一种基于边缘变换域的局部特征提取方法技术

本发明专利技术提供一种基于边缘变换域的局部特征提取方法，其步骤如下：1）生成边缘特征图：采用自适应Canny算子生成图像的边缘特征图，捕获原图上的高频信息；2）生成编码特征图：利用局部二值模式（LBP）、局部边界求和模式（LBSP）、局部区域求和模式（LRSP）等3种局部特征模式生成不同局部区域的编码特征图；3）计算局部特征：利用映射方法对编码特征图中的编码值进行映射，并计算直方图向量生成局部特征；4）特征优化：利用特征选择和特征融合操作优化特征，得到最终特征。本发明专利技术方法具有很好的烟雾辨识能力，烟雾识别时训练得到的分类模型能够很好地检测出烟雾视频中的烟雾区域，得到很好的烟雾预警效果。雾预警效果。雾预警效果。

【技术实现步骤摘要】
一种基于边缘变换域的局部特征提取方法


[0001]本发属于烟雾检测领域，具体涉及一种基于边缘变换域的局部特征提取方法。

技术介绍

[0002]视觉烟雾检测已成为当前早期火灾探测领域的研究热点和难点，其检测率直接影响到视觉火灾探测技术的应用。近年来，随着数字图像处理、视频分析、模式识别、机器学习等技术的发展，视觉火灾探测对烟雾的检测率有了更高的要求。火灾中烟雾的视觉特征通常呈现出形态多变、颜色各异、透明度差异大、运动无规律等特点，易受外界环境影响，稳定性差，这使得从视频和图像中提取表达能力强、鲁棒性好的烟雾特征成为了提高烟雾检测率的技术难题。实际监控系统中，不同的监控摄像机受到摄像机位置、光照强度、天气变化等因素的影响，导致视频图像中的烟雾分布与实验数据中的烟雾分布具有很大差异。即使是同一时刻同一地点的烟雾，在视频图像中呈现出的颜色、形状、纹理等特征上也存在较大差异。这使得烟雾检测方法在实际应用过程中不能获得令人满意的性能，其检测率、误报率、错误率等评价指标仍有待进一步改善，故提取表达能力强、鲁棒性好的烟雾特征是改善这些评价指标的前提条件。
[0003]烟雾通常被视为边缘模糊、形状易变的流体对象。烟雾刚出现时，会使视频图像中的场景变得模糊，然后背景和其他物体上的直线边缘将逐渐消失，同时烟雾所产生的弯曲边缘和纹理特征也会逐渐显现。烟雾在纹理、边缘等方面特点鲜明，具有明显弯曲、模糊的边缘特征，而场景中的人造物体通常含有大量直线边缘、少量曲线边缘等特征。因此，如何对图像进行边缘检测生成边缘特征图，获得原图中的特定的高频信息，从边缘特征图上提取特征以此增强烟雾特征的表达能力，从而提高烟雾检测率十分重要。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于边缘变换域的局部特征提取方法，其步骤如下：
[0005]1)生成边缘特征图：采用自适应Canny算子生成图像的边缘特征图，捕获原图上的高频信息；
[0006]2)生成编码特征图：利用局部二值模式(LBP)、局部边界求和模式(LBSP)、局部区域求和模式(LRSP)等3种局部特征模式生成不同局部区域的编码特征图；
[0007]3)计算局部特征：利用映射方法对编码特征图中的编码值进行映射，并计算直方图向量生成局部特征；
[0008]4)特征优化：利用特征选择和特征融合操作优化特征，得到最终特征。
[0009]优选的，步骤1)所述Canny算子方法步骤如下：
[0010]1)利用二阶高斯滤波器对原始图像进行平滑处理，去掉图像中的毛刺和减少噪声：
[0011]假设I(x,y)为原始图像，S(x,y)为平滑原始图像的输出图像。平滑操作先是利用
高斯函数生成离散的二阶高斯滤波器g(x,y)，再利用二阶高斯滤波器对原始图像进行卷积操作，以实现平滑图像的作用。高斯函数G(x,y)和计算S(x,y)的表达式分别如公式(1)和(2)所示。
[0012][0013]S(x,y)＝I(x,y)*g(x,y) (2)
[0014]其中，σ为高斯函数标准差，*为卷积操作；
[0015]2)利用一阶偏导数的有限差分方法对平滑后的图像进行运算，得到图像中像素的梯度幅值和方向：
[0016]对平滑后的图像S(x,y)进行梯度运算，得到梯度幅度图像M(x,y)和梯度方向图像A(x,y)。计算M(x,y)和A(x,y)的表达式如公式(3)和(4)所示。
[0017][0018][0019]其中，S
x
(x,y)和S
y
(x,y)分别表示x和y方向上的偏导数，偏导数一般用一阶有限差分来近似计算，其表达式如公式(5)所示。
[0020][0021]公式(5)计算出来的梯度方向是一个模拟量。为便于下一步进行梯度幅值的非极大值抑制，在此将梯度方向量化为4个值，表示4个方向(水平、垂直、45
°
和
‑
45
°
)，量化后得到的梯度方向图像用A
*
(x,y)表示；
[0022]3)对梯度幅值进行非极大值抑制：梯度幅值非极大值抑制的主要作用是细化边缘，使输出的边缘点是单一的边缘响应。设非极大值抑制后获得的图像为C(x,y)，非极大值抑制的具体过程如下。对于像素点C(x0,y0)，在方向图像A
*
(x,y)和梯度幅值M(x,y)中找到对应的像素点A
*
(x0,y0)和M(x0,y0)。在图像M(x,y)中，比较M(x0,y0)的幅值与A
*
(x0,y0)所指方向上的两个邻域幅值。若像素点M(x0,y0)的幅值小于两个相邻像素点的任一幅值，则C(x,y)图像中像素点C(x0,y0)的值为0(即为抑制)，否则像素点C(x0,y0)的值等于M(x0,y0)；
[0023]4)采用高低阈值去除伪边缘、连接弱边缘得到最终边缘图像：
[0024]得到非极大值抑制的图像C(x,y)后，通过设置高低阈值(T
H
和T
L
)对图像C(x,y)分别进行二值化，得到二值图像C
H
(x,y)和C
L
(x,y)。图像C
H
(x,y)是利用高阈值生成，仅包含真正边缘(强边缘)，不包含假边缘和弱边缘，但在轮廓上通常存在断裂的现象。图像C
L
(x,y)是利用低阈值生成，包含强边缘和弱边缘。由C
H
(x,y)和C
L
(x,y)可生成强边缘图像C
P
(x,y)和弱边缘图像C
W
(x,y)，计算表达式分别如公式(6)和(7)所示。
[0025]C
P
(x,y)＝C
H
(x,y) (6)
[0026]C
W
(x,y)＝C
L
(x,y)
‑
C
H
(x,y) (7)
[0027]由于强边缘图像C
P
(x,y)中的边缘通常是不连续的，有必要利用弱边缘图像C
W
(x,y)中的弱边缘信息将强边缘连接起来。1)将C
P
(x,y)中每个未被标记过的强边缘像素点P，
搜索C
W
(x,y)中与像素点P对应位置的8个邻域像素点。若邻域像素点中存在弱边缘像素点，则标记C
P
(x,y)中的像素点P(表示P点已被搜索)，同时在C
W
(x,y)中标记这些弱边缘像素点(表示这些弱边缘像素点与强边缘相邻，是边缘点)，直到C
P
(x,y)中的所有强边缘像素点都被标记。2)将图像C
W
(x,y)中没有被标记的弱边缘像素点全部删除，生成图像并将与C
P
(x,y)相加，即可得到最终完整的二值边缘特征图I
C
(x,y)。图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘变换域的局部特征提取方法，其特征在于，其步骤如下：1)生成边缘特征图：采用自适应Canny算子生成图像的边缘特征图，捕获原图上的高频信息；2)生成编码特征图：利用局部二值模式(LBP)、局部边界求和模式(LBSP)、局部区域求和模式(LRSP)等3种局部特征模式生成不同局部区域的编码特征图；3)计算局部特征：利用映射方法对编码特征图中的编码值进行映射，并计算直方图向量生成局部特征；4)特征优化：利用特征选择和特征融合操作优化特征，得到最终特征。2.根据权利要求1所述的一种基于边缘变换域的局部特征提取方法，其特征在于，步骤1)所述Canny算子方法步骤如下：1)利用二阶高斯滤波器对原始图像进行平滑处理，去掉图像中的毛刺和减少噪声：假设I(x,y)为原始图像，S(x,y)为平滑原始图像的输出图像。平滑操作先是利用高斯函数生成离散的二阶高斯滤波器g(x,y)，再利用二阶高斯滤波器对原始图像进行卷积操作，以实现平滑图像的作用。高斯函数G(x,y)和计算S(x,y)的表达式分别如公式(1)和(2)所示。S(x,y)＝I(x,y)*g(x,y) (2)其中，σ为高斯函数标准差，*为卷积操作；2)利用一阶偏导数的有限差分方法对平滑后的图像进行运算，得到图像中像素的梯度幅值和方向：对平滑后的图像S(x,y)进行梯度运算，得到梯度幅度图像M(x,y)和梯度方向图像A(x,y)。计算M(x,y)和A(x,y)的表达式如公式(3)和(4)所示。y)。计算M(x,y)和A(x,y)的表达式如公式(3)和(4)所示。其中，S
x
(x,y)和S
y
(x,y)分别表示x和y方向上的偏导数，偏导数一般用一阶有限差分来近似计算，其表达式如公式(5)所示。公式(5)计算出来的梯度方向是一个模拟量。为便于下一步进行梯度幅值的非极大值抑制，在此将梯度方向量化为4个值，表示4个方向(水平、垂直、45
°
和
‑
45
°
)，量化后得到的梯度方向图像用A
*
(x,y)表示；3)对梯度幅值进行非极大值抑制：梯度幅值非极大值抑制的主要作用是细化边缘，使输出的边缘点是单一的边缘响应。设非极大值抑制后获得的图像为C(x,y)，非极大值抑制的具体过程如下。对于像素点C(x0,y0)，在方向图像A
*
(x,y)和梯度幅值M(x,y)中找到对应的像素点A
*
(x0,y0)和M(x0,y0)。在图像M(x,y)中，比较M(x0,y0)的幅值与A
*
(x0,y0)所指方向
上的两个邻域幅值。若像素点M(x0,y0)的幅值小于两个相邻像素点的任一幅值，则C(x,y)图像中像素点C(x0,y0)的值为0(即为抑制)，否则像素点C(x0,y0)的值等于M(x0,y0)；4)采用高低阈值去除伪边缘、连接弱边缘得到最终边缘图像：得到非极大值抑制的图像C(x,y)后，通过设置高低阈值(T
H
和T
L
)对图像C(x,y)分别进行二值化，得到二值图像C
H
(x,y)和C
L
(x,y)。图像C
H
(x,y)是利用高阈值生成，仅包含真正边缘(强边缘)，不包含假边缘和弱边缘，但在轮廓上通常存在断裂的现象。图像C
L
(x,y)是利用低阈值生成，包含强边缘和弱边缘。由C
H
(x,y)和C
L
(x,y)可生成强边缘图像C
P
(x,y)和弱边缘图像C
W
(x,y)，计算表达式分别如公式(6)和(7)所示。C
P
(x,y)＝C
H
(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)C
W
(x,y)＝C
L
(x,y)
‑
C
H
(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)由于强边缘图像C
P
(x,y)中的边缘通常是不连续的，有必要利用...

【专利技术属性】
技术研发人员：胡海霞，李钢，
申请(专利权)人：南昌师范学院，
类型：发明
国别省市：