一种基于KAZE算法的图像特征提取方法技术

本发明专利技术公开了一种基于KAZE算法的图像特征提取方法，以解决现有图像特征提取技术中存在的执行效率偏低的问题。首先构造非线性偏微分方程，利用AOS算法求解方程得到非线性尺度空间的所有图像，然后进行特征点检测和亚像素精确定位，随后根据特征点的局部图像结构来确定其主方向，根据选取的窗口计算出子区域的描述向量，将得到的描述向量用主成分分析方法进行降维处理，最后再进行特征匹配。本方法采用主成分分析方法对描述子进行降维，加快计算速度，对于图像特征提取与匹配具有很好的承接作用，在提高算法的实时性和匹配率方面有较好的效果。

【技术实现步骤摘要】

本专利技术属于计算机视觉和图像处理领域，具体涉及一种基于KAZE算法的图像特征提取方法。
技术介绍
近年来，随着图像处理技术的进步，图像特征提取得到了长足的发展。图像特征提取技术可以应用在日常生活、工农业检测、生物技术、医学检测等方面。特征提取是图像处理中的一个初级运算，也就是对一个图像进行的第一个运算处理。图像特征可以分为全局特征和局部特征。全局特征主要指图像的方差，颜色直方图等。而局部特征更侧重于图像局部出现的特征，局部特征可以理解为稳定存在并且具有良好区分性质的点。在前景背景区分、物体识别等方面发挥重要作用。局部不变特征是指局部特征的检测或描述对图像的各种变化，例如，对于视角变化的不变性、对尺度变化的不变性、对旋转变化的不变性、对形状的不变性等等。基于局部特征的应用包含三个基本步骤：检测、描述以及匹配。好的局部图像特征应具有速度快，特征描述对尺度、光照、旋转具有较好鲁棒性，同时特征描述维数低，易于实现快速匹配同时实时性强的特点。从图像中提取的特征可以组成多个向量，两个图像之间可以通过某种距离度量标准或者相似性的测量度来计算他们之间的相似度。如何从原始图像中提取具有较强表示能力的图像特征是图像处理的一个研究热点。早期的局部特征提取有Harris角点检测算子，“角点”经常被检测在边缘交界处，物体的边界处，纹理比较强烈的部分。传统的SIFT、SURF算子对于尺度，光照，视角，旋转的变化具有较强的鲁棒性，但是对于图像边缘和细节保留度较低，模糊严重，而KAZE算法中所采用的非线性扩散滤波较好地解决了这个问题。KAZE算法在非线性尺度空间的基础上进行特征点检测和定位，采用M-Surf方法进行特征点描述。安徽工业大学的李丹等人在四川大学学报(2015年5月第52卷第3期)上发表了“一种改进的KAZE特征检测算法”的论文，该论文通过改进特征点的搜索策略，利用圆改进特征向量描述方法等步骤尝试提高算法的实时性，但存在执行效率偏低的问题。
技术实现思路
本专利技术要解决的技术问题是提出一种基于KAZE的图像特征提取方案，能够在保
留实时性的基础上进一步提高匹配率，提高算法的执行效率。为解决上述技术问题，本专利技术提出的技术方案是一种基于KAZE的图像特征提取方法，包含以下步骤：步骤一：输入图像L，构造非线性偏微分方程，进行非线性扩散滤波，再利用AOS算法求解方程得到非线性尺度空间的所有图像；步骤二：特征点检测，通过寻找不同尺度归一化后的Hessian局部极大值来寻找特征点，找到特征点的位置后，根据泰勒展开式，进行亚像素精确定位步骤三：根据特征点的局部图像结构来确定其主方向；步骤四：对于尺度参数为σi的特征点，在梯度图像上以特征点为中心取一个的窗口，并将窗口划分为子区域，计算出子区域的描述向量；步骤五：将得到的描述向量用主成分分析方法进行降维处理，得到降维后的描述子，再进行特征匹配。上述非线性扩散滤波是通过非线性偏微分方程将图像亮度在不同尺度上的变化视为某种形式的流动函数的散度通过设置传导函数c，控制扩散程度和类别让其自适应于图像的局部结构，利用AOS算法得到非线性尺度空间的所有图像。进一步，步骤五中所述的主成分分析方法包含以下步骤：步骤1：输入描述子；步骤2：对描述子标准化；步骤3：构造协方差矩阵，得到特征向量和特征值；步骤4：排列出新的矩阵并筛选；步骤5：映射到新的矩阵中，得到降维后的描述子。又进一步，步骤二中，在构造的Hessian矩阵中寻找极值点时，为了加快搜索速度，每一个像素点和它当前尺度，上一尺度，下一尺度上围绕它固定的3*3大小的窗口下的像素点进行比较，以确保在尺度空间和二维图像空间检测到极值点。步骤三中，确定特征点主方向是通过设置特征点搜索半径，对圈内所有邻点的一阶微分值通过高斯加权，使得靠近特征点的相应贡献大，远离特征点的相应贡献小，
将微分值视作向量值，并将用扇形动窗口遍历圆形区域获得最长向量的角度确定为主方向。步骤四中，对于所述特征点，在梯度图像上以特征点为中心取一个24σi×24σi的窗口，并将窗口划分为4×4个子区域，每个子区域大小为9σi×9σi，相邻的子区域有宽度为2σi的交叠带，每个子区域都用一个高斯核(σ1＝2.5σi)进行加权，然后计算出长度为4的子区域描述向量：dv＝(∑Lx，∑Ly，Σ|Lx|，Σ|Ly|)，再通过另一个大小为4×4的高斯窗口对每个子区域的向量dv进行加权，最后进行归一化处理。这样就得到了4×4×4＝64维的描述向量，同理，也可以通过改变窗口大小，得到128维的描述向量。有益效果：本专利技术提出的基于KAZE的图像特征图提取的设计方案，相比于现有的图像特征提取算法，该方案具有如下优点：(1)目前除了KAZE以外的特征检测算法都是基于线性尺度空间，而KAZE所采用的非线性尺度空间细节丢失少，边缘保留更好，信息保留更完整。(2)本方法采用主成分分析方法对描述子进行降维，加快计算速度，对于图像特征提取与匹配具有很好的承接作用，在提高算法的实时性和匹配率方面有较好的效果。附图说明图1是整个基于KAZE的图像特征提取与匹配的流程示意图；图2是对描述子进行主成分分析的流程图。具体实施方式现结合附图对本专利技术的具体实施做进一步详细的说明。本专利技术是一种采用主成分分析方法对描述子进行降维的特征提取方案。基于KAZE图像特征提取算法，考虑到主成分分析方法在数据处理方面可以在保留主要数据成分的前提下进行有效降维，将该方法应用在描述子的处理上，在KAZE算法提取出特征点描述子后，用主成分分析方法将描述子维数降低，去除噪音，提高图像匹配效率。相比较现有的设计流程和KAZE特征提取算法，本专利技术提出了一种使用主成分分析加速KAZE图像特征提取速度的方案。特征描述子的生成是特征提取的最后一步也是最关键的一步，每一个描述子包含了特征点的位置，梯度方向，角度等信息，通过主成分分析的方法，降低描述子的维数，可以加快方案实现速度。该方案的实现及应用过程如下：如图1所示，基于KAZE的图像特征提取方案，包含在以下具体步骤中：步骤一：针对输入图像，采用加性算子分裂算法(Additive Operator Splitting，AOS)来进行非线性扩散滤波。非线性扩散滤波是通过非线性偏微分方程讲图像亮度在不同尺度上的变化视为某种形式的流动函数的散度再利用AOS算法求解方程，即可得到非线性尺度空间的所有图像。步骤二：特征点检测，通过寻找不同尺度归一化后的Hessian局部极大值来寻找特征点。在构造的Hessian矩阵中寻找极值点时，为了加快搜索速度，每一个像素点和它当前尺度，上一尺度，下一尺度上围绕它固定的3*3大小的窗口下的像素点进行比较，以确保在尺度空间和二维图像空间检测到极值点。找到特征点的位置后，根据泰勒展开式，进行亚像素精确定位步骤三：为了实现图像的旋转不变性，需要根据特征点的局部图像结构来确定其主方向。这里作者采用的方法与SURF相似，通过设置特征点搜索半径，对圈内所有邻点的一阶微分值通过高斯加权，是的靠近特征点的相应贡献大，远离特征点的相应贡献小，将微分值视作向量值，并用扇形滑动窗口遍历圆形区域获得最长向量的角度就是主方向。步骤四：对于尺度参数为σi的特征点，在梯度图像上以特征点为中心本文档来自技高网...

【技术保护点】
一种基于KAZE的图像特征提取方法，其特征在于包含以下步骤：步骤一：输入图像L，构造非线性偏微分方程，进行非线性扩散滤波，再利用AOS算法求解方程得到非线性尺度空间的所有图像；步骤二：特征点检测，通过寻找不同尺度归一化后的Hessian局部极大值来寻找特征点，找到特征点的位置后，根据泰勒展开式，进行亚像素精确定位步骤三：根据特征点的局部图像结构来确定其主方向；步骤四：对于尺度参数为σi的特征点，在梯度图像上以特征点为中心取一个的窗口，并将窗口划分为子区域，计算出子区域的描述向量；步骤五：将得到的描述向量用主成分分析方法进行降维处理，得到降维后的描述子，再进行特征匹配。

【技术特征摘要】
1.一种基于KAZE的图像特征提取方法，其特征在于包含以下步骤：步骤一：输入图像L，构造非线性偏微分方程，进行非线性扩散滤波，再利用AOS算法求解方程得到非线性尺度空间的所有图像；步骤二：特征点检测，通过寻找不同尺度归一化后的Hessian局部极大值来寻找特征点，找到特征点的位置后，根据泰勒展开式，进行亚像素精确定位步骤三：根据特征点的局部图像结构来确定其主方向；步骤四：对于尺度参数为σi的特征点，在梯度图像上以特征点为中心取一个的窗口，并将窗口划分为子区域，计算出子区域的描述向量；步骤五：将得到的描述向量用主成分分析方法进行降维处理，得到降维后的描述子，再进行特征匹配。2.如权利要求1所述的一种基于KAZE的图像特征提取方法，其特征在于所述非线性扩散滤波是通过非线性偏微分方程将图像亮度在不同尺度上的变化视为某种形式的流动函数的散度通过设置传导函数c，控制扩散程度和类别让其自适应于图像的局部结构，利用AOS算法得到非线性尺度空间的所有图像。3.如权利要求1所述的一种基于KAZE的图像特征提取方法，其特征在于步骤五中所述的主成分分析方法包含以下步骤：步骤1：输入描述子；步骤2：对描述子标准化；步骤3：构造协方差矩阵，得到特征向量和特征值；步骤4：排列出新的矩阵并筛选；步骤5：映射到新的...

【专利技术属性】
技术研发人员：杨承杰，孙力娟，李林国，郭剑，朱春，瞿佳雯，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32