，et al.，1998；Varbel，2000）。紋理信息提取通常採用共生矩陣、傅立葉功率譜和紋理譜等方法。

（3）信息融合

多源數據融合研究也非常普及與深入，其技術方法涉及不同的數理知識（Jimen，et al.，1999；Pohl，1998；Robinson，et al.，2000；Price，1999；Gross et al.，1998），比如小波信息融合。應用面涉及非遙感數據（王潤生，1992；朱亮璞，1994），如遙感數據與地化數據、物探數據的疊置與融合。這些方法一方面開闊了遙感的應用視野，另一方面也擴展了遙感的應用能力。

總的來說，多光譜遙感岩礦信息提取主要是基於圖像灰度特徵，即基於岩礦的反射率強度差異，採用一些數學變換方法，增強或突出目標信息，使之易於目視解譯。在數據處理中，由於波段有限，未能有效地導入岩礦類別的光譜知識，其結果精度更多地取決於研究人員的經驗。

2.高光譜方法研究進展

成像光譜技術是多光譜技術發展的飛躍，它是在對目標對象的空間特徵成像的同時，對每個空間象元經過色散或分光形成幾十個乃至幾百個窄波段以進行連續的光譜覆蓋。形成的遙感數據可以用「圖像立方體（三維）」來形象描述，其中兩維表示空間，另一維表徵光譜。這樣，在光譜和空間信息綜合的三維空間內，可以任意地獲得地物「連續」的光譜以及其診斷性特徵光譜，從而能夠基於地物光譜知識直接識別目標地物，並可進一步地獲取定量化的地物信息。在地質應用中，礦物識別和信息處理技術可分為：①基於單個診斷性吸收的特徵參數；②基於完全波形特徵以及③基於光譜知識模型三大類型。

岩石礦物單個診斷性吸收特徵可以用吸收波段位置（λ）、吸收深度（H）、吸收寬度（w），吸收面積（A）、吸收對稱性（d）、吸收的數目（n）和排序參數作一完整地表徵。根據端元礦物的單個診斷性吸收波形，從成像光譜數據中提取並增強這些參數信息，可直接用於識別岩礦類型。如IHS編碼與吸收波段圖（Kruse，1988）是利用連續法去除後的光譜圖像，定義出波段吸收中心位置圖像，波段深度圖像以及波段半極值寬度圖像，並分別賦予HS I 空間的明度（H）、強度（l）和飽和度（S），然後逆變換到RGB色度空間。從而根據色調差異進行礦物直接識別。在描述岩礦單個診斷性吸收特徵參數中，吸收深度是一非常重要的特徵指標而受到重視。如相對吸收深度圖（RBD image，Relative absorption Band-depthimage）（Crowley，et al.，1989）採用比值運算來增強識別端元的吸收深度，即根據要識別端元的單個診斷性吸收峰的兩側肩部反射率之和，除以其谷中心鄰近兩側對應波長的反射率之和的商圖像，來表徵端元礦物診斷性吸收峰的相對吸收深度。不同端元礦物的RBD圖像，除象元本身比值大小代表了端元礦物存在的可能性外，通過進一步地諸如PC變換分析進行特徵增強與選擇來識別端元礦物。由於吸收峰的非對稱性，採用RBD方法難以准確描述其特徵。連續插值波段演算法（CIBR，continuum interpolated band algorithm）（De Jong，1998）和光譜吸收指數圖像（SAI，spectral absorption index image）（王晉年等，1996）與相對吸收深度圖方法類似，但引入了對稱度因子，使其對吸收特徵的描述更為合理。CIBR是利用診斷性光譜吸收谷中心的輻射值，除以左右肩部的輻射值與吸收特徵對稱度因子之積的和，產生相應的商圖像，用以增強不同礦物的診斷性吸收深度，進行礦物識別。SAI方法與CIBR類似，也是對單個吸收波形肩部的特徵增加了對稱度因子。上述方法類似於常規比值或彩色增強處理。與常規增強處理最大不同之處在於有機地融入端元礦物的光譜特徵這一先驗知識，針對性、目的性更明確。由於大氣輻射對遙感數據中波譜特徵的影響、光譜混合形成的光譜漂移和變異對單個波形的影響，使識別結果含有較大的干擾。

成像光譜最大的優勢在於利用有限細分的光譜波段，去再現象元對應物的波譜曲線。這樣，利用整個光譜曲線進行礦物匹配識別，可以在一定程度上改善單個波形的不確定性影響（如光譜漂移、變異等），提高識別的精度。基於整個波形的識別技術方法是在參考光譜與象元光譜組成的二維空間中，合理地選擇測度函數度量標准光譜或實測光譜與圖像光譜的相似程度。例如，光譜匹配（SM，Spectral matching）（Baugh，et al.，1998）利用岩礦光譜矢量的歐氏距離測度函數，即求圖像象元光譜與參考光譜在光譜空間中的差異大小。距離愈小，表示圖像端元光譜或待識別的端元光譜與來自實驗室或野外實測的參考光譜之間擬合程度愈高。類似地，相似指數（SI，similarity index algorithm）（Fenstermaker，et al.，1994）是基於歐氏距離側度，根據已知地物類型的圖像象元平均光譜與未知圖像象元光譜的波段差值平方和的均值大小來識別地物。以上兩種方法比基於單個吸收波形參數識別技術可靠。但往往由於光譜數據解析度的影響，其光譜的差異不明顯，同時又因歐氏距離測度固有的缺陷而難以對地物進行准確分類與識別。光譜角識別方法（SAM，spectral angle mapper）（Ben-Dor，et al.，1994；Crosta，et al.，1998；Drake，et al.，1998：Yuhas，et al.，1992）是在由岩礦光譜組成的多維光譜矢量空間，利用一個岩礦光譜矢量的角度測度函數求解岩礦參考光譜端元矢量（r）與圖像象元光譜矢量（t）的相似程度。參考端元光譜既可來自實驗室、野外測量，也可來自已知類別的圖像象元光譜。根據兩者相似程度大小，識別與提取礦化蝕變信息。該方法的難點在於如何合理地選擇閾值進行信息分割。不過，從已有應用的角度看，該方法簡單易行、比較可靠。交叉相關匹配（Fer-rier，et al.，1999；Varder Meer，et al.，1997）是使用一個相關因子（r.）作為相似性指數，通過逐象元交叉相關匹配進行礦物識別。當參考光譜與檢驗光譜完全匹配時，其位置m=0；參考光譜向長波方向移動時，其m＜0。反之，m＞0。在RGB空間，分別賦予斜度（skewness），t檢驗值與相關因子以R，G，B；若在「0」匹配位置，其斜度、t檢驗值與相關因子（r.）均接近於「1」而顯示為白色，從而識別出端元礦物。對於礦物的智能識別，往往也採用完全譜形。例如，Tetracord礦物識別軟體是基於UNIX平台，利用光譜資料庫中的光譜與圖像光譜擬合從而自動進行識別礦物；王潤生等（1999）根據礦物的完全波形，利用神經網路進行礦物自動識別。以上方法在具有大量已知地物光譜時適應性強。對圖像地物識別更有用。但明顯不足是由於實際地物光譜變異、獲取數據受觀測角以及顆粒大小的影響而造成光譜變化，對於整體光譜特徵差別不太大的地物，准確匹配比較困難，造成岩礦識別與分析上的混淆和誤差。

基於光譜模型的識別的技術方法是建立在一定的光學、光譜學、結晶學和數學理論之上的信號處理技術方法。它不僅能夠克服上述方法存在的缺陷，而且在識別地物類型的同時精確地量化地表物質的組成和其他的物理特性。例如，建立在Hapke光譜雙向反射理論基礎之上的線性混合光譜分解模型（SMA/SUM）（Adams，et al.，1986；Mustard，et al.，1987；Roberts，et al.，1997；Sabol，et al.，1992；Settle，et al.，1993；Shipman，et al.；1987：Shimabukuro，et al.，1991；Smith，et al.，1985），可以根據不同地物或者不同象元光譜反射率響應的差異，構造光譜線性分解模型。一個象元內並非存在單一類型地物，而更多地由不同類型地物組成。因此，在大多數情況下，象元光譜並非為純地物光譜的線性混合，而更多地表現為非線性。對於單散射，可作為線性模型分解，多散射則認為非線性混合。由於平均單散射反照率豐度主要依賴於成分含量不同而可以認為是線性混合（Mustard，et al.，1987）。這樣，通過單散射反照率（SSA）轉換，即可以利用運算元W=（3r+6）r/（1 +2r）²，將非線性「線性化」，再進行光譜分解。Tompkins（1996）提出修正的光譜混合分析（MSMA）模型。該模型利用虛擬端元，採用一個阻尼最小二乘演算法，根據一定的先驗知識，有效地並最終可以選擇亞像端元進行光譜分解，提高了SMA實用性。與SMA相比，MSMA最大的不同表現在：①端元以及其豐度均作為未知變數；②對數據組中所有象元同時求解。對於能量約束最小模型（CEM，constrained en-ergy minimization technique）（Farrand，et al.，1997；Farrand，et al.，1996；Resmini，et al.，1997）是在成像光譜圖像序列中，運用一個目標區域（或ROI區域，region of insteresting）與象元光譜（ri）相關的權系數wk來描述象元向量的數字值y，從而進行特徵選擇與分解進行地物識別與信息提取。與混合光譜分解模型一樣，該分解結果在一定程度上，不僅代表了識別象元的類型信息，而且有機地表示了其豐度比值。與混合光譜分解模型不同的是，該方法更多地依賴於目標區域的統計特徵，但結果更精確。總之，這些方法更多地依賴光譜學知識與數理方法，在實際應用中由於難以確定特徵參數或難以准確地描述光譜模型而限制了該類技術方法的應用。不過，由於該類方法在識別地物的同時量化物質組成，因此就其發展趨勢而言，隨著一系列技術的成熟與光譜學、結晶學等知識的深入發展，識別精度的改善與量化能力的提高，其應用將會越來越廣泛。

國內也相繼開展了一些成像光譜進行礦物直接識別應用試驗，但由於國產感測器的性能尚不夠完善，數據信噪比較低。但在定性岩礦識別方面取得了一定的收獲。如甘甫平等（2000）利用基於波形特徵組合的主成分分析有效地對河北張家口後溝金礦區進行了岩性劃分；劉慶生（1999）利用對應分析提取出內蒙古某礦區的含金蝕變。在直接定量礦化識別、識別模型和識別譜系等方面都落後於美國等發達國家，相比還存在一定差距。

總之，岩礦光譜學機理研究、遙感信息提取基礎與遙感信息提取方法技術研究，三者之間相輔相成，具有一定的對應關系。

遙感地物光譜應用基礎與遙感影像信息提取技術研究隨著遙感光譜成像技術的發展而發展，兩者研究方向與趨勢都主要集中在光譜特徵知識與地物物理化學屬性的關聯以及光譜物理模型兩大方面。對地物物化屬性與光譜特徵的相關性和對光譜物理模型的深入分析與研究可從不同的角度為遙感直接識別礦物、提取地物的分布規律、屬性、物化性質以及進行地物深層次信息挖掘等提供理論基礎支撐，推動遙感應用技術的發展。遙感地學應用的實用化與產業化是遙感地物光譜應用基礎與遙感地物影響信息提取技術研究相互促進的結果。

地物光譜學機理研究、遙感信息提取基礎與遙感信息提取方法技術研究的發展將導致三者的結合，並最終綜合於遙感應用模型和技術集成中，以便充分利用各自的優勢，提高遙感應用能力並增強對地質應用的理解，以及模擬、評估和預測地學發展的規律。

㈦ 人臉圖像特徵提取原理是什麼

人臉圖像特徵提取：人臉識別系統可使用的特徵通常分為視覺特徵、像素統計特徵、人臉圖像變換系數特徵、人臉圖像代數 特徵等。人臉特徵提取就是針對人臉的某些特徵進行的。人臉特徵提取，也稱人臉表徵，它是對人臉進行特徵建模的過程。人臉特徵提取的方法歸納起來分為兩大 類：一種是基於知識的表徵方法；另外一種是基於代數特徵或統計學習的表徵方法。基於知識的表徵方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助於人臉分類的特徵數據，其特徵分 量通常包括特徵點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特 征，這些特徵被稱為幾何特徵。基於知識的人臉表徵主要包括基於幾何特徵的方法和模板匹配法。說到人臉識別，大部分的人第一反應是「刷臉」，我們來看下人臉識別的定義：人臉識別，是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。通過變換增強圖像陰影或降低光區域的灰度值范圍，從而把人臉圖像的整體亮度變換到一個預先定義的標准人臉圖像。

㈧ 高分求教關於圖像處理中特徵的問題！圖像特徵提取研究的核心是找到更高不變性的特徵，尋找不變的計算方法

圖像經過去噪、旋轉、降采樣等等操作之後，原本提取的特徵也會隨之變化；
角點是一種圖像中的特殊點，圖像中提取的角點在其所在的空間中具有一個分布，也就是說，不同位置提取的角點總有些差異，它們構成了一種分布，例如類似的角點在分布中距離近。當圖像改變時，角點空間的分布也隨之改變。好的特徵具備高的魯棒性，在對圖像進行各種操作後，仍能找到原先的特徵，且相似的特徵仍然相似。

㈨ 關於圖像特徵提取怎麼入門有沒有比較基礎且全面的書

可以。 特徵提取本身就是計算機視覺或者圖像處理的一個研究方向。 做特徵提取需要用到很多圖像處理方面的知識。 目前比較成熟的特徵提取方法有：SIFT和SURF。 這兩種在計算機視覺中用的比較多，效果也好。