本发明专利技术公开了一种基于尺度不变特征变换的低维度特征模型图像处理方法，针对关键点方向的求解，本发明专利技术对梯度的求解方法利用的是用每个像素的相邻的8个像素点去求解，而不是像文献[1]中利用上下左右4个点去求解梯度。SIFT是图像的局部特征，而一副图像中只有局部信息是不够全面的，所以有必要对所提取出来的局部特征增加一些全局特征，本发明专利技术借用了物理学中转动惯量的概念为图像增加了全局特征。同时，要对描述子去冗余，本发明专利技术选择采用对提取出来的描述子作进一步的DCT变换，过滤掉那些信息量较少的信息从而达到了去冗余的目的。
【技术实现步骤摘要】
本专利技术涉及一种基于尺度不变特征变换的低维度特征模型图像处理方法，涉及图像特征提取，可用于图像特征匹配、图像检索等领域。
技术介绍
特征提取是图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。在各个不同的应用场合，业界存在多种图像特征提取算法，一般分为全局特征和局部特征，目前比较常用并且比较成熟的全局特征有颜色特征、纹理特征、形状特征、空间关系特征。局部特征主要是指点的特征，点特征在保留图像信息的同时，大幅度降低了特征提取所需要的时间，SIFT算法是比较经典的局部特征提取算法，是由D.G.Lowe在文献[1]中提出。SIFT特征是图像的局部特征，其对光照变化、目标远近变化、目标旋转、视角变换以及部分遮挡具有较好的鲁棒性，同时SIFT特征的独特性好，具有很强的鉴别能力。在文献[1]中，作者提出了一种局部特征描述子，SIFT特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。总体来说，SIFT算子具有以下特性：(1)SIFT特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。(2)独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。(3)多量性，即使少数的几个物体也可以产生大量SIFT特征向量。(4)速度相对较快，经优化的SIFT匹配算法甚至可以达到实时的要求。(5)可扩展性强，可以很方便的与其他形式的特征向量进行联合。虽然SIFT特征提取算法得到了业界的普遍认可，但在实际应用中可以发现它存在着一些缺点。SIFT特征有三个重要的缺点。(1)在SIFT特征提取过程中的细节处理时，对于关键点方向的求解方法不够精确，而关键点的不精确将直接导致最终结果会存在偏差。(2)SIFT是图像的局部特征，而一副图像中只有局部信息是不够全面的，所以有必要对所提取出来的局部特征增加一些全局特征。(3)SIFT特征提取将会提取出大量的描述子，并且这些描述子都是128维的向量，过于复杂的描述子中存在冗余，所以对这些描述子的去冗余是很有必要的。由于SIFT存在着特征抽取耗时较长和获得的特征占用空间较大且存在一定的信息冗余等不足，针对不同的应用场景，很多学者对SIFT提出了不同的改进算法来克服SIFT在各领域的不足，但这些方法都只是克服了SIFT算法某一方面的性能，不具有普遍性。PCA-SIFT是由Y.Ke发表于ComputerVisionandPatternRecognition的一种基于SIFT改进算法，该算法是通过一组典型图像进行SIFT特征抽取和主成分分析得到的投影矩阵，然后使用该投影矩阵实现了SIFT的特征降维，从而降低特征的占用空间去除信息冗余最终生成64维的特征描述子，但该算法的算法性能却比较一般。SURF是HerbertBay发表于Computervisionandimageunderstanding期刊上的一种SIFT改进算法，该算法是使用积分图进行算法加速，从而减少了算法的运算时间，它的耗时大概是SIFT算法的三分之一，但SURF却牺牲了抗尺度变换，抗旋转变换等方面的性能。文献[2]中作者提出了一种基于SIFT的NMI改进方法，该算法利用SIFT算法用于获得图像的特征点的坐标和向量矩阵。然后根据NMI算法和对匹配特征点的获得通过设定阈值来确定是否匹配，提高了匹配的精度和速度。但这并没有解决特征描述子的信息冗余问题。缩略语和关键术语定义DCTDiscreteCosineTransform离散余弦变换DoGDifferenceofGaussians高斯差分HOGHistogramofOrientedGridients梯度方向直方图ISIFTImprovedSIFT改进尺度不变特征变换NMINormalizedMomentofInertia归一化转动惯量PCA-SIFTPrincipleComponentAnalysisSIFTSIFT主成分分析法SIFTScale-invariantFeatureTransform尺度不变特征变换SURFSpeededUpRobustFeatures加速稳健特征参考文献[1]DavidG.LoweDistinctiveImageFeaturesfromScale-InvariantKeypoints.January5,2004.[2]G.XuandC.Ma,\SIFT-NMIAlgorithmforImageMatching,\Control,AutomationandSystemsEngineering(CASE),2011InternationalConferenceon,Singapore,2011,pp.1-4.[3]王忠丰基于离散余弦变换的二值特征描述子应用[期刊论文]-中国科技信息2015(11)[4]杨进.刘建波.赵静.YANGJin.LIUJian-bo.ZHAOJing基于离散余弦变换的图像局部特征描述子[期刊论文]-计算机工程2012(14)[5]白廷柱.侯喜报.BAITing-zhu.HOUXi-bao基于SIFT算子的图像匹配算法研究[期刊论文]-北京理工大学学报2013(6)
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于尺度不变特征变换的低维度特征模型图像处理方法，在保证SIFT原有的良好局部特征的基础上，出于更加准确得描述特征点描述子和降低SIFT描述子维度的目的，本专利技术结合了局部图像的空间关系特征和DCT变换对SIFT进行改进，从而可以更准确的描述特征描述子，并使得最终描述子的维度为65维。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于尺度不变特征变换的低维度特征模型图像处理方法，包括如下步骤：(1)对输入图像建立尺度空间，生成DoG(高斯差分金字塔)空间定义原始输入图像为I(x,y)，根据文献[1]的处理过程生成对应的DoG空间D(x,y,σ)，其中σ表示尺度空间坐标，DoG空间如图1所示；DoG空间包含了原始输入图像在各个尺度σ下的像素差分值，我们可以通过高斯差分金字塔看出图像上的像素值变化情况；DoG空间描绘的是目标的轮廓。(2)在DoG空间中检测出所有局部极值点得到DoG空间后，需要提取DoG空间中各个尺度下的极值点，这些极值点就是图像关键点的候选点；为了寻找DoG空间的极值点，每一个像素都要和它所有的相邻点比较，看看是否是它的图像域和尺度域的相邻点的极大值或极小值；中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。(3)滤除不好的局部极值点，实现对关键点的初步定位对上一步提取出的极值点需要作进一步的过滤处理，按照文献[1]中提到的方法，给定一个阈值t，过滤掉对比度小于t的极值点，使得保留下来的极值点更健壮，并用这些极值点作为图像的关键点；除此外，由于DoG值对噪声和边缘较为敏感，因此在前面DoG尺度空间中检测到的关键点还要经过进一步的检验才能精确定位，根本文档来自技高网...
【技术保护点】
一种基于尺度不变特征变换的低维度特征模型图像处理方法，其特征在于：包括如下步骤：(1)对输入图像建立尺度空间，生成DoG空间；(2)在DoG空间中检测出所有局部极值点；(3)滤除不好的局部极值点，实现对关键点的初步定位；(4)滤除边缘响应的局部极值点，实现对关键点的准确定位；(5)包括步骤(51)、(52)和(53)：(51)统计关键点领域梯度直方图，得到关键点的主方向和大小；(52)对关键点领域按其主方向进行旋转，得到关键点领域内各个像素点旋转后的梯度方向和大小，按旋转后各个像素点的位置和方向排列生成128维SIFT描述子；(53)对128维SIFT描述子作DCT变换，并对变换后的序列进行取舍以生成低维向量，具体方法为：首先将128维SIFT描述子按顺序分为16组序列{Ai}，i＝1,2,…,16，每组序列包括8个数据，记为Ai＝{ai1,ai2,ai3,ai4,ai5,ai6,ai7,ai8}；然后对Ai作DCT变换，得到Ci＝{ci1,ci2,ci3,ci4,ci5,ci6,ci7,ci8}，取Ci的前四个数构成Ci'＝{ci1,ci2,ci3,ci4}，16组序列重新构成64维向量；(6)包括步骤(61)、(62)和(63)：(61)求取关键点领域的质量和重心，具体方法为：记某关键点领域内像素点(i,j)的像素值为K(i,j)，将各个像素值视为物理学中平面物体的质点质量，则该关键点领域的质量为该关键点领域的重心为：i‾=Σi=1NΣj=1N(i×K(i,j))m,j‾=Σi=1NΣj=1N(j×K(i,j))m]]>其中：1≤i≤N为该关键点领域的x轴取值范围，1≤j≤N为该关键点领域的y轴取值范围；(62)求取关键点领域绕其重心旋转的转动惯量，具体方法为：μ=Σi=1NΣj=1N[(i-i‾)2+(j-j‾)2]×K(i,j);]]>(63)对转动惯量进行标准化，得到关键点领域的NMI特征为：(7)将步骤(5)得到的64维向量和步骤(6)得到的NMI特征组合为一个65维向量，作为一个关键点的描述子。...
【技术特征摘要】
1.一种基于尺度不变特征变换的低维度特征模型图像处理方法，其特征在于：包括如下步骤：(1)对输入图像建立尺度空间，生成DoG空间；(2)在DoG空间中检测出所有局部极值点；(3)滤除不好的局部极值点，实现对关键点的初步定位；(4)滤除边缘响应的局部极值点，实现对关键点的准确定位；(5)包括步骤(51)、(52)和(53)：(51)统计关键点领...
【专利技术属性】
技术研发人员：徐平平，林志强，张成，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
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。