提取图像的特征在计算机图形学、计算机视觉、模式识别、测绘领域、人工智能等方面具有非常重要的意义。目前,图象特征提取已成为非常活跃的研究领域。 在模式识别系统中,特征提取是指在原始数据输入与分类器之间,针对样本的数学特征,实现高维样本向低维的压缩,去除无用信息,以优化分类器的效果。即特征提取是给定的约束条件下的某种变换T,实现由模式空间ER到特征空间ED的映射,可表示为T:ER→ED。 变换编码是在变换域进行压缩,即采用线性变换,将具有相关特性的原域数据映像到变换域,在变换域中消除原域数据相关性,或者去掉信息接受者不重视、或不感兴趣的成分,即获得压缩编码。变换编码有Karhunen_Loeve(K_L Transform)变换,离散傅氏变换(Discrete Fourier Transform),沃尔什—哈达姆变换(walsh_Hadamard Transform),离散余弦变换(Discrete Cosine Transform)等,这些变换均属于正交变换。 一种信息的空域表示,由于其空域值的无序性,人们难以直接从中分离出感兴趣的特征。因此,将其变换到频域,从而建立有序的频率关系,并对某些频率因素进行处理,然后再转换到空域,以便获得人们感兴趣的特征。本文正是基于这种思想,将特征提取问题归结为滤波问题。 在图象特征提取的研究领域,目前存在许多问题有待解决。本文深入探讨了图象特征提取的基本思想,对特征提取的方法和现状进行了全面的综述,全面分析了各种变换编码的算法并比较了各自的优缺点,采用数据滤波的方式构造一个基于频域空间的图象特征提取平台,该平台通过图形界面能够选择变换模型,调整滤波方案,从而得到特征图象,并将特征图进行了矢量化,文章的最后对图象特征提取和识别的研究前景进行了展望。 实验证明,采用数据滤波的方式对图象的特征进行提取是非常有效而且新颖的方式,通过对滤波方案的导入、导出使图象特征提取平台具有了很强的通用性,能非常有效的解决同一类图象的特征提取问题。 论文包括七章内容。第一章叙述本课题的背景和意义;第二章介绍特征提取的基本思想和方法;第三章分析各种变换编码的算法和优缺点;第四章分析图象矢量化问题;第五章研究图象识别问题:第六章介绍构建的图象特征提取平台并运用举例;第七章是本文的小结和展望。