20、图像特征提取与分割方法解析

图像特征提取与分割方法解析

1. 引言

应用图像处理技术的核心目标是提取有意义的特征，以便进行分类和评估操作。在图像中分离出对象（如病害）后，下一步是将这些信息转化为属性，目的是总结和减少数据量，便于后续处理。从分割阶段分离出的对象需要转化为特征向量，才能通过分类方法进行分类和评估。提取具有更强数据传输能力的特征可以提高方法的速度和效率。目前已提出多种特征提取方法，总体上可分为六大类：统计特征、过渡特征、边缘和周边特征、矩特征、外观特征和纹理特征。

2. 低级特征提取方法

低级特征自动使用原始图像，不依赖任何已提取的信息（空间信息）。阈值处理可视为一种低级特征提取方法，它以点操作的方式进行。这些方法也可用于提取高级特征。当在图像中找到对象时，可对每个对象分别应用这些方法。例如，可从整体模式识别出一种路面病害类型。

这种方法也称为边缘检测，其目的是提取线条（如缺陷区域）或检测沥青颗粒。以下是一些常见的边缘检测示例：
- 梯度幅度作为分割 ：通过计算图像中像素的梯度幅度来进行分割。
- Otsu方法 ：一种自动确定阈值的方法。
- 路面裂缝检测和模式识别 ：用于识别路面上的裂缝。
- X射线计算机断层扫描和数字图像处理在白色沥青芯描述中的气孔相检测 ：可检测沥青芯中的气孔。

图像处理算法的重要性在于从图像数据中提取相关且有意义的特征，这些特征有望作为表达图像特征的指标。在特征处理过程中，这部分图像处理可能会多次使用。例如，基础设施管理中的视觉系统可能会