基于极坐标循环卷积层提取旋转不变性特征的方法及装置制造方法及图纸

本发明专利技术公开了一种基于极坐标循环卷积层提取旋转不变性特征的方法及装置，该方法包括：对第一像素图像进行任一角度旋转变换，得到第二像素图像，第一像素图像包含待旋转不变性特征提取的目标；对第二像素图像进行极坐标变换，得到第二像素图像的映射图像；对映射图像进行循环卷积，提取目标的旋转不变性特征。解决了现有技术中提取目标图像的旋转不变性存在着工作效率低，旋转不变性特征学习网络适应性差的问题。应性差的问题。应性差的问题。

【技术实现步骤摘要】
基于极坐标循环卷积层提取旋转不变性特征的方法及装置


[0001]本专利技术属于图像处理领域，尤其涉及一种基于极坐标循环卷积层提取旋转不变性特征的方法及装置。

技术介绍

[0002]从广义上来说，特征是用来描述一个客体或一组客体特性的抽象结果，而这些客体中都包含有众多特性，这些特性抽象成特征。对于客体本身来说，特征是其一些突出性质的表现，也是用于区别客体事物的特点信息。在图像处理领域中，特征是用来描述图像的特性，从图像范围角度可以分为局部特征、角点特征以及全局特征；从图像特性来看，可以分为颜色特征、形状特征、纹理特征、空间关系特征。图像特征的表征能力对于目标检测、图像分类等任务具有关键性作用。从早期的人工特征到目前的深度特征，特征的表征能力取得了巨大的进步。
[0003]卷积神经网络虽然可以通过大数据学习获得目标图像的高效特征表示，但其提取的特征对目标图像旋转变化非常敏感，现有的基于大数据学些从而提取目标图像的旋转不变性存在着工作效率低，网络复杂且适应率低的问题，影响了其在高分辨率遥感图像目标检测以及自然图像目标识别等任务的性能。

技术实现思路

[0004]本专利技术的目的是提供一种基于极坐标循环卷积层提取旋转不变性特征的方法，以解决现有技术中提取目标图像的旋转不变性存在着工作效率低，旋转不变性特征学习网络适应性差的问题。
[0005]本专利技术采用以下技术方案：
[0006]本专利技术提供了一种基于极坐标循环卷积层提取旋转不变性特征的方法，该方法包括：
[0007]对第一像素图像进行任一角度旋转变换，得到第二像素图像，第一像素图像包含待旋转不变性特征提取的目标；
[0008]对第二像素图像进行极坐标变换，得到第二像素图像的映射图像；
[0009]对映射图像进行循环卷积，提取目标的旋转不变性特征。
[0010]可选地，对第一像素图像进行任一角度旋转变换包括：
[0011]将第一像素图像进行任一角度旋转后，并对旋转后的第一像素图像的坐标进行变换，坐标变换公式为：
[0012]X0＝+X cosθ+Ysinθ+dx，
[0013]Y0＝
‑
X sinθ+Y cosθ+dy
[0014][0015]其中，X为第一像素图像的横坐标，Y为第一像素图像的纵坐标；X0为第二像素图像
的横坐标；Y0为第二图像的纵坐标；W为第一像素图像的宽，H为第一像素图像的高，W0为角度旋转后的第二像素图像的宽，H0为角度旋转后的第二像素图像的高，θ为旋转角度。
[0016]可选地，对第二像素图像进行极坐标变换包括：
[0017]以第二像素图像的图像中心为极坐标原点，对第二像素图像的宽和高分别进行等间隔采样，并将每个采样点的坐标换为极坐标，获得极坐标下第二像素图像的映射图像。
[0018]可选地，极坐标变换的映射公式为：
[0019][0020]其中，为极坐标半径，R实际采样长度，p为极坐标系下像素点的横坐标，q为极坐标系下像素点的纵坐标，为极坐标角度，x为极坐标下像素点的横坐标，y为极坐标下像素点的纵坐标，为极坐标中心的横坐标，为极坐标中心的纵坐标。
[0021]可选地，循环卷积的卷积核为其尺寸为(2n+1)，n为用于控制所述卷积核的尺寸的参数。
[0022]本专利技术还提供了一种基于极坐标循环卷积层提取旋转不变性特征的装置，该装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现一种基于极坐标循环卷积层提取旋转不变性特征的方法。
[0023]本专利技术的有益效果是：相比传统直接通过复杂的神经网络提取原始图像的基于旋转不变性特征，特征提取前还需要复杂的网络参数训练；而本申请则首先对不同角度下的原始图像进行极坐标变换，将原始图像的旋转变换转换为极坐标下的平移变换；最后通过循环卷积从平移变换下的极坐标图像提取目标图像的旋转不变性特征，经过两步简单的处理，无需复杂地训练网络和特征学习，以此大大提高了目标图像的旋转不变性特征的提取效率，以及提高了旋转不变性特征学习网络的适应性。
附图说明
[0024]图1为本专利技术提供的一种基于极坐标循环卷积层提取旋转不变性特征的方法步骤示意图；
[0025]图2为本专利技术提供的一种极坐标变换示意图，其中，图2(1)为任一旋转角度下的原始像素图像，图2(2)为极坐标转换下的像素图像；
[0026]图3为本专利技术提供的一种不同角度的旋转图像及其极坐标变换图像示意图，其中，(a)为旋转0
°
的阿拉伯数字“2”，(b)为旋转90
°
的阿拉伯数字“2”、(c)为旋转180
°
的阿拉伯数字“2”、(d)为旋转270
°
的阿拉伯数字“2”；
[0027]图4为本专利技术提供的一种循环卷积图解，其中，图4(1)为第一层卷积核向右滑动过一个滑动窗口的卷积图，图4(2)为第一层卷积核向右滑动过两个滑动窗口的卷积图，图4(3)为第一层卷积核向右滑动过三个滑动窗口的卷积图，图4(4)为第一层卷积核向右滑动过一个滑动窗口的卷积图，图4(5)为第一层卷积核向右滑动过五个滑动窗口的卷积图，图4
(6)为第一层卷积核向右滑动过六个滑动窗口的卷积图，图4(7)为第二层卷积核向右滑动过一个滑动窗口的卷积图，图4(8)为第二层卷积核向右滑动过两个滑动窗口的卷积图，图4(9)为第二层卷积核向右滑动过三个滑动窗口的卷积图，图4(10)为第二层卷积核向右滑动过一个滑动窗口的卷积图，图4(11)为第二层卷积核向右滑动过五个滑动窗口的卷积图，图4(12)为第二层卷积核向右滑动过六个滑动窗口的卷积图。
具体实施方式
[0028]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0029]本专利技术提供了一种基于极坐标循环卷积层提取旋转不变性特征的方法，如图1所示，该方法包括：
[0030]步骤101，对第一像素图像进行任一角度旋转变换，得到第二像素图像，第一像素图像包含待旋转不变性特征提取的目标；
[0031]步骤102，对第二像素图像进行极坐标变换，得到第二像素图像的映射图像；
[0032]步骤103，对映射图像进行循环卷积，提取目标的旋转不变性特征。
[0033]本实施例相比传统直接通过复杂的神经网络提取原始图像的基于旋转不变性特征，特征提取前还需要复杂的网络参数训练；而本申请则首先对不同角度下的原始图像进行极坐标变换，将原始图像的旋转变换转换为极坐标下的平移变换；最后通过循环卷积从平移变换下的极坐标图像提取目标图像的旋转不变性特征，经过两步简单的处理，无需复杂地训练网络和特征学习，以此大大提高了目标图像的旋转不变性特征的提取效率，以及提高了旋转不变性特征学习网络的适应性。
[0034]上述步骤101的具体内容为：需要说明的是第一像素特征为原始像素图像，第二像素图像为经过任一角度旋转后的像素图像。
[0035]在一种实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极坐标循环卷积层提取旋转不变性特征的方法，其特征在于，包括：对第一像素图像进行任一角度旋转变换，得到第二像素图像，所述第一像素图像包含待旋转不变性特征提取的目标；对所述第二像素图像进行极坐标变换，得到所述第二像素图像的映射图像；对所述映射图像进行循环卷积，提取目标的旋转不变性特征。2.如权利要求1所述的一种基于极坐标循环卷积层提取旋转不变性特征的方法，其特征在于，对第一像素图像进行任一角度旋转变换包括：将所述第一像素图像进行任一角度旋转后，并对旋转后的第一像素图像的坐标进行变换，所述坐标变换公式为：X0＝+X cosθ+Y sinθ+dx，Y0＝
‑
Xsinθ+Ycosθ+dy，其中，X为所述第一像素图像的横坐标，Y为所述第一像素图像的纵坐标；X0为所述第二像素图像的横坐标；Y0为所述第二图像的纵坐标；W为所述第一像素图像的宽，H为所述第一像素图像的高，W0为角度旋转后的所述第二像素图像的宽，H0为角度旋转后的所述第二像素图像的高，θ为旋转角度。3.如权利要求1所述的一种基于极坐标循环卷积层提取旋转不变性特征的方法，其特征在于，对所述第二像素图像进行极坐...

【专利技术属性】
技术研发人员：梅少辉，马明阳，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：