1. 图像表示与描述的核心概念在数字图像处理领域表示与描述是图像分析的关键环节。当我们完成图像分割后得到的是一系列离散的区域或边界如何有效地表示这些区域并提取其特征描述直接影响后续的分类、识别等高级处理效果。表示Representation关注的是如何用数据形式有效地组织分割结果。就像建筑师需要先绘制蓝图才能建造房屋一样我们需要将图像中的区域转化为计算机能够处理的数据结构。常见的表示方法包括链码、多边形近似、骨架等边界表示法以及四叉树、骨架等区域表示法。描述Description则是从表示中提取有意义的特征量。这相当于给每个区域贴上标签比如圆形、面积大于100像素、纹理粗糙等。好的描述应该具备区分性能区分不同物体、鲁棒性对光照、视角变化不敏感和紧凑性数据量小。实际工程中我常遇到新手直接将原始像素作为特征输入分类器这种做法计算量大且效果差。正确的做法是先进行合理的表示再提取有效的描述特征。2. 边界表示技术详解2.1 链码表示法链码通过记录边界点的走向来表示轮廓。最常用的是8方向Freeman链码每个方向用0-7的数字表示3 2 1 \ | / 4-- --0 / | \ 5 6 7比如一个正方形的链码可能是0,0,0,0,2,2,2,2,4,4,4,4,6,6,6,6链码的优点在于数据压缩率高但存在两个主要问题对噪声敏感 - 单个像素的噪声会导致链码剧烈变化依赖于起始点 - 不同起始点产生的链码完全不同解决方法对噪声先进行边界平滑对起始点问题使用差分链码后项减去前项模8我在项目中发现当边界较平滑时链码压缩率能达到90%以上。但在处理医学图像中的细胞边界时必须先用5×5高斯滤波去除毛刺。2.2 多边形近似用多边形逼近边界可以大幅减少数据量。常用的算法包括最小周长多边形法将边界看作橡皮筋收缩到多边形分裂合并法连接边界两端点作为初始线段找到离线段最远的边界点若距离阈值在该点分裂线段重复直到所有点到线段的距离都小于阈值实际应用中阈值的选择很关键。我的经验公式是 阈值 图像对角线长度 × (0.5% ~ 1%)在无人机航拍图像处理中多边形近似能使建筑物轮廓数据量减少80%而保持形状误差3%。3. 区域描述特征提取3.1 简单区域特征面积区域内的像素总数周长边界像素的数量圆形度4π×面积/周长²完美圆为1最小外接矩形MER的方位可以表示物体朝向这些特征计算简单但非常实用。例如在工业检测中我常用以下组合判断零件是否合格面积是否在[标准值±5%]范围内圆形度是否0.85最小外接矩形长宽比是否1.23.2 矩特征矩是更强大的形状描述工具。pq阶矩定义为mpq ΣΣ x^p y^q f(x,y)中心矩μpq ΣΣ (x-x̄)^p (y-ȳ)^q f(x,y)其中(x̄,ȳ)是区域重心。最有用的是Hu提出的7个不变矩具有平移、旋转和尺度不变性。在车牌识别中我使用前三个Hu矩就能达到95%以上的字符区分准确率。计算优化技巧对于二值图像可以先用连通域标记然后只计算目标区域内的矩速度能提升3-5倍。4. 纹理特征分析4.1 统计纹理特征灰度共生矩阵(GLCM)统计像素对(i,j)在特定方向θ和距离d上同时出现的概率p(i,j|d,θ)常用特征对比度ΣΣ (i-j)² p(i,j)相关性ΣΣ (i-μ)(j-μ)p(i,j)/σ²能量ΣΣ p(i,j)²同质性ΣΣ p(i,j)/(1|i-j|)在实际应用中我发现d1, θ0°,45°,90°,135°四个方向的均值效果最好。计算时要注意先对图像进行16级灰度量化原256级计算量太大对四个方向的结果取平均对对比度取对数增强区分度4.2 频谱纹理特征通过傅里叶变换分析纹理周期计算图像的DFT将频谱移到中心转换为极坐标S(r,θ)计算径向能量S(r) Σ S(r,θ)角度能量S(θ) Σ S(r,θ)在织物缺陷检测中正常布料的能量集中在特定r和θ范围而缺陷区域会出现异常能量峰。5. 实践中的问题与解决方案5.1 特征选择困境当特征维度高而样本少时容易过拟合。我的解决方案是先用t-SNE可视化特征分布计算特征间的Pearson相关系数去除高度相关(r0.9)的特征使用随机森林评估特征重要性最后用SequentialFeatureSelector选择最优子集5.2 尺度变化问题同一物体在不同拍摄距离下特征值变化大。解决方法对长度类特征除以图像对角线长度归一化对面积类特征除以图像总面积对矩特征使用标准化中心矩ηpq μpq/μ00^(1(pq)/2)5.3 计算效率优化处理高分辨率图像时特征提取可能成为瓶颈。我的加速技巧对二值图像使用积分图像快速计算面积对纹理特征先下采样到1024×1024再计算对矩计算使用Green定理将面积分转为边界积分多线程处理将图像分块并行计算在5000×5000的卫星图像处理中这些优化能使特征提取时间从15秒降至3秒以内。6. 实际应用案例6.1 工业零件分拣系统需求在传送带上识别和分类六种机械零件 解决方案图像采集200万像素工业相机红色背光预处理Otsu阈值分割 → 孔洞填充 → 连通域分析特征提取面积最小外接矩形长宽比前三个Hu不变矩轮廓傅里叶描述子前10个系数分类SVM with RBF核实施效果准确率99.2%处理速度180件/分钟。关键点在于选择了对光照变化不敏感的Hu矩和傅里叶描述子。6.2 医学细胞图像分析挑战白血病细胞与正常细胞的区分 方案染色Giemsa染色增强核质对比度分割基于HSV颜色空间的阈值分割特征设计核质比N/C ratio核纹理GLCM对比度、相关性核形状圆形度、Hu矩分类随机森林经验教训最初仅使用形状特征准确率仅85%加入纹理特征后提升到93%。但要注意染色不均匀会导致纹理特征波动解决方法是在采集时加入白平衡校正。