【机器视觉算法】特征提取【1】

今天我们来讲讲特征提取中的区域特征：
1、区域特征
目前最简答的区域特征是区域的面积。

a=|R|=∑(r,c)∈R1=∑i=1ncei−csi+1

区域的行程表示法可以让计算计算变得更快，选出的区域可以作为 OCR 的输入。面积可以成为区域的矩的广义特征的一个特例，其实面积就是区域内的点数，

q=0,p=0

时，我们认为（p,q）阶矩为区域的面积。

mp,q=∑rpcq(q≥0,p≥0)

如何得到归一化的矩？
当

p+q≥1

np,q=1a∑(r,c)∈Rrpcq

归一化的矩是由图像的中位置决定的，通常，使特征不随图像中区域的位置变化而变化。我们可以计算矩的重心来实现，中心矩是

(p+q)≥2

u(p,q)=1a∑(r,c)∈R(r−n1,0)p(c−n0,1)q

凸集：点集中任意两点连成的直线上的所有点都在这个点集上，这个点集就是凸集。
凸包：包含了区域中的所有的点的最小凸集。
凸性：某区域的面积和该区域凸包的面积的比值，它的比值在0和1之间。（凸性能被用来去除不想要的分割结果）
轮廓长度：为了计算该特征量，我们必须跟踪区域的边界从而获得一个轮廓，该轮廓是将边界上的全部点连在一起，当我们得到区域的轮廓，用欧几里得到距离即可。

（水平线段和垂直线段的距离都是1，对角线段的距离2√）

区域紧性：度量公式：

c=l24πa其中l为轮廓长度，a为区域面积