与特征点等主流方法相比,小波矩是计算机视觉中古老的偏方,追溯到1962年。虽很少提及,但该方法的思路比较有意思。
后面以小波矩”从哪里来用到哪里去“为主线描述。数学渣顺便强行解释一波理论,请原谅我这里教材式的引用。~( ̄▽ ̄)~( ̄▽ ̄)~
随机变量的特征函数完全定义了它的概率分布 2。
南大的傅渥成老爷对特征函数的引入有如下解释 3:
a. 实际应用中,计算各事件的概率分布函数困难,矩特征容易测量;
b. 计算矩时,分布函数要通过积分,而特征函数仅仅采用微分;各阶矩的形式更加统一;
c. 傅里叶空间与时域空间可以一一对应。
假设概率空间中有随机变量 X ,其对应的分布函数为 F(x) 。则 X 的特征函数为 ejtX 的数学期望:
ψ(t) 是关于X的特征函数,但符号表达上的输入却为t。
|ψ(t)|≤ψ(0)=1
由 |ψ(t)|=E(cos(tX)+jsin(tX)) 知, |ψ(θ/X)|=|cosθ+jsinθ|<1 ;
ψ(−t)=ψ(t)¯¯¯¯¯¯
|ψ(−t)|=E(cos(−tX)+jsin(−tX))=E(cos(tX)−jsin(tX))=ψ(t)¯¯¯¯¯¯ ;
假设X的特征函数为 ψ(t) ,那么 Y=aX+b 的特征函数为:
X 的特征函数半正定。
波赫纳-辛钦定理: 若函数 ψ(t)(t∈R) 连续半正定,且 ψ(0)=1 ,则 ψ(t) 一定为特征函数。
对于分布函数 F(x) 上的任意连续点 x1 和 x2(x1<x2) ,有
上述公式说明了分布函数与特征函数间的关系,可以推出唯一性定理。
唯一性定理: 分布函数恒等的充分必要条件是对应的特征函数恒等。
如果特征函数绝对可积,则由分布函数与密度函数的关系可推出:
X为离散整数变量时同理。假设概率函数 F(X=k)=fk,k=...−3,−2,−1,0,1,2,3... ,对应的特征函数为 ψ(t)=E(ejtk)=∑∞k=−∞pkejtk ,有:
直观上看,特征函数 |ψ(t)|≤1 ,所以 |fk|≤12π∫∞−∞|e−jtk|dt ,而 |e−jtk|≤1 ,有 |fk|≤12π∫∞−∞dt ,这里把 ∞ 改为 π 依然成立。所以有:
一维随机变量的相关性质可以推广到多维。当多维随机变量 Xi,i=1,2,...,n 相互独立,则其特征函数为:
2维随机变量 (x,y) 的密度函数 f(x,y) 的 (p+q) 阶矩 mpq 的定义为:
由唯一性定理知,不同的分段连续的的密度函数 f(x,y) 恒等的充分必要条件是它们的特征函数 mpq 恒等。
矩生成函数 M(u,v) 的定义为:
由指数函数的泰勒展开式 ex=1+x+x22!+...+xkk!+...=∑∞k=0xkk! 得:
2维随机变量 (u,v) 的特征函数 ψ(u,v) 的定义类似于1维:
中心矩 μpq 的定义如下:
假设随机变量 (x,y) 偏移至 (x+α,y+β) ,则带入上式后, x¯ 和 y¯ 变为 x¯−α 和 y¯−β 。
中心矩的平移不变性:如果你已经接受“中心矩与随机变量的均值无关”这一观点。则可以理解“当均值发生变化时,中心矩的值依然不会变”。
Kuiming Hu提出的不变矩的几个几何矩不变量不再介绍,因为小波矩仅仅用到矩的特点。这里提及是因为他更加明确地描述了图像的特征函数和矩的关系。
直接平移和缩放实现平移和尺度不变性。 f(x,y) 为笛卡尔平面坐标系中的坐标(x,y)的二值图像值(换句话说, f(x,y)∈{0,1} )。与极坐标系中的坐标 (r,θ) 的关系如下:
计算目标形状的中心:
计算尺度因子:
平移缩放后的坐标值为:
若目标区域无噪声,则图像的面积等于目标的面积 m00 。
这就是个问题了~该方法有效的前提为目标物体的完整抠取。如果图像中有其它的噪声目标,矩计算对目标形状归一化失去意义。
极坐标系中的随机变量 (r,θ) 的 (p+q) 阶矩为:
逆时针旋转 β 度的旋转矩为:
旋转矩简化为:
B样条小波逐点渐进收敛为Gabor函数。3阶B样条小波的近似误差小于3% 5。
沈分析Hu矩,Li矩和Zernike矩在全局图像空间中计算。假设2个相似物体矩的模长以及噪声分别为 ||mpq|| , ||m′pq|| 和 δpq ,有:
图像大小始终在径向域{ r≤1 }中,构造 r=x−dc=x−0.5n∗0.5m0.5m=x0.5m−0.5n ,所以有:
与图像恢复相比,目标分类并不需要物体的完整小波特征。特征选择后去掉冗余和敏感的噪声。
以B样条小波函数为基函数的小波函数族的特征在分类时定义为其L2-模。因此得到完备的小波矩特征:
假设目标的二值图像为完整苹果皮摊开的2维平面。削苹果时,刀与苹果皮的当前接触点的二值特征记为 f(r,θ) , r 为刀离苹果垂直轴的半径, θ 为刀离刚下刀削时水平方向的角度, ψ(c,d)(x) 可以理解为根据环境光照等对接触点特征的影响因子,削出来的苹果皮拉平作为完整的1维小波矩特征。所以,小波矩是削苹果后留下的条状苹果皮。
该方法仅要求无噪声的二值图像,所以暂时先采用预处理后的二值图像数据集。
二值图像中每个像素点的坐标可以看作图像笛卡尔空间(或极坐标)空间中的2维随机变量。假设二值随机变量的概率定义为该随机变量值为真的概率,那么2维随机变量就有了自己的概率分布。由于特征函数能够更有效地表示概率分布,同时特征函数与矩之间有着明确的关系,所以矩特征可以替换二值图像概率分布的定义。
基于小波特征的矩与其它矩特征相比,在全局特征的噪声淹没目标特征的情况下,更加适合局部特征的提取。
小波矩的基函数固定。即使表现出色,和更贴近目标样本的稀疏编码等方法相比,手动确定基函数直观感觉该方法还是对样本更为冷淡一些。
整个方法的基础是像素点为目标点的概率分布,复杂场景中抽取二值前景图像本身就是个open problem,所以应用场合挺有限。
注:参考的资源和文献的链接位于引用时内容的右侧。