[发明专利]基于灰度梯度序列的数字图像特征提取方法

说明书

技术领域

本发明涉及数字图像处理技术领域，特别涉及一种数字图像特征提取方法。

背景技术

特征提取技术是数字图像处理的基础，其在国土资源管理、城市发展规划、目标识别与跟踪、疾病分析诊断等方面起着关键的作用。本发明主要涉及数字图像边缘特征的提取方法。

边缘是图像的基本特征之一，其主要表现为图像灰度变化剧烈的位置。而图像灰度的本质是像素所具有的能量水平。由数字图像的基本特性可知，其能量分布是连续的，但其存在形式表现为像素坐标和灰度级的离散化。现有特征提取方法针对不同的图像数据和应用问题，取得了较好的处理效果。但这些工作在对数字图像进行处理时，不是忽略了图像能量连续分布的特点，就是忽略了其存在形式的离散性，方法往往缺少系统性和关联性，存在普适性不够、或计算量偏大、或缺乏精确数学意义上的理论支持等问题。根据本发明人的调查，现有特征提取方法大致可分为以下四类：(1)基于信息理论的灰度信息方法，如互信息方法、互熵方法等。(2)基于随机场模型的方法，如Markov随机场模型等。(3)基于数学变换的特征提取方法，如基于相位一致性的方法、采用多尺度分析的小波变换、Gabor变换和Laplace金字塔方法等。其中，小波变换是常用的特征提取方法，其具有典型的拟合、试探性质，对同一待处理对象采用不同的基小波函数所得变换结果不唯一，这个特性直接导致了小波变换在某些应用场合中的不适用性，这也直接反映了小波变换中的变换算子(基小波函数)不具备普适性。(4)基于图像向量或图像矩阵的统计相关特征提取方法，如主成分分析(PCA，Principal Component Analysis)方法、独立成分分析(ICA，Independent Component Analysis)方法、二维PCA方法、基于核函数的KPCA(Kernel Principal Component Analysis)方法和KFD(Kernel Fisher Discriminant)方法等。这些方法大多采用的是基于数字图像离散的向量或矩阵描述形式分析像素间的相关性，而忽略了图像能量连续分布的特点。

因此，在研究数字图像特征提取的时候，不宜对图像单一地采用离散的处理方式或单一地采用连续的处理方式；而应基于数字图像的基本特性，即其存在形式是离散的，而图像的实质是连续的能量分布。

发明内容

本发明的目的在手提供一种建立在既连续又离散基础上的数字图像特征提取方法，用像素灰度梯度反映像素灰度分布的离散性，用灰度梯度序列反映能量分布的连续性，提高数字图像特征提取效率和特征提取方法应用的普适性。

本发明是通过以下技术方案实现的，包括以下步骤：

第一步，对待处理数字图像I进行预滤波处理，得到处理后的数字图像A。

所述的对数字图像I进行预滤波处理，具体是：对图像I进行去噪或增强等滤波处理。

第二步，对数字图像A，计算像素灰度梯度，基于此构造灰度梯度序列；

所述的灰度梯度序列，具体是：

GSxm=(▿A(m,1),▿A(m,2),...,▿A(m,col-1)),]]>(1≤m≤row-1，1≤n≤col-1)