《不变矩演示文稿..讲课教案.ppt》由会员分享，可在线阅读，更多相关《不变矩演示文稿..讲课教案.ppt（12页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、不变矩演示文稿.上面的七个由不高于三阶的中心矩构造的矩函数式对于平移、旋转、尺度缩放都具有不变性3。对于数字图像，相应有 对于平移、旋转、尺度缩放都具有不变性。规格化的边界矩定义为 Zernike不变矩Zernike矩是基于 Zernike多项式的正交化函数,所利用的正交多项式集是 1个在单位圆内的完备正交集。当计算 1幅图像的 Zernike矩时,以该图像的形心(也称作重心)为原点,把像素坐标映射到单位圆内Zernike矩是图像函数f(x,y)在正交多项式 上的投影。其中 在单位圆内是正交的，其表达式为 式中n为正整数或零，m为正整数或负整数，且必须满足 （偶数），为原点到（x,y）点长度的
2、矢量，为矢量和x轴的夹角，为径向多项式。N阶Zernike矩定义为对于实二维图像，其Zernike矩 为复数，对数字图像，积分用求和代替极坐标下Zernike矩的定义为在计算一幅图像中目标区域的Zernike矩时，首先将目标从图像中分割出来，具体方法是：对于图像f(x,y)中任一点（x,y),如果该点处于目标区域内时，则取f(x,y)=1,否则f(x,y)=0,即将图像二值化，这样，所有的f(x,y)为1的点组成的集合就构成了要表示的目标区域。之后将目标图像转换到极坐标下的单位圆内，即将目标的重心作为极坐标的圆心，以圆心到目标区域内最外像素点的距离为半径(取最远距离作为半径，使得区域中所有像素
3、都落在单位圆内，避免像素信息的丢失)，将目标区域内的像素重新采样到单位圆内。直角坐标到极坐标的转换为：其中计算时要注意直角坐标系中像素点所在象限，因为定义在区间内。最后计算出各阶Zernike矩，取其幅值作为图像的描述子。实际问题中的图像通常为数字图像，因而需要将Zernike矩的实数部分和虚数部分离散化，又由于Zernike多项式在单位圆内正交，因此需要将所考虑的图像转换为单位圆内的极坐标形式。Zernike矩是复数矩,一般把 Zernike矩的模作为特征来描述物体形状。1个目标对象的形状特征可以用 1组很小的 Zernike矩特征向量很好的表示,低阶矩特征向量描述的是 1幅图像目标的整体形
4、状,高阶矩特征向量描述的是图像目标的细节.Zernike 矩可以任意构造高价矩,而高阶矩包含更多的图象信息,所以Zernike 矩识别效果好。Zernike 矩仅仅具有相位的移动。它的模值保持不变。所以可以将|A nm|作为目标的旋转不变性特征。Hu不变矩和Zernike不变矩在具体应用中提取过程如下提取Hu不变矩的流程图。提取Zernike不变矩流程图。不变矩在分类中的具体应用过程采用最小距离分类器对一个样本分类，假设该样本可以分为m类，那么计算第k类中元素的第i个属性 与该属性的中心量 的最小距离 ，就是设计最小距离分类器的关键步骤。本文选择欧式距离模型，则对于第k类中的元素 的第i个属性
5、与该属性的中心量的最小距离距离 计算公式假设，有数据元组X，其元素属性为 ，k表示类别，各类的中心量为训练步骤：（1）将训练集中的所有数据元祖按照类别分为m个集合。（2）为m个集合分别生成代表各类的各个属性中心量（3）计算每个个属性的方差 ，即分类步骤：（1）对于每一个待分类数据元组X，计算其与 之间的距离（2）判定X属于与之最近的类。本文所涉及的样本个数为268，其中人形样本数为201，动物样本数为67。人形样本中包括了人的站立、弯腰、下蹲三种姿势的图像各67幅，动物样本为日常生活中最常见的两种动物猫和狗，共67幅。提取所有样本的Hu不变矩和Zernike不变矩，采用最小距离分类器进行分类的
6、结果见表1和表2。表表1 最小分类器对样本最小分类器对样本Hu不变矩分类结果不变矩分类结果类别 实际数 识别正确数 正确率人（站立）67 65 97%人（弯腰）67 60 89.6%人（下蹲）67 56 83.6%动物 67 60 89.6%最小分类器对样本最小分类器对样本Zernike不变矩分类结果不变矩分类结果类别 实际数 识别正确数 正确率人（站立）67 66 98.5%人（弯腰）67 62 92.5%人（下蹲）67 60 89.6%动物 67 65 97%通过对样本测试可以看出，基于Zernike不变矩的人形识别效果要优于基于Hu不变矩的人形识别。可见对于人形图像而言Zernike不变
7、矩的聚类效果要优于Hu不变矩。对不变矩的研究及分析1)因为不变矩不受旋转及大小的影响，可以将其利用于识别二维或者三维物体。不过这些不变矩并不足以区别所有的形状，而且对噪声很敏感。有些作者提出了其他一些不变矩以改进这一点。2)矩计算的时间较长，实际上，虽然矩计算的积分范围在整个区域范围内，但区域的形状是由边界唯一确定的。可以推导出，由边界点的坐标就可以算出整个区域的矩，从而大大减少计算时间，李炳成等提出了许多矩的快速计算方法。3)矩是一种整体性质，若物体的一部分被其他物体遮挡，则无法计算不变矩，在这种场合，更希望找到描述物体形状的局部性质(如矩形有四个角点，角点是一种局部性质)。4）Hu提出的不
8、变矩只能用于对区域的检测，不能用于边界的检测。对于区域的检测，从总体上来说，极半径不变矩与Hu不变矩的效果相当。由于Hu不变矩受图形对称性的影响，而极半径不变矩不受图形对称性的影响，所以对于对称图形来说，极半径不变矩的效果要优于Hu不变矩。通过对Hu矩和Zernike矩的分析，并采用最小距离分类器对运动目标的这两种矩进行分类识别。它们都具有平移、旋转和缩放不变性，但是又各有特点。Hu矩所包含的目标信息不是很全面，含有较多的冗余信息；Zernike矩是正交矩，能构造任意的高阶矩，包含信息全面，对噪声不敏感。本文为人形识别算法中运动目标不变矩的选择提供了一定依据，并通过对不变矩的分类结果证明，采用不变矩进行人形识别是可行的。此此课件下件下载可自行可自行编辑修改，修改，仅供参考！供参考！感感谢您的支持，我您的支持，我们努力做得更好！努力做得更好！谢谢