一种基于图像轮廓Freeman链码的角点特征提取方法技术

一种基于图像轮廓Freeman链码的角点特征提取方法，在对图像预处理后，首先提取多边形轮廓，再将多边形轮廓用Freeman链码进行编码，计算一阶差别码，然后区分出局部角点、非局部角点和可疑点，利用曲率和距离过滤可疑点，得到多边形轮廓的所有局部角点，然后利用角点连线的夹角和角点的曲率曲率做最后筛选。本发明专利技术可在不增加太多步骤的同时，既保留了原有算法计算效率高的优点，又针对实际使用时复杂多变的情况，稳定了算法的运行时间和角点的数量，并且保证角点的质量，有利于学习到更有效的物体特征。

【技术实现步骤摘要】
一种基于图像轮廓Freeman链码的角点特征提取方法
本专利技术涉及图像识别
，特别涉及一种基于图像轮廓Freeman链码的角点特征提取方法。
技术介绍
角点作为图像上的特征点，包含有重要的信息，对图像图形的理解和分析有很重要的作用，我们在对物体特征进行学习时，通常会对其进行角点特征的提取，角点检测算法可归纳为三类：基于灰度图像的角点检测、基于二值图像的角点检测和基于轮廓曲线的角点检测，其中基于轮廓曲线的角点检测与另两类算法相比，计算数据量较少，在需要实时处理的系统中具有很高的价值。在以往的基于轮廓曲线的角点检测方法中，基于Freeman链码的方法虽然具有计算效率高和不受图像平移、旋转影响的优点（相关专利有“基于差别累加值及三点链码差的曲线拐角点检测方法（CN101887582A）”、相关文献有“汪剑等《基于Freeman链码的汉字图像轮廓曲线拐角点检测方法（自动化技术与应用）》2009，第28卷（第1期）”等），然而在实际情况下，直接使用这类基于Freeman链码的方法还有以下不足之处：1．物体轮廓形状千变万化，现有的轮廓提取算法不一定能提取到很准确的轮廓，从而导致提取角点时遇到很多噪声；2．算法本身提取到的角点数量、质量会随着算法内部一些参数的变化而产生较大的波动，可能会提取到很多特征不够明显的角点；3．物体轮廓长度范围跨度很大，而算法的计算时间和轮廓长度密切相关，这使得算法的运行时间不够稳定；4．Freeman链码仅以局部特征对轮廓做编码，容易受到干扰，特别对于轮廓形状为圆弧形的情况，容易将一部分点误判为角点。
技术实现思路
本专利技术要解决的技术问题是：提供一种基于图像轮廓Freeman链码的角点特征提取方法，不仅保留了原有算法计算效率高的优点，而且针对实际使用时复杂多变的情况，稳定了算法的运行时间和运行结果，有利于学习到更有效的物体特征，以克服已有技术所存在的上述不足。本专利技术采取的技术方案是：一种基于图像轮廓Freeman链码的角点特征提取方法，包括以下步骤：A．缩放图像，对图像进行预处理；B．提取物体的二值图像，再提取物体二值图像中面积最大的闭合轮廓，即物体的外轮廓；C．采用轮廓曲线的多边形近似算法提取物体外轮廓的多边形近似轮廓，以此代替原始轮廓；D．将多边形轮廓用Freeman链码进行编码，得到多边形轮廓的Freeman链码表示；E．计算轮廓上各点的一阶差别码；F．根据一阶差别码的值初步判定角点，得到确定的局部角点和可疑点；G．计算可疑点的曲率，用一个较小的曲率阈值筛选可疑点，筛选后的可疑点作为可能的局部角点；H．筛选步骤G中找出的可能的局部角点；I．将步骤F中确定的局部角点与步骤H中筛选出的可能的局部角点合在一起进行筛选，得到多边形轮廓的所有局部角点；J．顺次连接局部角点，得到一个由局部角点作为顶点组成的多边形，根据该多边形各顶点处的角度大小，筛选步骤I中提取出的局部角点，筛选的结果为角点；K．用一个较大的曲率阈值筛选步骤J中提取出的角点，筛选的结果作为多边形轮廓上最终提取到的角点；L．将每个多边形轮廓上的角点，对应还原到原始轮廓上与这个角点距离最近的点，还原后的点为最终提取结果，从而将多边形轮廓的提取结果还原到原始轮廓上。其进一步的技术方案为：所述步骤A具体为将图像的短边长度缩放至固定长度y，并保持新图的长宽比与原始图像相同，若新图的长宽比大于设定的最大长宽比x，则将新图的长宽比设为设定的最大长宽比x，所述x的取值范围为3.5≤x≤5.0，y的取值范围为100≤y≤150；所述步骤B中采用图像分割算法提取物体的二值图像以及采用轮廓提取算法提取物体二值图像中面积最大的闭合轮廓。进一步：所述步骤C中，多边形近似轮廓与原始轮廓的误差距离保持在z个像素之内，所述z的取值范围为5.0≤z≤10.0。进一步：所述步骤D具体包括以下步骤：d1．采用8-Freeman链码，所述8-Freeman表示相邻两像素连线的八种可能方向值，用ai表示由轮廓第i个点指向第i+1个点的方向链码，则：，最终多边形表示为ai的有序集合；d2．设定目标的轮廓曲线为8连接的数字化封闭曲线，以轮廓最上方的点作为起始点（如果有多个点，就取最左边的点）开始逆时针方向搜索编码，即得到多边形轮廓的Freeman链码表示。进一步：所述步骤E中，一阶差别码计算公式如下：，其中，di表示轮廓上第i个点的差别码，由此得到差别码的值分别为0，1，2，3或4。更进一步：所述步骤F中，判定局部角点的准则如下：准则1：如果di=0或4，则i点不是局部角点；准则2：如果di=3，则i点是局部角点；准则3：如果di=1或2，则i点为可疑点。进一步：所述步骤G具体包括以下步骤：g1．设轮廓上第i个点为可疑点，计算其曲率αi，公式如下：，式中，s为预先设定的值，（xi-s，yi-s）、（xi，yi）和（xi+s，yi+s）分别为，从轮廓起始点开始，逆时针数到第i-s、第i和第i+s个点的坐标，α1为点i+s与点i的连线l1与X轴的夹角的值，α2为点i与点i-s的连线l2与X轴的夹角的值，αi为l1和l2的锐角夹角的值，α1、α2单位均为弧度，所述s的取值范围为2≤s≤7；g2．选取两个不同的s值，通过步骤g1分别计算出两个曲率αi1和αi2，取较大值作为点i的曲率αi；g3．若αi>T1（T1为预先设定的阈值），则点i为一个可能的局部角点，所述T1的取值范围为0.5≤T1≤0.57；g4．对所有可疑点执行上述g1、g2、g3步骤，最后筛选出可能的局部角点；所述步骤K为根据步骤g1中的公式，计算每个角点i的曲率αi，若αi>T2（T2为预先设定的阈值），则点i保留在最终结果中，否则不保留，所述T2的取值范围为0.69≤T2≤0.75。更进一步：所述步骤H具体包括以下步骤：h1．按照凹凸性，将步骤G中筛选得到的可能的局部角点分为可能的局部凹角点和可能的局部凸角点，公式如下：x0=xi－xi-s，y0=yi－yi-s，x1=xi+s－xi，y1=yi+s－yi，其中s、xi-s、yi-s、xi、yi、xi+s、yi+s与步骤g1中的含义相同，则点i（xi，yi）的凹凸类型：，式中，concave为凹点，convex为凸点，x0y1－x1y0为向量叉积，选取两个s值，分别计算出两个向量叉积，取其和作为最终叉积值，并通过向量叉积正负来判断点i－s→i→i+s的顺逆方向，若叉积为正，则方向为顺时针，i是凹点，若叉积为负，则方向为逆时针，i是凸点；h2．若一对可能的局部凹角点之间的轮廓点数小于给定值n，则只保留曲率更大的可能的局部凹角点，重复此过程直到相邻的可能的局部凹角点之间的轮廓点本文档来自技高网...

【技术保护点】
1.一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：包括以下步骤：/nA．缩放图像，对图像进行预处理；/nB．提取物体的二值图像，再提取物体二值图像中面积最大的闭合轮廓，即物体的外轮廓；/nC．采用轮廓曲线的多边形近似算法提取物体外轮廓的多边形近似轮廓，以此代替原始轮廓；/nD．将多边形轮廓用Freeman链码进行编码，得到多边形轮廓的Freeman链码表示；/nE．计算轮廓上各点的一阶差别码；/nF．根据一阶差别码的值初步判定角点，得到确定的局部角点和可疑点；/nG．计算可疑点的曲率，用一个较小的曲率阈值筛选可疑点，筛选后的可疑点作为可能的局部角点；/nH．筛选步骤G中找出的可能的局部角点；/nI．将步骤F中确定的局部角点与步骤H中筛选出的可能的局部角点合在一起进行筛选，得到多边形轮廓的所有局部角点；/nJ．顺次连接局部角点，得到一个由局部角点作为顶点组成的多边形，根据该多边形各顶点处的角度大小，筛选步骤I中提取出的局部角点，筛选的结果为角点；/nK．用一个较大的曲率阈值筛选步骤J中提取出的角点，筛选的结果作为多边形轮廓上最终提取到的角点；/nL．将每个多边形轮廓上的角点，对应还原到原始轮廓上与这个角点距离最近的点，还原后的点为最终提取结果，从而将多边形轮廓的提取结果还原到原始轮廓上。/n...

【技术特征摘要】
1.一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：包括以下步骤：
A．缩放图像，对图像进行预处理；
B．提取物体的二值图像，再提取物体二值图像中面积最大的闭合轮廓，即物体的外轮廓；
C．采用轮廓曲线的多边形近似算法提取物体外轮廓的多边形近似轮廓，以此代替原始轮廓；
D．将多边形轮廓用Freeman链码进行编码，得到多边形轮廓的Freeman链码表示；
E．计算轮廓上各点的一阶差别码；
F．根据一阶差别码的值初步判定角点，得到确定的局部角点和可疑点；
G．计算可疑点的曲率，用一个较小的曲率阈值筛选可疑点，筛选后的可疑点作为可能的局部角点；
H．筛选步骤G中找出的可能的局部角点；
I．将步骤F中确定的局部角点与步骤H中筛选出的可能的局部角点合在一起进行筛选，得到多边形轮廓的所有局部角点；
J．顺次连接局部角点，得到一个由局部角点作为顶点组成的多边形，根据该多边形各顶点处的角度大小，筛选步骤I中提取出的局部角点，筛选的结果为角点；
K．用一个较大的曲率阈值筛选步骤J中提取出的角点，筛选的结果作为多边形轮廓上最终提取到的角点；
L．将每个多边形轮廓上的角点，对应还原到原始轮廓上与这个角点距离最近的点，还原后的点为最终提取结果，从而将多边形轮廓的提取结果还原到原始轮廓上。


2.根据权利要求1所述的一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：所述步骤A具体为将图像的短边长度缩放至固定长度y，并保持新图的长宽比与原始图像相同，若新图的长宽比大于设定的最大长宽比x，则将新图的长宽比设为设定的最大长宽比x，所述x的取值范围为3.5≤x≤5.0，y的取值范围为100≤y≤150；
所述步骤B中采用图像分割算法提取物体的二值图像以及采用轮廓提取算法提取物体二值图像中面积最大的闭合轮廓。


3.根据权利要求1所述的一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：所述步骤C中，多边形近似轮廓与原始轮廓的误差距离保持在z个像素之内，所述z的取值范围为5.0≤z≤10.0。


4.根据权利要求1所述的一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：所述步骤D具体包括以下步骤：
d1．采用8-Freeman链码，所述8-Freeman表示相邻两像素连线的八种可能方向值，用ai表示由轮廓第i个点指向第i+1个点的方向链码，则：

，
最终多边形表示为ai的有序集合；
d2．设定目标的轮廓曲线为8连接的数字化封闭曲线，以轮廓最上方的点作为起始点（如果有多个点，就取最左边的点）开始逆时针方向搜索编码，即得到多边形轮廓的Freeman链码表示。


5.根据权利要求1所述的一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：所述步骤E中，一阶差别码计算公式如下：

，
其中，di表示轮廓上第i个点的差别码，由此得到差别码的值分别为0，1，2，3或4。


6.根据权利要求5所述的一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：所述步骤F中，判定局部角点的准则如下：
准则1：如果di=0或4，则i点不是局部角点；
准则2：如果di=3，则i点是局部角点；
准则3：如果di=1或2，则i点为可疑点。


7.根据权利要求1所述的一种基于图像轮廓Freeman链码的角点特征提取方法，其特征在于：所述步骤G具体包括以下步骤：
g1．设轮廓上第i个点为可疑点，计算其曲率αi，公式如下：

，
式中，s为预先设定的值，（xi-s，yi-s）、（xi，yi）和（xi+s，yi+s）分别为，从轮廓起始点开始，逆时针数到第i-s、第i和第i+s个点的坐标，α1为点i+s与点i的连线l1与X轴的夹角的值，α2为点i与点i-s的连线l2与X轴的夹角的值，αi为l1和l2的锐角夹角的值，α1、...

【专利技术属性】
技术研发人员：陆晓，陈文斌，覃文昌，
申请(专利权)人：柳州智视科技有限公司，
类型：发明
国别省市：广西;45