The invention discloses an image corner detection and classification method based on a support domain. The idea is to obtain an image I to be detected
【技术实现步骤摘要】
一种基于支撑域的图像角点检测和分类方法
本专利技术属于图像处理
,特别涉及一种基于支撑域的图像角点检测和分类方法,适用于自然图像或人造图像中的角点检测。
技术介绍
人类接收的信息大约有三分之二来自图像,而图像的基础特征包含边缘点和角点;角点指二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点,并包含了图像中重要的结构信息,具有几何变换不变性;因此角点在图像处理和计算机视觉中起着关键的作用,不仅保留了图像中物体的重要特征信息,同时又有效地减少了重要特征信息的数据量,而且在目标识别、图像配准、人脸检测与识别、侦察与定位,以及三位重建等领域中都有广泛应用,所以角点检测也是图像分割或图像配准图像后期处理过程的前提。现有的角点检测方法很多,大致分为三类:基于灰度变化的角点检测方法、基于模型匹配的角点检测方法和基于边缘轮廓线的角点检测方法。基于灰度变化的角点检测方法依据图像像素点及像素点周围像素的灰度变化情况,利用一阶或二阶微分算子检测角点,由于二阶微分算子对噪声非常敏感,因此通常采用一阶微分算子提取角点;Moravec提出的基于灰度变化的角点检测方法计算简单,运行速度快但对噪声敏;Harris等对基于灰度变化的角点检测方法进行了改进后得到经典的Harris角点检测算法,经典的Harris角点检测算法首先利用图像的一阶导数估计局部梯度自相关矩阵,然后根据局部梯度自相关矩阵的特征值判定图像的像素点是否为角点,经典的Harris角点检测算法具有一定旋转平移不变性,可靠性较高,但同性高斯核函数对噪声敏感,角点的定位性也不好。基于模型匹配的角点检测方法通过将图像和预 ...
【技术保护点】
一种基于支撑域的图像角点检测和分类方法,其特征在于,包括以下步骤:步骤1,获取一幅待检测的图像,记为I
【技术特征摘要】
1.一种基于支撑域的图像角点检测和分类方法,其特征在于,包括以下步骤:步骤1,获取一幅待检测的图像,记为I0,并对待检测的图像I0进行平滑处理,得到平滑处理后的图像I,然后对平滑处理后的图像I进行边缘检测,得到平滑处理后的图像I包含的H个边缘点,并将所述H个边缘点作为候选角点集;H为自然数;步骤2,获取滤波器组,所述滤波器组由K个方向不同的滤波器构成,所述滤波器组中以方向为0度的滤波器作为主滤波器,滤波器组中第k个滤波器的方向θk为2π*(k-1)/K,k∈{1,2,…,K},并计算得到由K个方向不同的滤波器模版构成的滤波器组F;步骤3,根据由K个方向不同的滤波器模版构成的滤波器组F,计算得到H个候选角点的角点测度集Area_edge;步骤4,对所述H个候选角点的角点测度集Area_edge依次进行非极大值抑制和阈值判断,得到待检测的图像I0中包含的T个真实角点;步骤5,对待检测的图像I0中包含的T个真实角点进行角点分类,得到T个真实角点各自包含的峰值个数,进而完成待检测的图像I0中包含的T个真实角点的分类。2.如权利要求1所述的一种基于支撑域的图像角点检测和分类方法,其特征在于,步骤1的子步骤为:1.1获取一幅待检测的图像,记为I0,然后采用高斯滤波器对待检测的图像I0进行平滑处理,得到平滑处理后的图像I;n表示平滑处理后的图像I中的像素点索引,n∈{1,2,...,N},N表示平滑处理后的图像I中的像素点总数;n′表示平滑处理后的图像I中的候选边缘点索引,n′∈{1,2,…,L},L表示平滑处理后的图像I包含的候选边缘点总数,L≤N,n的初始值为1,n′的初始值为0;1.2计算平滑处理后的图像I中第n个像素点分别沿垂直于边缘方向和平行于边缘方向的梯度值,由此计算平滑处理后的图像I中第n个像素点的近似边缘方向角1.3对平滑处理后的图像I进行非极大值抑制,即选取平滑处理后的图像I中第n个像素点,并沿第n个像素点的近似边缘方向比较第n个像素点的像素值与邻近位置点的像素值,然后判断第n个像素点的像素值是否为第n个像素点的近似边缘方向上的局部极大值,如果第n个像素点的像素值是第n个像素点的近似边缘方向的像素极大值,则将第n个像素点作为第n′个候选边缘点,并令n′加1;若第n个像素点的像素值不是第n个像素点的近似边缘方向的像素极大值,则舍弃第n个像素点;1.4令n加1,重复执行子步骤1.3,直到得到平滑处理后的图像I中包含的L个候选边缘点;1.5分别设置Canny边缘检测高阈值Thigh和Canny边缘检测低阈值Tlow,Thigh>Tlow,l表示L个候选边缘点中的候选边缘点索引,l∈{1,2,...,L},L表示平滑处理后的图像I中包含的候选边缘点总数;l′表示H个边缘点中的边缘点索引,l′∈{1,2,...,H},H表示平滑处理后的图像I中包含的边缘点总数;l的初始值为1,l′的初始值为0;1.6从L个候选边缘点选取第l个候选边缘点,并将所述第l个候选边缘点依次与设置的Canny边缘检测高阈值Thigh和设置的Canny边缘检测低阈值Tlow进行比较:若第l个候选边缘点的像素值大于设置的Canny边缘检测高阈值Thigh,则认为第l个候选边缘点为强边缘点,进而将第l个强边缘点作为第l′个边缘点,并令l′加1;若第l个候选边缘点的像素值小于设置的Canny边缘检测高阈值Thigh且大于设置的Canny边缘检测低阈值Tlow,则认为第l个候选边缘点为弱边缘点;如果第l个候选边缘点四邻接或者八邻接到强边缘点上,则第l个候选边缘点也认为是一个边缘点,将其作为第l′个边缘点,并令l′加1;如果第l个候选边缘点并未四邻接或者八邻接到强边缘点上,则舍弃第l个候选边缘点;1.7令l加1,重复执行子步骤1.6,直到得到平滑处理后的图像I包含的H个边缘点,并将所述平滑处理后的图像I包含的H个边缘点作为候选角点集。3.如权利要求1所述的一种基于支撑域的图像角点检测和分类方法,其特征在于,步骤2的子步骤为:2.1获取滤波器组,所述滤波器组由K个方向不同的滤波器组成,滤波器组中滤波器索引为k的滤波器方向为θk,且θk=2π*(k-1)/K;设定滤波器组中K个滤波器的尺寸分别为Mw×Mw,Mw为正整数,同时分别将K个滤波器各自的矩形窗的中心作为笛卡尔坐标系原点,则分别得到K个滤波器各自的矩形窗的长度x′范围和K个滤波器各自的矩形窗的宽度y′范围:x′∈[-Mw/2,Mw/2],y′∈[-Mw/2,Mw/2];设定方向为θk的滤波器矩形窗包含Pk个坐标点;选取方向为θk的滤波器矩形窗中的任意一点,记为[xg,yg],根据旋转公式计算得到方向为0的主滤波器的矩形窗中的对应坐标点[vv,uu],其旋转公式为:vv=yg*cosθk-xg*sinθk,uu=xg*cosθk+yg*sinθk,方向为θk的滤波器矩形窗中的坐标为[xg,yg]的点和方向为0的主滤波器的矩形窗的坐标为[vv,uu]的点对应的滤波器值相等;2.2初始化:k表示滤波器组中的滤波器索引,k∈{1,2,…,K},K表示获取的滤波器组中包含的滤波器个数,所述K个滤波器方向不同;m∈{1,2,…,Pk},Pk表示方向为θk的滤波器矩形窗中包含的坐标点个数,m表示方向为θk的滤波器矩形窗中第m个坐标点;k的初始值为1,m的初始值为1,P1表示方向为0的主滤波器矩形窗中包含的坐标点个数;当k=1时,θk=0;方向为0的主滤波器水平方向服从加入ns长度平坦区的高斯分布,但方向为0的主滤波器对其进行了调偏,即沿水平方向进行了平移,平移长度为nb;方向为0的主滤波器垂直方向服从高斯函数一阶导数。水平方向的高斯函数的方差和垂直方向的高斯函数的方差不同,分别记为σv和σu,方向为0的主滤波器的各向异性比为ρ=σv/σu,ρ>1;然后计算方向为0的主滤波器矩形窗对应的主滤波器模板Fθ=0(vv,uu),其表达式为:其中,ns表示方向为0的主滤波器水平方向加入平坦区的长度,nb表示沿方向为0的主滤波器水平方向上的调偏长度;2.3以方向为θk的滤波器的矩形窗中心点作为笛卡尔坐标系的原点构建方向为θk的滤波器对应坐标系,然后对方向为θk的滤波器矩形窗中第m个坐标点[xgm,ygm]根据旋转公式vv0m=ygm×cosθk-xgm×sinθk,uu0m=xgm×cosθk+ygm×sinθk,计算方向为θk的滤波器矩形窗中第m个坐标点对应于方向为0的主滤波器的矩形窗中点的坐标为[vv0m,uu0m],再根据所述方向为θk的滤波器矩形窗中第m个坐标点对应于方向为0的主滤波器的矩形窗中点的坐标为[vv0m,uu0m],计算得到方向为θk的滤波器矩形窗中第m个坐标点[xgm,ygm]的滤波器值,所述第m个坐标点[xgm,ygm]的滤波器值等于方向为0的主滤波器中第m个坐标点[vv0m,uu0m]的滤波器值其表达式为:
【专利技术属性】
技术研发人员:冯大政,郑高洋,冯祥卫,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
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。