图像特征提取与重建技术的研究与应用(附件)【字数：13092】
摘 要图像提取起源于“角点特征”这个概念，一开始使用近乎于坐标的形势表现出某物体的位置特征和轮廓特征等，表达方式多用点坐标或者带倾斜角度的线段。直方图是建立在坐标上的一种统计图。常见的直方图为二维坐标，即由x轴、y轴及原点组成的。图像重建是建立在原图的基础上，即便是生成了新的图像，新的图像与旧图像无论是像素还是轮廓都可能不一样，这取决于用主成分分析法处理图片是所用的主分量数大小，并不代表新生成的图像与原图像没有关系。PCA方法重建图像大致可以通过下面的描述来表达首先主成分分析法方法压缩图像需要将很多的图像数据作为训练图像输入进去，在训练图像的阶段需要完成压缩图像子空间的搭建。接着输入待压缩的测试图像，将测试图像投影到训练阶段得到的子空间里面就可以实现对图像的降维工作从而完成对图像的压缩工作。图像提取与重建都利用MATLAB软件。随着图像特征提取与重建技术的研究与应用的领域不断拓宽，该技术将不仅在科研领域取得快速发展，而且在人们的日常生活中也将得到广泛的应用。它的本质就是利用不同的算法和软件对图像进行运算和变换，从而达到一个图像处理的目的。
目 录
第一章 绪论 1
1.1 图像提取与重建技术背景 1
1.2 图像提取与重建技术的发展历程 2
1.3 图像提取与重建技术的问题 3
1.4 本章结构安排 3
第二章 MATLAB在图像处理中的应用 5
2.1 数字图像处理介绍 5
2.2 MATLAB在图像处理中的常用函数 7
第三章 图像的特征提取 11
3.1 简单的区域描绘 11
3.2 直方图及其统计特征 11
3.3 灰度共现矩阵 14
3.4 主成分分析 16
第四章 图像特征提取与重建实验 18
4.1 主成分分析法重建图像 18
4.2 生成样本矩阵 18
4.3 主成分分析 20
4.4 主成分脸可视化分析 21
4.5 基于主成分分量的人脸重建 23
4.6 实验结果 26
结束语 28
致 谢 29
参考文 *好棒文|www.hbsrm.com +Q: ￥351916072$
献 30
第一章 绪论
正如我们所知道的那样，计算机是处理数据的设备，并不具有看图识图的能力。如何使计算机能够具备看图识图的本领正是本章研究的课题。我们将利用计算机从图片中提取有用的信息，如数值、向量和符号等，再将计算机提取出来的相对重要的数据或信息按照固定的顺序组合得到一张足够表示原图本质的新图片，这一过程就是图像重建。
1.1 图像提取与重建技术背景
图片的颜色、灰度、纹理和轮廓是我们在进行图像提取时经常提取的特征，这些特征往往能代表一副图片性质的关键特征。关键的特征是指在图像提取中提取到的与其他特征有明显区别的典型特征。主分量分析、Fisher线性鉴、投影追踪是我们在用计算机进行图像提取时常用的手段。其中主分量分析法即主成分分析法方法是最常用的一种线性变换方法，也被称为KL变换。用主成分分析法进行特征提取的过程如下：
1.首先对图像进行数字化处理（本文第二章第一节将介绍数字化处理技术），将图片上的信息转化为数字，再用矩阵的形式表现出来，然后将矩阵转化为特征向量；
2.把提取到的特征向量当做原始数据进行综合分析，在相似向量中提取最具代表性的向量。
本文提到的图像重建技术是建立在图像提取和主成分分析（主成分分析法）的基础上，用MATLAB软件实现的图像处理技术。包括投影重建、明暗恢复形状、立体视觉重建和激光测距重建等技术。其中投影重建是进行图像处理时最常用的图像重建方法，其工作方法是利用x射线或超声波透过物体本身生成投影图像，然后利用生成的投影图像重建图片，生成的图片效果较好。投影重建广泛应用于医疗领域以及矿井探测等场合。也将越来越受到推广。
图像重建的具体步骤如下：
1.在进行过图像提取之后，将提取出来的特征向量进行降维，在相对低维的向量空间更容易处理数据。
2.将降维后的数据排列组合，生成新的图片。
应注意到图像重建是建立在原图的基础上，即便是生成了新的图像，新的图像与旧图像无论是像素还是轮廓都可能不一样，这取决于用主成分分析法处理图片是所用的主分量数大小，并不代表新生成的图像与原图像没有关系。生成的新图像上的每“点”都来自于原图像。这是图像提取区别于图像压缩与图像识别的重要特征。图像重建的示意图如图11所示。
/
图11 图像重建示意图
在如图11所示的图像重建示意图中，第一排小图片是原始的图像，第二排三个图片分别是用IBP（迭代反向投影）方法重建的图像、SoftCuts（一扎算法）和PCA（主成分分析法）重建出来的图像。我们可以看到用IBP重建的图片棱角很多，SoftCuts重建出来的图片大大消除了这种棱角，但是使图像过于平滑。相比之下用主成分分析法重建得到的图像是与原图像最接近的，在纹理和灰度的处理也比较清晰。
1.2 图像提取与重建技术的发展历程
图像提取起源于“角点特征”这个概念，一开始使用近乎于坐标的形势表现出某物体的位置特征和轮廓特征等，表达方式多用点坐标或者带倾斜角度的线段。随着图像处理对特征提取的质量要求不断提高，角点特征的缺点也逐渐暴露出来，比如对噪声敏感，旋转之后具有可变性和重复率高等。研究者意识到仅仅用角点特征是不够的，所以就出现了角点特征算法，针对不同情况设置算法，解决了特征重复率高的问题，而且有较高的抗噪声能力。当人们对图片像素要求越来越高的同时，图像特征提取也积极的跟上时代的脚步，所以灰度特征得到了很高的重视。随着研究者对灰度值的研究不断精进，“特征描述子”这个概念走进大家的视野。特征描述子是由某点及其周围元素等对应的一系列灰度值组成的二进制串，目前被广泛应用。
图像重建技术最开始并不是用计算机处理的，而是用手和笔。在文艺复兴时期，西方艺术家留下了许多珍贵的作品，如梵高的《向日葵》、列奥纳多达芬奇的《蒙娜丽莎的微笑》和毕加索《最后的晚餐》等具有时代和现实意义的著作在当时享誉盛名。但再美的作品依然难逃磨损、风化等伤害。为了保护著作使其具有完整性，当时的优秀作家发挥自己的艺术感知能力，对磨损的画进行手动填补，但这样往往伴随着极大的风险，会加大著作失真的可能，使其不再具有影响力。后来随着科技时代的来临，人们利用计算机扫描画作上的数据来保留原图像的基本数据，如果画作被风化了或受到磨损，也可以用计算机扫描新数据与之前的基本数据对比，前后相差的数据就是图像重建需要弥补的地方。用计算机重建图像的方法与前人手动添加颜色的方法相比更方便，且体现了对艺术作品和艺术家的尊重
目 录
第一章 绪论 1
1.1 图像提取与重建技术背景 1
1.2 图像提取与重建技术的发展历程 2
1.3 图像提取与重建技术的问题 3
1.4 本章结构安排 3
第二章 MATLAB在图像处理中的应用 5
2.1 数字图像处理介绍 5
2.2 MATLAB在图像处理中的常用函数 7
第三章 图像的特征提取 11
3.1 简单的区域描绘 11
3.2 直方图及其统计特征 11
3.3 灰度共现矩阵 14
3.4 主成分分析 16
第四章 图像特征提取与重建实验 18
4.1 主成分分析法重建图像 18
4.2 生成样本矩阵 18
4.3 主成分分析 20
4.4 主成分脸可视化分析 21
4.5 基于主成分分量的人脸重建 23
4.6 实验结果 26
结束语 28
致 谢 29
参考文 *好棒文|www.hbsrm.com +Q: ￥351916072$
献 30
第一章 绪论
正如我们所知道的那样，计算机是处理数据的设备，并不具有看图识图的能力。如何使计算机能够具备看图识图的本领正是本章研究的课题。我们将利用计算机从图片中提取有用的信息，如数值、向量和符号等，再将计算机提取出来的相对重要的数据或信息按照固定的顺序组合得到一张足够表示原图本质的新图片，这一过程就是图像重建。
1.1 图像提取与重建技术背景
图片的颜色、灰度、纹理和轮廓是我们在进行图像提取时经常提取的特征，这些特征往往能代表一副图片性质的关键特征。关键的特征是指在图像提取中提取到的与其他特征有明显区别的典型特征。主分量分析、Fisher线性鉴、投影追踪是我们在用计算机进行图像提取时常用的手段。其中主分量分析法即主成分分析法方法是最常用的一种线性变换方法，也被称为KL变换。用主成分分析法进行特征提取的过程如下：
1.首先对图像进行数字化处理（本文第二章第一节将介绍数字化处理技术），将图片上的信息转化为数字，再用矩阵的形式表现出来，然后将矩阵转化为特征向量；
2.把提取到的特征向量当做原始数据进行综合分析，在相似向量中提取最具代表性的向量。
本文提到的图像重建技术是建立在图像提取和主成分分析（主成分分析法）的基础上，用MATLAB软件实现的图像处理技术。包括投影重建、明暗恢复形状、立体视觉重建和激光测距重建等技术。其中投影重建是进行图像处理时最常用的图像重建方法，其工作方法是利用x射线或超声波透过物体本身生成投影图像，然后利用生成的投影图像重建图片，生成的图片效果较好。投影重建广泛应用于医疗领域以及矿井探测等场合。也将越来越受到推广。
图像重建的具体步骤如下：
1.在进行过图像提取之后，将提取出来的特征向量进行降维，在相对低维的向量空间更容易处理数据。
2.将降维后的数据排列组合，生成新的图片。
应注意到图像重建是建立在原图的基础上，即便是生成了新的图像，新的图像与旧图像无论是像素还是轮廓都可能不一样，这取决于用主成分分析法处理图片是所用的主分量数大小，并不代表新生成的图像与原图像没有关系。生成的新图像上的每“点”都来自于原图像。这是图像提取区别于图像压缩与图像识别的重要特征。图像重建的示意图如图11所示。
/
图11 图像重建示意图
在如图11所示的图像重建示意图中，第一排小图片是原始的图像，第二排三个图片分别是用IBP（迭代反向投影）方法重建的图像、SoftCuts（一扎算法）和PCA（主成分分析法）重建出来的图像。我们可以看到用IBP重建的图片棱角很多，SoftCuts重建出来的图片大大消除了这种棱角，但是使图像过于平滑。相比之下用主成分分析法重建得到的图像是与原图像最接近的，在纹理和灰度的处理也比较清晰。
1.2 图像提取与重建技术的发展历程
图像提取起源于“角点特征”这个概念，一开始使用近乎于坐标的形势表现出某物体的位置特征和轮廓特征等，表达方式多用点坐标或者带倾斜角度的线段。随着图像处理对特征提取的质量要求不断提高，角点特征的缺点也逐渐暴露出来，比如对噪声敏感，旋转之后具有可变性和重复率高等。研究者意识到仅仅用角点特征是不够的，所以就出现了角点特征算法，针对不同情况设置算法，解决了特征重复率高的问题，而且有较高的抗噪声能力。当人们对图片像素要求越来越高的同时，图像特征提取也积极的跟上时代的脚步，所以灰度特征得到了很高的重视。随着研究者对灰度值的研究不断精进，“特征描述子”这个概念走进大家的视野。特征描述子是由某点及其周围元素等对应的一系列灰度值组成的二进制串，目前被广泛应用。
图像重建技术最开始并不是用计算机处理的，而是用手和笔。在文艺复兴时期，西方艺术家留下了许多珍贵的作品，如梵高的《向日葵》、列奥纳多达芬奇的《蒙娜丽莎的微笑》和毕加索《最后的晚餐》等具有时代和现实意义的著作在当时享誉盛名。但再美的作品依然难逃磨损、风化等伤害。为了保护著作使其具有完整性，当时的优秀作家发挥自己的艺术感知能力，对磨损的画进行手动填补，但这样往往伴随着极大的风险，会加大著作失真的可能，使其不再具有影响力。后来随着科技时代的来临，人们利用计算机扫描画作上的数据来保留原图像的基本数据，如果画作被风化了或受到磨损，也可以用计算机扫描新数据与之前的基本数据对比，前后相差的数据就是图像重建需要弥补的地方。用计算机重建图像的方法与前人手动添加颜色的方法相比更方便，且体现了对艺术作品和艺术家的尊重
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/208.html
