《**轧制**工程研究**先进技术丛书:金属表面质量在线检测技术》:
(4)神经网络法。随着神经网络的出现,许多问题都可以转化为将原始的数据送人神经网络,经过适当的训练就得到数据的特征集。在各种各样的人工神经网络模型中,在模式识别中应用*多也是*成功的当数多层前馈神经网络,其中又以采用学习算法的多层感知器习惯上简称为网络为代表。网络是一个将图像特征提取和模式分类融合在一起的神经网络;图像数据通过输入层进入网络,通过加权然后输入到隐层,而此时的隐层就相当于一个特征提取器,隐层的输出结果再作为输出层的输入。
3.4.3几何特征提取
形状特征对于机器视觉是很重要的。当物体从图像中提取出来后,形状的描述对于物体的识别起着不可忽视的影响作用。形状特征一般从轮廓特征和区域特征两个角度描述。轮廓特征关注的是外边界,区域特征关注的是整个区域。不过,任何一个物体我们又都可以把它分解成若干个点、线、面,这样,对其形状特征的提取又更多地关注在点、线、面的提取方法上。
(1)点特征的提取方法。点是一切形态的基础。对于视觉系统而言,它是小而集中的形。二维空间中,可以将其理解为极小的面积,三维空间中,可以将其理解为极小的体积。点是一个零维度的存在,我们能够在空间中的物体上看到各种各样的点,但在特征提取中,点指那些明显点,比如:角点、交叉点、圆点等。其中,角点引发的研究探讨较多,有以曲率为出发点的,有以灰度为出发点的,还有以边缘为出发点的。不同的算法采用不同的算子进行特征点提取,这种算子被称为兴趣算子,如Moravec兴趣算子、Forstner兴趣算子等。
(2)线特征的提取方法。从几何学的观点来看,一个点的任意移动构成线。线特征包含了边缘和线,边缘的意义在于区分不同特征的局部区域,而线则是划定相同特征区域的边缘对。边缘对人们辨别物体有很重要的意义,它所形成的连续完整的边界在很多时候可以帮助人们直接识别物体。边缘是点的集合,这些点具有的共性就是均在灰度突变处。边缘一般包括阶跃式和屋顶式两类,前者以灰度值的明显变化区分,后者为灰度值逐渐变化的中间点,体现形式如图3—8所示。
……