本发明专利技术涉及一种基于缺失重要性的图像特征点自动检测方法，包括：采集图像、输入计算机并将其转化为灰度图像；计算图像中各点处的均值缺失重要性；计算图像中各点处的标准差缺失重要性；利用均值缺失重要性进行边缘点标记；利用标准差缺失重要性进行特征点标记；输出所标记的图像特征点。相比于已有方法，本发明专利技术提供的方法在定位精度方面具有明显优势。
【技术实现步骤摘要】
本专利技术涉及计算机视觉中的图像特征自动检测领域，尤其涉及一种图像特征点的自动检测方法。
技术介绍
特征点自动检测技术在图像检索、物体识别、视频跟踪以及增强现实等诸多领域有着重要应用。近些年来出现了较多特征点自动检测算法，比较有代表性的算法包括:(I)论文“SUSAN-A New Approach to Low Level Image Processing.1nternational Journalof Computer Vision.1997，23 (I):45_78” 提出的 SUSAN 方法；(2)论文 “Robust ImageCorner Detection Through Curvature Scale Space.1EEE Trans on Pattern Analysisand Machine Intelligence.1998，20(12): 1376-1381”提出的 CSS 方法;(3)论文“基于局部方向分布的角点检测及亚像素定位.软件学报.2008, 19(11):2932-2942”提出的LOD方法。上述方法中，SUSAN方法对图像噪音与阈值选择较为敏感；L0D方法尽管检测出的特征点具有较高的精度，但由于其步骤繁多且需要进行数据拟合，效率较低；ccs算法由于其优良的综合性能，是目前最为常用的检测方法。CSS方法的基本算法步骤为:步骤一，利用Canny边缘检测算子进 行边缘检测；步骤二，在边缘图上将间断不完整的边缘连接为完整的边缘；步骤三，在连接后的边缘图上检测曲率极大值点；步骤四，通过在尺度空间进行跟踪寻找特征点的精确位置。该方法的主要问题在于步骤一使用Canny算子带来的问题:(I )Canny边缘检测算子使用的高斯滤波导致图像边缘特征位置发生偏移，故此需要步骤四在多尺度空间跟踪特征点的精确位置，一方面实现相对复杂，另一方面通过跟踪获得的位置依旧不是十分准确；(2)Canny算子执行过程中进行的高斯滤波导致获得的边缘经常断裂而不完整，故此需要步骤二对边缘重新进行连接，连接过程经常会导致特征点位置偏移、缺失、错误，并最终影响特征检测的准确性。
技术实现思路
本专利技术主要解决数字图像中特征点自动检测问题，目的是提供一种不需要进行高斯滤波的简单而具有更高准确性的特征点自动检测方法。为实现本目的，本专利技术提供的方法主要包括以下步骤:步骤S1:采集图像、输入计算机并将其转化为灰度图像；步骤S2:计算图像中各点处的均值缺失重要性；步骤S3:计算图像中各点处的标准差缺失重要性；步骤S4:利用均值缺失重要性进行边缘点标记；步骤S5:利用标准差缺失重要性进行特征点标记；步骤S6:输出步骤S5所标记的特征点。本专利技术提供的，在继承CSS算法的基本思路“先进行边缘检测而后在边缘图上进行特征点检测”的基础上进行了改进。相比于CSS算法，该方法通过基于统计量定义的均值重要性与标准差缺失重要性，不再使用Canny边缘检测算子进行边缘检测，避免了由于高斯滤波造成最终边缘检测结果不准确与不完整，并最终保证了在边缘图上进行特征点检测的准确性与完整性。此外，由于不再需要在尺度空间对特征点的位置进行跟踪，相对于现有的CSS方法，本专利技术提供的方法更为简单与易于实现。附图说明图1所示为本专利技术的流程图。具体实施例方式如图1所示为本专利技术的流程图。本专利技术提供的方法的主要步骤包括:采集图像、输入计算机并将其转化为灰度图像；计算图像中各点处的均值缺失重要性；计算图像中各点处的标准差缺失重要性；利用均值缺失重要性进行边缘点标记；利用标准 差缺失重要性进行特征点标记；输出所标记的图像特征点。各步骤的具体实施细节如下:步骤S1:采集图像、输入计算机并将其转化为灰度图像；步骤S2:计算图像中各点处的均值缺失重要性，具体方式为:对于图像中任一位置X(x，y)，首先将以点Χ(χ，y)为中心、半径为R的圆形区域确定为Χ(χ，y)的支撑区域并记为Ω (X)，然后计算Ω (X)内各像素点灰度值的平均值并记为Hi1(X),接着计算Ω (X)内去掉点X(x，y)后各像素点灰度值的平均值并记为m2 (X)，最后将m(X) = | Hl1 (X)-m2 (X) I定义为点X(x，y)处的均值缺失重要性，定义支撑区域时R的取值范围为I 3 ;步骤S3:计算图像中各点处的标准差缺失重要性，具体方式为:对于图像中任一位置X(x，y)，首先按照步骤S2所述方式确定点X(x，y)的支撑区域Ω (X)，然后计算Ω (X)内各像素点灰度值的标准差并记为S1(X),接着计算Ω⑴内去掉点X(x，y)后各像素点灰度值的标准差并记为s2(X)，最后将s (X) = | S1 (X)-S2 (X) I定义为点X(x，y)处的标准差缺失重要性，定义支撑区域时R的取值范围为I 3 ;步骤S4:利用均值缺失重要性进行边缘点标记，具体方式为:首先计算阈值T=k Mean (M)，其中Mean (M)表示步骤S2计算的整个图像中各点处均值缺失重要性的均值，k的取值范围为2 5，然后，如果图像中某点处的均值缺失重要性大于T，则将该点标记为边缘点；步骤S5:利用标准差缺失重要性进行特征点标记，具体方式为:对于步骤S3所得各点处的标准差缺失重要性，将步骤S4没有标记为边缘点的位置对应的标准差缺失重要性置为0，然后，如果图像中某点处的标准差缺失重要性在该点的5X5邻域内为最大值，则将该点标记为特征点；步骤S6:输出步骤S5所标记的特征点。本专利技术提供的，在继承CSS算法的基本思路“先进行边缘检测而后在边缘图上进行特征点检测”的基础上进行了改进。相比于CSS算法，该方法通过定义基于统计量的均值缺失重要性与标准差缺失重要性，不再使用Canny边缘检测算子进行边缘检测，避免了由于高斯滤波而造成的边缘检测结果不准确与不完整，并最终保证了在边缘图上进行特征点检测的准确性与完整性。此外，由于不再需要 在尺度空间对特征点的位置进行跟踪，相对于现有的CSS方法，本专利技术提供的方法更为简单与易于实现。本文档来自技高网...
【技术保护点】
一种基于缺失重要性的图像特征点自动检测方法，其特征在于，包括步骤：步骤S1：采集图像、输入计算机并将其转化为灰度图像；步骤S2：计算图像中各点处的均值缺失重要性，具体方式为：对于图像中任一位置X(x,y)，首先将以点X(x,y)为中心、半径为R的圆形区域确定为X(x,y)的支撑区域并记为Ω(X)，然后计算Ω(X)内各像素点灰度值的平均值并记为m1(X)，接着计算Ω(X)内去掉点X(x,y)后各像素点灰度值的平均值并记为m2(X)，最后将m(X)=|m1(X)?m2(X)|定义为点X(x,y)处的均值缺失重要性，定义支撑区域时R的取值范围为1～3；步骤S3：计算图像中各点处的标准差缺失重要性，具体方式为：对于图像中任一位置X(x,y)，首先按照步骤S2所述方式确定点X(x,y)的支撑区域Ω(X)，然后计算Ω(X)内各像素点灰度值的标准差并记为s1(X)，接着计算Ω(X)内去掉点X(x,y)后各像素点灰度值的标准差并记为s2(X)，最后将s(X)=|s1(X)?s2(X)|定义为点X(x,y)处的标准差缺失重要性，定义支撑区域时R的取值范围为1～3；步骤S4：利用均值缺失重要性进行边缘点标记，具体方式为：首先计算阈值T=k·Mean(M)，其中Mean(M)表示步骤S2计算的整个图像中各点处均值缺失重要性的均值，k的取值范围为2～5，然后，如果图像中某点处的均值缺失重要性大于T，则将该点标记为边缘点；步骤S5：利用标准差缺失重要性进行特征点标记，具体方式为：对于步骤S3所得各点处的标准差缺失重要性，将步骤S4没有标记为边缘点的位置对应的标准差缺失重要性置为0，然后，如果图像中某点处的标准差缺失重要性在该点的5×5邻域内为最大值，则将该点标记为特征点；步骤S6：输出步骤S5所标记的特征点。...
【技术特征摘要】
1.一种基于缺失重要性的图像特征点自动检测方法，其特征在于，包括步骤: 步骤S1:采集图像、输入计算机并将其转化为灰度图像； 步骤S2:计算图像中各点处的均值缺失重要性，具体方式为:对于图像中任一位置X(x，y)，首先将以点X(x，y)为中心、半径为R的圆形区域确定为Χ(χ，y)的支撑区域并记为Ω (X)，然后计算Ω (X)内各像素点灰度值的平均值并记为Hi1(X),接着计算Ω (X)内去掉点X(x，y)后各像素点灰度值的平均值并记为m2 (X),最后将Hi(X) = Im1 (X)-m2(X) |定义为点X(x, y)处的均值缺失重要性，定义支撑区域时R的取值范围为I 3 ; 步骤S3:计算图像中各点处的标准差缺失重要性，具体方式为:对于图像中任一位置父“，7)，首先按照步骤32所述方式确定点乂(1，7)的支撑区域Ω (X)，然后计算Ω (X)内各像素点灰度...
【专利技术属性】
技术研发人员：刘红敏，王志衡，王永军，逯静，王俊峰，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。