基于matlab的图像特征提取和保存

单位代码 学 号 分 类 号 密 级

毕业设计(论文)

基于Matlab的指纹图像特征提取

院（系）名称 专业名称 学生姓名 指导教师

2012年 5 月 15 日

基于Matlab的指纹图像特征提取

摘 要

随着社会的发展，传统的基于信物或口令的安全系统显得越来越脆弱，不能适应现代安全系统的需要，因而人们需要研究更加安全可靠，防伪性能更好的安全系统。指纹识别技术就是在这种背景下产生的，它借助人体的生理特征来提高身份识别的可靠性，目前已经成为国内外研究的热点。

指纹识别大体分为三个步骤：预处理、特征提取和特征匹配。本文集中于研究特征提取部分，并针对特征提取中的一些关键算法和实现进行了研究和优化，其主要内容如下：在特征提取方面，本论文采用了一种8邻域编码纹线跟踪算法，标注出端点和分叉点来进行特征提取；在剔除伪特征点时，先进行去边缘处理，再根据不同类型伪特征点的特征，采用相应剔除算法。实验表明，以上算法具有较小的运算量和较高的准确性。上述算法在本文中均用Matlab实现，取得

单位代码 学 号 分 类 号 密 级

毕业设计(论文)

基于Matlab的指纹图像特征提取

院（系）名称 专业名称 学生姓名 指导教师

2012年 5 月 15 日

基于Matlab的指纹图像特征提取

摘 要

随着社会的发展，传统的基于信物或口令的安全系统显得越来越脆弱，不能适应现代安全系统的需要，因而人们需要研究更加安全可靠，防伪性能更好的安全系统。指纹识别技术就是在这种背景下产生的，它借助人体的生理特征来提高身份识别的可靠性，目前已经成为国内外研究的热点。

指纹识别大体分为三个步骤：预处理、特征提取和特征匹配。本文集中于研究特征提取部分，并针对特征提取中的一些关键算法和实现进行了研究和优化，其主要内容如下：在特征提取方面，本论文采用了一种8邻域编码纹线跟踪算法，标注出端点和分叉点来进行特征提取；在剔除伪特征点时，先进行去边缘处理，再根据不同类型伪特征点的特征，采用相应剔除算法。实验表明，以上算法具有较小的运算量和较高的准确性。上述算法在本文中均用Matlab实现，取得

%直接帧间差分，计算阈值并进行二值化处理（效果不好）

clc;

clear;

Im1 = double(imread('')); %读取背景图片

Im2 = double(imread(''); %读取当前图片

[X Y Z] = size(Im2); %当前图片的各维度值

DIma = zeros(X,Y);

for i = 1:X

for j = 1:Y

DIma(i,j) =Im1(i,j) - Im2(i,j); %计算过帧间差分值

end

end

figure,imshow(uint8(DIma)) %显示差分图像

title('DIma')

med = median(DIma); %计算二值化阈值：差值图像中值

mad = abs(mean(DIma) - med); %中值绝对差

T = mean(med + 3**mad) %初始阈值

Th =5*T; %调整阈值

BW = DIma <= Th; %根据阈值对图像进行二值化处理

figure,imshow(BW)

%se = strel('disk',2); %膨胀处理

%BW = im

龙源期刊网 http://www.qikan.com.cn

基于Matlab的图像特征提取方法的探析

作者：高晶 王颖

来源：《电子技术与软件工程》2015年第07期

摘 要 本文研究了利用Matlab进行图像各种骨架算法和框架，分析和比较了不同分类的骨架算法，列出了其优点与缺点。为了实现对比，本文研究并实现了数字图像的点特征提取及骨架提取直线提取。比较了现有的体素化方法的优点和缺点，然后使用基于改进的最小欧几里德距离度量网格模型边界框的体素化算法，应用加速算法并将其集成到可视化骨架提取Matlab平台。

【关键词】Matlab 图像特征提取 骨架算法 体素化方法 1 引言

我们可以从图像中获得许多信息，最终是为了让人们理解其所蕴含的的内容。而光学系统，计算机系统，微电子技术和数学研究都处在数字图像研究之内，其包含性强大的不热门学科，随着科技的进步，这种技术已经获得了很广泛的使用。

在此处讨论的关于图像的骨架提取法，目的是将图代替平面，是结构表示法的一种代表。为了得到这种方法一般使用细化技术来完成。这种方法保证了其对于边界距离性质的描述，如果想得到原始的部分，就必

数字图像处理,具体内容,内有MATLAB程序

1 设计方案简介

对图像的分析和处理，有空间域、变换域的处理。我们把传统的图像处理引用到矩阵的分析中，提出了图像处理的矩阵分析方法，图像在MATLAB中，默认以矩阵形式存在，我们本次课程求取求图像的矩特征，主要是求取图像的均值、方差、峰值、梯度、熵等数值，并进行分析比较。从而得出各自的特点，并会对图像进行初步的质量分析。

1.1 矩的概念

矩在统计学中用于表征随机量的分布，而在力学中用于表征物质的空间分布。如果把二值图或灰度图看作是二维密度分布函数，就可以把矩技术运用于图像分析中。这样，图像的特征就可以用矩来描述，矩特征属于区域特征的一种。我们求矩特征，即对矩阵进行运算，在空间域内计算相关数值。通过矩的相关运算得到一些参数去判断图像的质量。

1.2 矩特征提取常用方法

从几何方面来说，图像的矩特征主要表征图像区域的几何特征，又称为几何矩，由于具有旋转、平移、尺度等特性的不变特征，所以又称其为不变矩。

几何矩的唯一性定理（]Uniqueness Theorem）表述为：如果二维图像函数f (x ,y)是分段连续的，并且只在(x ,y)的有限区域内具有非零值，那么所有阶的几何矩都存在。由f (x ,y)可以唯一确定

为了提高图像检索中纹理特征提取的效率,提出小波变换并进行高斯归一化的综合方法 ,实现了纹理特征的提取 ,并和其他方法做 了对比 实验 实验证明,该方法可以提高效率6个百分点 ,有很强 的实用性。

第

卷

第月

期

哈尔滨理工大学学报,

年

图像检索中纹理特征提取的研究葛晓著,

, '

张宏喜

, '

李兰英仇以只

'

哈尔滨理工大学计算机与控制学院黑龙江哈尔滨黑龙江哈尔滨

绷

哈尔滨汽轮机厂实业开发总公司

一

,

摘

要为了提高图像检索中纹理特征提取的效率提出了,,,

,

小波变换并进行高斯归一化,

的综合方法实现了纹理特征的提取并和其他方法做了对比实验实验证明该方法可以提高效率

个百分点有很强的实用性

关键词纹理特征中图分类号

小波变换

归一化

文献标识码

文章编号

一

一

一

尸一,

,

,

万,

一,

,

,

五了五,

一

,

一

,

,

,

,

,

纹理是由纹理基元按某种确定的规律或统计规

以灰度级的空间相关矩阵为基础的共生矩阵法显然

律排列而形成的局部结构化特征由象素组成的具有一定形状和大小的集合如条状丝状圆斑块状,,,,

优于前者而灰度一梯度共生矩阵法把图像的梯度信息加进灰度共生矩阵在应用中会更加有效但共生矩阵法计算量大缺少与人视觉的相似性结构,,

等称为纹理基元纹理特征的提取指的是通过一定的图像处理技术检测出纹理基元建立模型从而获

图像特征提取三大法宝

（一）HOG特征

1、HOG特征：

方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。 （1）主要思想：

在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布很好地描述。（本质：梯度的统计信息，而梯度主要存在于边缘的地方）。 （2）具体的实现方法是：

首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。 （3）提高性能：

把这些局部直方图在图像的更大的范围内（我们把它叫区间或block）进行对比度归一化（contrast-normalized），所采用的方法

OpenCV特征提取与图像检索实现（附代码）

“拍立淘”“一键识花”“街景匹配”……不知道大家在使用这些神奇的功能的时候，有没有好奇过它们背后的技术原理？其实这些技术都离不开最基本的图像检索技术。本篇文章我们就将对这一技术的原理进行介绍，并通过一个简单的Python脚本来实现一个最基本的图像检索demo。 ▌图像特征

首先我们需要明白图像特征是什么以及它的使用方法。 图像特征是一种简单的图像模式，基于这种模式我们可以描述我们在图像上所看到的内容。 例如，在一张跟猫有关的图片中，猫咪的眼睛就可以作为这幅图像的特征。特征在（包括但不限于）计算机视觉中的主要作用是将视觉信息转换为向量空间表示。这种向量空间表示让我们可以利用数学运算对其进行处理，例如通过计算寻找相似向量（这可以用来寻找相似图像或图像中的相似目标）。 ▌如何从图像中获取特征？

从图像中获取特征的方法有两种，第一种是通过提取图像描述符实现（白盒算法）；第二种通过基于神经网络的方法实现（黑盒算法）。本文主要介绍第一种方法。

特征提取的算法有很多，最常用的有：SURF、ORB、SIFT、BRIEF等。这些算法大多是基于图像梯度的。为了简化安装

需求，本教程使用的是KAZE描述符，因为

视频编解码方向论文经典

维普资讯

第3 3卷第 1期 120 0 6年 1 1月

光电工程Op o E e to i E g n e i g t - l cr n c n i e r n

V 1 3 No 1 o ., .1 3

No, 0 6 v 2 0

文章编号： 10— 0 X 2 0 )卜0 2— 5 0 3 5 1 (0 6 1 1 8 0

基于独立分量分析的图像特征提取及泊松噪声去除黄启宏，段昶，刘钊(电子科技大学信息工程系，四川成都 6 05 ) 10 4

摘要：针对泊松噪声具有与信号相关和不一致性分布的特性，出了一种基于独立成分分析( A 提 I ) C的软阈值滤波算法。泊松噪声对基于高阶统计量的 IA变换不敏感，其能量均匀分布在 IA域。 C C 首先将包含泊松噪声的图像变换到 IA域， C然后再对图像独立成分进行软阈值滤波。该算法对图

像和噪声具有自适应能力，在噪声去除和图像细节保留方面达到一个平衡。实验结果表明：该算法不仅可以有效去除图像中的泊松噪声和提高图像质量，而且具有良好的鲁棒性。

关键词：独立成分分析；稀疏性；软闽值；特征提取；泊松噪声中图分类号：T 3 1 P9 . 4文献标识码：A

I a ef a ur x r c

OpenCV特征提取与图像检索实现（附代码）

“拍立淘”“一键识花”“街景匹配”……不知道大家在使用这些神奇的功能的时候，有没有好奇过它们背后的技术原理？其实这些技术都离不开最基本的图像检索技术。本篇文章我们就将对这一技术的原理进行介绍，并通过一个简单的Python脚本来实现一个最基本的图像检索demo。 ▌图像特征

首先我们需要明白图像特征是什么以及它的使用方法。 图像特征是一种简单的图像模式，基于这种模式我们可以描述我们在图像上所看到的内容。 例如，在一张跟猫有关的图片中，猫咪的眼睛就可以作为这幅图像的特征。特征在（包括但不限于）计算机视觉中的主要作用是将视觉信息转换为向量空间表示。这种向量空间表示让我们可以利用数学运算对其进行处理，例如通过计算寻找相似向量（这可以用来寻找相似图像或图像中的相似目标）。 ▌如何从图像中获取特征？

从图像中获取特征的方法有两种，第一种是通过提取图像描述符实现（白盒算法）；第二种通过基于神经网络的方法实现（黑盒算法）。本文主要介绍第一种方法。

特征提取的算法有很多，最常用的有：SURF、ORB、SIFT、BRIEF等。这些算法大多是基于图像梯度的。为了简化安装

需求，本教程使用的是KAZE描述符，因为