第五章图像分割(二)
图像分割
图像分割的方法体系
基于阈值的分割方法
阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度 阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据 比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按 照某个准则函数来求解最佳灰度阈值。 1.灰度阈值分割法
灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中 应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g 的如下变换：灰度阈值分割法是一种最常用的并行区域技术，它是图 像分割中应用数量最多的一类。
形状特征
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。
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；
3.自适应阈值：
在许多情况下，物体和背景的对比度在图像中的各处不是一样的， 这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的 局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体 问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻 域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值
其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图 像元素g(i,j)=0。
由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适 的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度 值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接 给出图像区域。
阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算 效率的应用场合(如用于硬件实现)，它得到了广泛应用。人们发展了各种 各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等。
图像分割综述
摘要图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。
在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。
在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结，本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。
关键词：图像分割；边界；区域；水平集；马尔科夫AbstractImage segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields.Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article.This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized.Keywords: Image segmentation; Border; Area；Level-set；Markov第1章引言1.1 图像分割的背景和重要作用图像是传达信息的一种方式，图像中含有大量的有用信息，理解图像并从图像中抽取信息以用来完成其他工作是数字图像技术中一个重要的应用领域，而理解图像的第一步就是图像的分割。
图像分割方法
图像分割方法图像分割是计算机视觉领域中的一个重要问题，它旨在将图像分成具有语义信息的区域。
图像分割在许多应用中都扮演着重要的角色，比如医学图像分析、自动驾驶、图像检索等。
针对不同的应用场景，有多种图像分割方法被提出并应用于实际问题中。
本文将介绍几种常见的图像分割方法，并对它们的原理和特点进行简要的分析。
1. 阈值分割。
阈值分割是一种简单而有效的图像分割方法。
其基本思想是将图像的灰度值按照设定的阈值进行划分，从而将图像分成不同的区域。
对于灰度图像，可以根据像素的灰度值与设定的阈值进行比较，将像素分为目标和背景两类。
阈值分割方法简单易行，但对光照变化和噪声敏感，对于复杂背景和多目标分割效果有限。
2. 边缘检测分割。
边缘检测分割是一种基于图像边缘信息的分割方法。
其基本思想是利用图像中目标与背景之间的边缘信息进行分割。
常用的边缘检测算子有Sobel、Prewitt、Canny等。
通过检测图像中的边缘信息，可以将图像分成具有明显边界的区域。
边缘检测分割方法对光照变化和噪声具有一定的鲁棒性，但在边缘连接处容易出现断裂和断点。
3. 区域生长分割。
区域生长分割是一种基于像素生长的分割方法。
其基本思想是从种子点开始，根据一定的生长准则逐步将与种子点相邻且满足条件的像素加入到同一区域中，直到满足停止准则为止。
区域生长分割方法适用于具有明显区域特征的图像，对于光照变化和噪声具有一定的鲁棒性，但对于种子点的选择和生长准则的确定比较敏感。
4. 基于深度学习的分割方法。
随着深度学习技术的发展，基于深度学习的图像分割方法逐渐成为研究热点。
深度学习模型如FCN、U-Net等在图像分割领域取得了显著的成果。
这些方法利用卷积神经网络对图像进行端到端的学习，能够有效地提取图像的语义信息，对于复杂背景和多目标分割效果较好。
总结。
图像分割是计算机视觉领域中的重要问题，有许多方法可以用来实现图像分割。
不同的方法适用于不同的应用场景，具有各自的特点和局限性。
05二值图像分析
二值图像及其意义
图像定义
一副数字图像是一个二维阵列，阵列元素值称为灰度值 或亮度值。
二值图像定义
只有黑、白两级灰度的图像。分别用1和0表示。
二值图像优点
去掉无关信息的干扰 几何与拓扑特性的表示与分析 节省资源
L = bwlabel(BW,4) [r, c] = find(L==2); rc = [r c]
区域边界—边界跟踪算法
参考“预处理”部分
距离测量
参考"基础"一章对应内容
描述二值图像的特征
• 基于边界的特征
– 链码、边界长度、边界标记、边界形状数
• 基于区域的特征
– 四叉树、围绕区域、骨架、面积、质心、密度、区域 形状数、不变矩、拓扑特征
第五章 二值图像分析 Chapter 5 Binary Image Analysis
Ref. Book
• 二值图像分析基本过程 预处理-->二值化-->图像描述(特征提取)-->分析识别
(预处理和二值化过程参考前面章节)
二值图像分析的意义
经过图像分割之后，获得了目标物与非目标物两 种不同的对象。但是提取出的目标物存在以下的 问题：
L=N *=L，N中小标号
连通成分标记 — 序贯算法
• [L, num] = bwlabel(BW, n)
BW = logical (... [1 1 1 0 1 1 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 1 0 0 0; 1 1 1 0 0 0 1 0; 1 0 1 0 0 0 1 0; 1 0 1 0 0 1 1 0; 1 1 1 0 0 1 0 0; 1 1 1 0 0 0 0 1]);
图像分割技术的使用教程与案例分析
图像分割技术的使用教程与案例分析图像分割是计算机视觉领域的重要研究方向，它指的是将图像分成若干个具有相似特征的区域。
图像分割广泛应用于医学图像分析、目标检测、无人驾驶等领域。
本文将详细介绍图像分割技术的使用教程，并分享一些经典案例分析。
一、图像分割的基础原理图像分割的目标是将图像中的每个像素分配到对应的区域，使得同一区域内的像素具有相似的特征。
常用的图像分割方法包括基于阈值、边缘检测、区域生长、聚类等。
1. 基于阈值的分割方法：这是最简单且常用的分割方法，通过设定阈值，将图像中灰度值高于或低于阈值的像素分为不同的区域。
可以根据应用场景的需求来选择适当的阈值。
2. 边缘检测：边缘检测可以提取图像中的边界信息，然后根据边界信息将图像分割成不同的区域。
常用的边缘检测算法包括Sobel、Canny等。
3. 区域生长：区域生长是根据像素的相似性原则进行的，从种子像素开始，将与之相邻且相似的像素归为同一区域，逐步扩展分割区域。
区域生长的效果受到种子的选择、相似性准则的设定等因素的影响。
4. 聚类：聚类方法将图像像素聚合成若干个具有相似特征的集群，进而实现对图像的分割。
常用的聚类方法有K-means、Mean-shift等。
二、图像分割工具的使用教程在实际应用中，图像分割常常借助计算机软件或工具进行。
以下是两个常用的图像分割工具的使用教程。
1. OpenCVOpenCV是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。
下面是使用OpenCV进行图像分割的简单示例：（1）导入必要的库：```pythonimport cv2import numpy as np```（2）读取图像：```pythonimage = cv2.imread('image.jpg')```（3）将图像转换成灰度图像：```pythongray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)```（4）使用阈值方法进行分割，以获得二值图像：```pythonret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)```（5）显示分割结果：```pythoncv2.imshow('Segmentation', binary)cv2.waitKey(0)cv2.destroyAllWindows()```2. MATLABMATLAB是一种常用的科学计算工具，也提供了丰富的图像处理与分析函数。
数字图像处理图像分割
如果检测结果小于给定的阈值，就把两个区域合并。
5.3 区域分割
2 分裂合并法 实际中常先把图像分成任意大小且不重叠的区域，然后再
合并或分裂这些区域以满足分割的要求,即分裂合并法.一致 性测度可以选择基于灰度统计特征(如同质区域中的方差),假
设阈值为T ,则算法步骤为: ① 对于任一Ri，如果 V (Ri ) T ，则将其分裂成互不重叠的四
3 影响因素
多特征阈值分割
a 灰度及平均灰度(3×3区)二维直方图
－－若集中于对角线区则表示灰度均匀 平均灰度
区。
边界
－－若远离对角线者（灰度与平均灰度 不同）是区域边界。
背景
（近对角线构成直方图有明显峰值及阈 值，远离对角线者可用灰度平均值作为 阈值，用于区分两个区）。
目标 边界
灰度
3 影响因素 多特征阈值分割 b 灰度与灰度梯度图
5.4 Hough变换
Hough变换是一种检测、定位直线和解析曲线的有效 方法。它是把二值图变换到Hough参数空间，在参数空间 用极值点的检测来完成目标的检测。下面以直线检测为例， 说明Hough变换的原理。
域，直到区域不能进一步扩张； Step4：返回到步骤1，继续扫描直到所有像素都有归属，则结束整
个生长过程。
5.3 区域分割
1 区域生长法 区域生长法生长准则
基于区域灰度差方法
讨论：生长准则与欠分割或过分割现象
10477 10477 01555 20565 22564
11577 11577 11555 21555 22555
C1的平均值：1
m
ipi
iT 1 w1
(T )
1 w(T )
m
其中, ipi w00 w11 是整体图像的灰度平均值
机器学习知识：机器学习中的图像分割
机器学习知识：机器学习中的图像分割随着人工智能技术的日益发展，图像分割技术在计算机视觉领域中扮演着越来越重要的角色。
图像分割是一种将图像切割成不同区域/像素的过程，每个区域/像素都具有独特的颜色、强度、纹理、形状等特征。
应用广泛的图像分割任务包括目标检测、医学图像分析、卫星图像处理等。
现在我将为大家详细介绍一下机器学习中的图像分割。
一.图像分割的定义图像分割是一种将图像切割成不同区域/像素的过程，每个区域/像素都具有独特的颜色、强度、纹理、形状等特征。
图像分割可以帮助我们更好地理解图像，同时也是许多计算机视觉算法的前提和核心步骤。
图像分割也是将数字图像转化为计算机可以使用的更简单、更具有代表性的表示形式。
二.常见的图像分割算法1.基于阈值的分割算法基于阈值的分割算法是最简单、最快捷的图像分割算法之一。
该算法基于图像中像素的灰度值，对像素根据其灰度值进行“黑白分割”，然后还可以运用形态学处理等操作，提高分割效果。
基于阈值的分割算法的速度快，因此非常适用于处理大量图像。
2.区域增长算法区域增长算法是一种通过像素间的邻接关系逐渐生成图像分割的方法。
该算法使用一个生长过程，将像素合并成区域。
在这个过程中，每个像素都有一个初始颜色和下一次生长时应该具有的颜色。
通过比较邻近像素间的颜色，从而判断在哪些位置进行分割。
区域增长算法可以自动确定最终分割的颜色，同时也可以检测边缘，因此非常适合处理那些具有复杂纹理的图像。
3.基于聚类的分割算法基于聚类的分割算法是一种常用的图像分割方法，该算法将所有像素分成不同的组/簇。
组/簇的个数可以由用户指定，也可以根据算法自动调整。
处理步骤分为三步，首先将像素用多维特征表示，然后使用聚类算法将像素聚类成不同的组/簇，最后通过应用分割后每个像素与组/簇之间的关系来实现图像分割。
基于聚类的分割算法比基于阈值的分割算法更加精细，同时也更加容易应用于复杂的纹素分布中。
4.基于卷积神经网络的分割算法卷积神经网络（CNN）是一种深度学习算法，近年来在图像分割中应用越来越广泛。
图像分割的常用方法
图像分割的常用方法
1. 阈值分割：根据像素灰度值与预设阈值之间的大小关系将图片分成黑白两个部分，常用于二值化处理。
2. 区域生长：利用像素之间的空间连通关系，从种子像素开始，将与其相邻的像素逐步合并成同一个区域。
3. 全局图像分割：将图像分成多个颜色或灰度级别，然后根据图像亮度、颜色、纹理、空间信息等特征进行分类，常用于分类、检测、识别等任务。
4. 模型分割：使用先前训练好的模型对图像分类和分割。
例如，利用卷积神经网络(CNN) 对图像进行分类和分割。
5. 基于图的分割：将图像转换成图形结构，建立节点之间的连接关系，通过图形算法对图形进行分割。
6. 边缘检测：检测图像中的边缘线条并将其分割出来，常用于目标检测和识别。
7. 水平集分割：该方法使用曲线(水平集) 对图像进行分割，可以在不同曲线之间自由地移动，因此在较复杂的图像中可以得到更好的分割效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2) 拓扑描述符 拓扑描述符对目标的结构特征有很好的描述能力。 孔(H)：区域内若存在与区域边界外的像素相同属 性的像素，则这些像素(也是连通的)称为孔。 连通组元(C)：区域内连通的部分(任意两点可由完 全包含在该组元内的曲线连接)。 欧拉数(E)：连通组元与孔之差： E =C−H
E = -1， 2， 1， 0
第五章 图像分割 第三节 图像目标的表达；图像目标的描述。
Wuhan University
2006.04.26
LiuJiping
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
5.3.1 概述 图像分割是图像的低层处理－它的输出是不同目 标用不同数值(编号)表示的图像。但分割的目的 是图像的中层处理－图像分析，而分析一般需要 将不同目标以其“特征” 予以有效表达和描述。 目标表达：对目标的直接具体的表示。要求节省存 储空间、易于特征计算。也分为基于边界的表达 和基于区域的表达两类方法。 目标描述：抽象地表示目标。要求能有效区分不同 的目标，具有对目标的尺度、平移、旋转不变的 特性(或不敏感)。有边界描述、区域描述和关系 描述三类方法。
34
基元：a → b ↓ 结构：字符串结构 语法：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
推导：
35
2) 树描述 树结构可以实现对目标结构信息的更好描述，但 语法比字符串结构复杂。仅举例示意：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
36
3) 图描述 图结构可实现比树更好的结构信息描述，但语法 更加复杂。
38
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
7. 计算以下图像的灰度共生矩阵：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
1 2 1 0 0 0 2 0 0 1 2 1 2 1 0 2
Wuhan University
2006.04.26
LiuJiping
29
ii. 结构方法 结构方法认为纹理是由一些简单的纹理基元(基本纹 理元素)以一定的规律重复排列所生成，因此定 义这些纹理基元并以一定的形式语言就可实现对 纹理的描述。详见关系描述符。 iii. 频谱方法 利用傅立叶频谱特性描述周期或近周期图像目标的方 向性。3个常用频谱性质： 付氏频谱中突起的峰值对应纹理模式的主方向； 这些峰在频域平面的位置对应模式的基本周期； 如果利用滤波将周期性成分除去，剩下的非周期 部分将可用统计方法描述。 详细讨论请参见有关文献。
15
边界长度：4-连通的相邻两点长度计为1，8-连通 的对角相邻两点的长度计为√2。按边界点对 累加。 2) 边界直径 边界上相距最远的两点之间直连线的长度(该直线 又称为区域的长轴，与其垂直且最宽处的直 线称为短轴)。可以有不同的距离度量。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
13
3) 骨架：骨架是区域的结构形状表示，它保留区 域整体结构的信息而忽略结构以外的细节。将 区域变换为相应的骨架称为细化。细化技术有 很多种。如中轴变换。中轴是区域内部这样的 点集：区域边界上至少有两个以上的边界点到 它的距离相等，而且这个距离是最小的。这个 点集也可以就定义为区域的骨架。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
ii.
基于聚合(merge)的最小均方误差线段逼近法
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
10
iii. 基于分裂(split)的最小均方误差线段逼近法
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
11
3) 标记(signature)：边界的一维泛函表达。 边界到重心距离的表达方法。求出距离，边界到 重心的距离作为角度的函数。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
23
ii.
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
偏心率：也描述区域的紧凑性。简单方法是用 区域的长轴与短轴之比定义。一种较好的方法 是用区域的惯量椭球的两主轴之比定义。 iii. 球状性：以区域的形心为圆心作区域边界的内 切圆和外接圆，二者半径之比： ri S= rc
5
例：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
链码的优缺点： 高度节省内存。 易于计算目标的形态特征参数。 对边界噪声敏感。 链码与编码方向(顺、逆时针)、起点、边界 旋转有关。
6
基于链码的形状特征提取参见徐建华“图像处理与分析” (科学出版社，1992)：229-235。
2
1
Wuhan University
2006.04.26
LiuJiping
3
0
2) 多边形：用多边形来拟合(逼近)边界，可以 在任意精度上逼近边界。它可在一定程度上 消除边界噪声的影响。3种具体方式：
8
i.
基于收缩的最小周长多边形法
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
9
16
3) 曲率 边界点斜率的改变率。 4) 形状数 形状数是链码的差分码中值最小的差分码。形状 数可用于对比两个边界的形状。如前的例子 5) 傅立叶描述符
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
17
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
18
傅立叶描述子应用举例：
方向和距离
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
26
例：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
27
图像及其灰度共生矩阵图示例：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
28
例：纹理图像示例和纹理特征计算
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
14
5.3.2 图像目标的描述 1. 边界描述 1) 边界长度 边界的定义：点P为边界点，如果有 1P本身属于 区域R， 2P的邻域中有像素不属于区域R。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
区域的内部点与边界点必须引用不同的连通性(即 边界4-连通则内部8-连通，反之亦然)。
W Q F
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
多边形网 W-Q+F=E=C-H
22
3) i.
形状描述符 形状参数： 2 B F= B为周长，A为面积。 4π A (为得到无量纲值而取平方，为归一化而除4π ) 可以证明：对连续坐标值，圆有最小F值1，对离 散坐标值,4-连通边界正八边形有最小F值，8连通边界正菱形有最小F值。形状参数描述 形状紧凑性，不能保证完全区分目标,如下：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
2. 区域表达 1) 空间占有数组：用1表示目标区域，0表示非 目标区域。特点是简单、直观，但占内存量 大。
12
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
2) 四叉树：对空间占有数组的一种高效编码。 节省内存，易于计算目标区域的多种特征。 在三维空间中的目标相应表示为八叉树。
24
iv. 圆形性：用区域的所有边界点定义的一个特征 量。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
25
4) 纹理描述符 纹理是相邻像元依概率表现出来的空间上的规律 性分布特性。它是图像目标的重要特征。 i. 统计方法： 直方图的各阶矩，均值(一阶)、方差(二阶)、偏斜 度(三阶)等。矩没有反映出空间分布信息。 灰度共生矩阵：
3. 关系描述 前面讨论的描述方法着重于从统计或数值方面对 目标进行描述，关系描述是着重于“基元”之 间的关系来进行描述，它可描述单个目标， 也可描述目标与目标构成的整体。
33
关系描述中有3个核心内容：基元、结构、语法。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
基元：是构成目标的最基本元素。 结构：表达基元间“关系”所采用的结构，有字符 串结构、树结构和图结构3种。 语法：利用基元如何生成描述特定目标的结构的 规则。 1) 字符串描述
M pq =
( x , y )∈R ( x , y )∈R
∑ ∑
f ( x, y ) x p y q
故上述形心也可表示为：x = M 10 M 00 , y = M 01 M 00
iii. 区域灰度(密度)统计量：区域内灰度值(或颜 色分量)的最大值、最小值、均值、中值、方 差以及高阶矩等统计量。
21
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
3
不同目标的各种特征比较
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
4
5.3.2 图像目标的表达
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
1. 边界表达 1) 链码 用边界上相邻像素点连线的方向表示边 界的走向，起点用绝对坐标(x,y)表示。有4方向链码和8-方向链码。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
缺点的克服： 噪声：做图像平滑处理，或重采样为较大网格。 编码方向：预先约定(以下约定为顺时针)。 起点有关：起点归一化，即在各链码中指定使用 最小整数链码。
7
旋转有关：旋转归一化，即用相邻方向之间 的方向变化量(方向之差)来表示。
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
30
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
5)
不变矩描述符
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
31
7个矩对图像目标平移、旋转、尺度的不变特性：
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
32
武汉大学资源与环境科学学院刘吉平：ljpzwhu@
1
目标的特征：是用以界定一个目标的“属性” 。最 重要的目标特征可分为4类，它们是： 光谱特征(灰度、颜色)； 纹理特征(灰度或颜色的空间分布型式)； 几何形状特征(形状、大小)； 上下文特征(与其他目标的关系)。