图像数据的特征提取方法

图像特征主要有图像的颜色特征、纹理特征、形状特征和空间特征。传统的特征提取方法分为两个类别，分别是基于结构形态的特征提取与基于几何分布的特征提取。

1.Canny算子

Canny算子是效果较好的一种图像边缘检测算子。它分为两个阶段，首先对图像进行高斯平滑，然后对平滑之后的图像进行Roberts算子运算。

Canny边缘检测算子主要包括以下四个步骤。

• 用高斯滤波器对图像进行平滑处理。

• 用一阶偏导的有限差分来计算梯度的幅值和方向。

• 对梯度的幅值进行非极大值抑制处理。

• 用双阈值算法检测和连接图像的边缘。

import cv2
image = cv2.imread("lena.jpg")
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
#Canny边缘检测
canny = cv2.Canny(image, 30, 150)
cv2.imwrite("Canny.jpg", canny)

2 傅里叶特征算子法

import cv2
import numpy as np
#直接读为灰度图像
img = cv2.imread('lena.png', 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
#先取绝对值，表示取模。再取对数，将数据范围变小
magnitude_spectrum = 20*np.log(np.abs(fshift))
cv2.imwrite("center.jpg", magnitude_spectrum)

3 不变矩

根据归一化之后的中心矩，对旋转、平移、尺度等都不敏感的七个不变矩。下面我们对同一幅图像，分别进行尺度缩小为原始图像的一半、逆时针旋转5度操作以及垂直镜像变换的操作，分别求出原始图像及变换后的各个图像的七阶矩。可以得出，这七阶矩的值对于尺度、旋转及镜像变换不敏感。程序代码如下：

import cv2
from datetime import datetime
import numpy as np
np.set_printoptions(suppress=True)


def my_humoments(img_gray):
     moments = cv2.moments(img_gray)
     humoments = cv2.HuMoments(moments)
     #取对数
     humoments = np.log(np.abs(humoments))
     print(humoments)


if __name__ == '__main__':
     t1 = datetime.now()
     fp = 'lena.jpg'
     img = cv2.imread(fp)
     #缩放
     h,w,_ = img.shape
     img = cv2.resize(img, (h//2, w//2), cv2.INTER_LINEAR)
     img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
     cv2.imwrite("scale.jpg",img_gray)
     #旋转
     (h, w) = img.shape[:2]
     center = (w // 2, h // 2)
     M = cv2.getRotationMatrix2D(center, 5, 1.0)
     img = cv2.warpAffine(img, M, (w, h))
     img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
     cv2.imwrite("rotate.jpg", img_gray)
     #垂直镜像
     img = cv2.flip(img, 0, dst=None)
     img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
     cv2.imwrite("flip.jpg",img_gray)
     my_humoments(img_gray)